CN107480611B - 一种基于深度学习卷积神经网络的裂缝识别方法 - Google Patents
一种基于深度学习卷积神经网络的裂缝识别方法 Download PDFInfo
- Publication number
- CN107480611B CN107480611B CN201710641103.XA CN201710641103A CN107480611B CN 107480611 B CN107480611 B CN 107480611B CN 201710641103 A CN201710641103 A CN 201710641103A CN 107480611 B CN107480611 B CN 107480611B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- neural network
- training
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
一种基于深度学习卷积神经网络的裂缝识别方法,其具体步骤如下:A.采集图像搭建训练和验证图像数据库;B.建立深度学习卷积神经网络;C.利用A中的图像数据库训练B中搭建完成的深度学习神经网络。
Description
技术领域
本发明涉及到使用一种基于深度学习卷积神经网络对图像中的裂缝进行识别的方法。
背景技术
桥梁、大坝和摩天大楼等民用基础设施在使用过程中会逐渐劣化从而丧失满足设计功能的能力。混凝土裂缝或钢结构裂缝是此类设施的重点病害之一,虽然人们增加了对这些设施的检测力度,然而现场检测时需要封闭交通或者封锁建筑物,同时人工对大面积结构表面的检测效率低下,面对大量的基础设施难以进行及时准确地检测。
许多专家提出了各种基于视觉技术识别损伤的方法来检测各类结构表面的裂缝,这些方法的核心就是图像处理技术。图像处理技术的重要优势之一是几乎所有的表面缺陷都是可以识别的。虽然学者们提出了很多包括边缘检测算子在内的识别方法,图像识别仍旧是一项存在许多问题的工作。各种实际拍摄状况下拍摄的图像包含有光照强度、明暗变化和图像扭曲等各种问题,在处理过程中会产生很多噪声,从而影响检测质量,截止目前也没有最佳的解决方案。
解决这一问题的一种方法是使用减噪技术,但由于现实世界中提出的数字图像存在很多变化,这种方法仍然有很多限制。另一种更加有现实可能性的方法是利用机器学习算法,已经有学者提出了利用这一方法进行结构缺陷检测的技术。这一方法实施时,首先需要从无损检测中搜集信号,再评价这些信号是否表明了缺陷。近年来,许多学者进行了结合图像处理技术的特征提取方法和机器学习分类的试验。虽然他们引进了机器学习算法,但是这些方法还是不可避免地需要大量传感器,也存在许多提取的误差。
卷积神经网络可以有效捕捉图片的网状拓补结构,由于稀疏联系的神经元和结合过程,它需要的计算量更少,还可以区分大量的分类。以往卷积神经网络的问题是需要大量标记的数据,这些数据需要的计算量很大,但是这一问题被充分利用带注解的数据库解决,此外还可以利用图形计算器进行并行计算,提高识别速度。
发明内容
本发明为了克服以往在裂缝检测技术在裂缝检测方面的不足,提出了一种基于深度学习卷积神经网络的裂缝识别方法。本发明首先采集包括光照、明暗等各种条件下的结构表面图像,再将通过采用已标记过的图像形成训练和验证集对卷积神经网络进行训练,不断重复进行训练,修正卷积神经网络后,便可以用于识别各种条件下的结构表面裂缝。
本发明所述的一种基于深度卷积神经网络的裂缝识别方法,具体实施步骤如下:
A.采集图像搭建训练和验证图像数据库;
A1.选取目标结构物,利用相机采集该结构物表面图像。图像应当包括含有裂缝以及不含裂缝的图像,同时采集时应包含各种不同的条件,如光强、明暗变化等在实际条件可能会拍摄到的图片;
A2.将A1中的图片分割成更小的图片,一般以256×256像素为宜,增加训练库的图片规模,并且对小型图形扫描以后,更容易迁移至大型图形,而反向则容易出现困难;
A3.标记分割所得的图像,将其标记为含有裂缝以及不含裂缝的图像,用于形成图像数据库,在标记过程中,去除边缘上存在疑似裂缝的图片,因其难以区分具体成因与分析,不利于卷积神经网络识别其特征。
A4.对图像数据进行数据增强。为了减少数据的使用量并提高利用效率,在建立数据集之后对其使用数据增强技术。数据增强包括对图像随机旋转、翻转变换、缩放变换、平移变换、尺度变化、对比度变换、颜色变换、添加随机噪声等方式。通过数据增强可以增加数据集大小并可以减轻过拟合。
B.建立深度学习卷积神经网络;
B1.一个完整的基于深度学习的卷积神经网络架构包含多层结构,结构类型主要包括输入层、卷积层、池化层、激活层、输出层以及出于各种目的建立的辅助层,如截断层和批量标准化层等;
B2.建立输入层,输入层主要用于接收图片,输送至卷积神经网络进行处理;
B3.建立卷积层,图像被输送至卷积层时,按照一定的像素间距对其进行分割扫描形成子集,卷积层内含有卷积核,卷积核的初始权重可以随机赋值,其主要用于和图像像素元素进行卷积运算,并将运算结果相加再赋以一定偏值,在不断梯度反向传播更新中,卷积核的值将会改变。卷积层可以缩减数据规模从而减少计算消耗;
B4.建立池化层,池化层与卷积层交替建立。池化层对经过卷积层处理的输入数据进行缩减像素采样,本神经网络使用的采样方式为最大值采样,即保留输入数据各个子集中的最大值,该层进一步减少数据的规模;
B5.建立辅助层,辅助层用于减少数据的过渡拟合,有助于提高网络产生训练数据的能力,减少训练时间,辅助层设立可根据实际需要设置层间位置和数量;本发明建立的辅助层主要用于截断部分神经元之间的联系,减少过渡拟合提高计算效率。
B6.建立输出层,输出层输出上层输入数据属于各个分类集下的概率,将经过处理以后的判断结果以及原裂缝图片进行输出,用于形成报告。由于卷积层中接受域数值的权重在初始状态下是随机的,神经网络训练初期会产生预测与实际的偏差,本方法采用随机梯度下降算法减不断更新网络参数的数值、减小损失函数的值,使得预测与实际逐渐收敛。
C.利用步骤A中的图像数据库训练步骤B中搭建完成的深度学习神经网络
C1.用步骤A中的图像数据库对步骤B形成的深度学习神经网络进行重复训练;
C2.统计每次训练后输出结果的正确率,记录达到目标正确率时所用的训练次数或数据库规模以掌握该深度学习神经网络的效能;
C3.对训练结果进行检查与调试网络形成高效实用的基于深度学习的裂缝识别卷积神经网络。
与现有的技术相比,本技术有几下几个优点:
1.与现有的图像处理技术不同,本技术所采用的深度学习卷积神经网络可以通过更新卷积核自主学习图像特征,因此不需要传统数字图像处理方法中所采用的人为提取图像特征的步骤,大大减少了人工工作量。
2.本技术输出的结果中包含未经处理的原图,而非灰度图等经过处理的图像,在进行神经网络判断之后,可以让检测人员进行人工检查,减少误判率。
3.本技术在进行图像识别过程中,可以进行CPU与GPU并行计算,提高了计算的效率,充分利用计算资源。
4.本技术正在进行图像识别时,鲁棒性强,对图片质量的要求低,可以适应各种明暗以及光照强度等条件下产生的图像。
5.通过建立不同类型的图像数据库,如钢筋腐蚀,混凝土钙化等,这一深度学习神经网络可以扩展使用功能,识别其他类型的病害,通用性强。
附图说明
图1使用本发明方法的目标图像采集方式的示意图。
图2本发明方法的实施流程图。
具体实施方式
以下结合图1中所示的目标图像采集示意图和图2中所示的实施流程图,以一座桥梁为例(实际对各种结构物均适用),进一步阐述本发明的具体实施方式。
图例说明:图1中的代号分别表示:
1——目标结构;
2——目标结构表面裂缝;
3——目标结构表面无裂缝区域;
4——目标结构表面有裂缝区域;
5——数码相机;
备注:本发明中采集的图像应当包括不同明暗、光强等各种实际条件下所采集的图像。
本发明所述的一种基于深度卷积神经网络的裂缝识别方法,其具体步骤如下:
A.采集图像搭建训练和验证图像数据库
A1.选取目标结构物1,利用单反相机5采集该结构物表面图像。图像应当包括含有裂缝的区域4以及不含裂缝的区域3,同时采集时应包含各种不同的条件,如光强、明暗变化等在实际条件可能会拍摄到的图片;
A2.将A1中的有关区域3和4的图片分割成更小的图片,一般以256×256像素为宜,增加训练库的图片规模,并且对小型图形扫描以后,更容易迁移至大型图形,而反向则容易出现困难;
A3.标记分割所得的图像,将其标记为含有裂缝以及不含裂缝的图像,用于形成图像数据库,在标记过程中,去除边缘上存在疑似裂缝的图片,因其难以区分具体成因与分析,不利于卷积神经网络识别其特征。
A4.对图像数据进行数据增强。数据增强包括对图像随机旋转、翻转变换、缩放变换、平移变换、尺度变化、对比度变换、颜色变换、添加随机噪声等方式。
B.建立深度学习卷积神经网络
B1.一个完整的基于深度学习的卷积神经网络架构包含多层结构,结构类型主要包括输入层、卷积层、合并层、激活层、输出层以及出于各种目的建立的辅助层,如截断层和批量标准化层等;
B2.建立输入层,输入层主要用于接收图片,输送至卷积神经网络进行处理;
B3.建立卷积层,图像被输送至卷积层时,按照一定的像素间距对其进行分割扫描形成子集,卷积层内含有卷积核,卷积核的初始权重可以随机赋值,其主要用于和图像像素元素进行卷积运算,并将运算结果相加再赋以一定偏值,在不断梯度反向传播更新中,卷积核的值将会改变。卷积层可以缩减数据规模从而减少计算消耗;
B4.建立池化层,池化层与卷积层交替建立。池化层对经过卷积层处理的输入数据进行缩减像素采样,本神经网络使用的采样方式为最大值采样,即保留输入数据各个子集中的最大值,该层进一步减少数据的规模;
B5.建立辅助层,辅助层用于减少数据的过渡拟合,有助于提高网络产生训练数据的能力,减少训练时间,辅助层设立可根据实际需要设置层间位置和数量;本发明建立的辅助层主要用于截断部分神经元之间的联系,减少过渡拟合提高计算效率。
B6.建立输出层,输出层输出上层输入数据属于各个分类集下的概率,将经过处理以后的判断结果以及原裂缝图片进行输出,用于形成报告。由于卷积层中卷积核数值的权重在初始状态下是随机的,神经网络训练初期会产生预测与实际的偏差,本方法采用随机梯度下降算法减不断更新网络参数的数值、减小损失函数的值,使得预测与实际逐渐收敛。
C.利用步骤A中的图像数据库训练步骤B中搭建完成的深度学习神经网络
C1.用步骤A中的图像数据库对步骤B形成的深度学习神经网络进行重复训练;
C2.统计每次训练后输出结果的正确率,记录达到目标正确率时所用的训练次数或数据库规模以掌握该深度学习神经网络的效能;
C3.对训练结果进行检查与调试网络形成高效实用的基于深度学习的裂缝识别卷积神经网络。
本说明书实施案例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施案例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种基于深度学习卷积神经网络的裂缝识别方法,其具体步骤如下:
A.采集图像搭建训练和验证图像数据库;
A1.选取目标结构物,利用相机采集该结构物表面图像;图像包括含有裂缝的区域以及不含裂缝的区域,同时采集时应包含各种不同的条件可能会拍摄到的图片;
A2.将A1中的图片分割成更小的图片,尺寸为256×256像素,增加训练库的图片规模,并且对小型图形扫描以后,更容易迁移至大型图形,而反向则容易出现困难;
A3.标记分割所得的图像,将其标记为含有裂缝以及不含裂缝的图像,用于形成图像数据库,在标记过程中,去除边缘上存在疑似裂缝的图片,因其难以区分具体成因与分析,不利于卷积神经网络识别其特征;
A4.对图像数据进行数据增强以增加数据集大小并减轻过拟合风险;数据增强包括对图像随机旋转、翻转变换、缩放变换、平移变换、尺度变化、对比度变换、颜色变换和添加随机噪声;
B.建立深度学习卷积神经网络;
B1.一个完整的基于深度学习的卷积神经网络架构包含多层结构,结构类型包括输入层、卷积层、合并层、激活层、输出层以及出于各种目的建立的辅助层;所述辅助层包括截断层和批量标准化层;
B2.建立输入层,输入层用于接收图片,输送至卷积神经网络进行处理;
B3.建立卷积层,图像被输送至卷积层时,按照一定的像素间距对其进行分割扫描形成子集,卷积层内含有接受域,接受域的初始权重随机赋值,用于和子集像素元素进行乘法运算,并将运算结果相加再赋以一定偏值,在不断迭代更新中,接受域的值将会改变;卷积层能够缩减数据规模从而减少计算消耗;
B4.建立合并层,合并层与卷积层交替建立;合并层对经过卷积层处理的输入数据进行缩减像素采样,本神经网络使用的采样方式为最大值采样,即保留输入数据各个子集中的最大值,该层进一步减少数据的规模;
B5.建立辅助层,辅助层用于减少数据的过度拟合,有助于提高网络产生训练数据的能力,减少训练时间,辅助层设立可根据实际需要设置层间位置和数量;建立的辅助层用于截断部分神经元之间的联系,减少过度拟合提高计算效率;
B6.建立输出层,输出层输出上层输入数据属于各个分类集下的概率,将经过处理以后的判断结果以及原裂缝图片进行输出,用于形成报告;由于卷积层中接受域数值的权重在初始状态下是随机的,神经网络训练初期会产生预测与实际的偏差,采用随机梯度下降算法不断更新接受域的数值使得预测与实际逐渐收敛;
C.利用步骤A中的图像数据库训练步骤B中搭建完成的深度学习神经网络;
C1.用步骤A中的图像数据库步骤对B形成的深度学习神经网络进行重复训练;
C2.统计每次训练后输出结果的正确率,记录达到目标正确率时所用的训练次数或数据库规模以掌握该深度学习神经网络的效能;
C3.对训练结果进行检查与调试网络形成高效实用的基于深度学习的裂缝识别卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710641103.XA CN107480611B (zh) | 2017-07-31 | 2017-07-31 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710641103.XA CN107480611B (zh) | 2017-07-31 | 2017-07-31 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480611A CN107480611A (zh) | 2017-12-15 |
CN107480611B true CN107480611B (zh) | 2020-06-30 |
Family
ID=60597985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710641103.XA Active CN107480611B (zh) | 2017-07-31 | 2017-07-31 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480611B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364278B (zh) * | 2017-12-21 | 2020-08-11 | 中国石油大学(北京) | 一种岩心裂缝提取方法和系统 |
CN108364280B (zh) * | 2018-01-03 | 2022-04-15 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
US10574890B2 (en) | 2018-01-12 | 2020-02-25 | Movidius Ltd. | Methods and apparatus to operate a mobile camera for low-power usage |
CN108182681A (zh) * | 2018-01-12 | 2018-06-19 | 石家庄铁道大学 | 一种基于多层超限学习网络的混凝土裂缝检测方法 |
CN108509919B (zh) * | 2018-04-03 | 2022-04-29 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
CN108764301B (zh) * | 2018-05-07 | 2019-11-26 | 石家庄铁道大学 | 一种基于反向稀疏表示的混凝土裂缝检测方法 |
CN108765381B (zh) * | 2018-05-15 | 2022-04-15 | 南水北调东线山东干线有限责任公司 | 一种水利工程裂纹提取方法及系统、信息处理终端 |
CN108765386A (zh) * | 2018-05-16 | 2018-11-06 | 中铁科学技术开发公司 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
CN109034369A (zh) * | 2018-06-26 | 2018-12-18 | 陕西师范大学 | 一种基于深度卷积生成式对抗网络的桥梁裂缝图像生成模型 |
CN108961246B (zh) * | 2018-07-10 | 2021-05-07 | 吉林大学 | 一种基于人工智能的扫描电镜图像孔隙识别方法 |
US10915995B2 (en) | 2018-09-24 | 2021-02-09 | Movidius Ltd. | Methods and apparatus to generate masked images based on selective privacy and/or location tracking |
CN109816636B (zh) * | 2018-12-28 | 2020-11-27 | 汕头大学 | 一种基于智能终端的裂缝检测方法 |
CN109871885B (zh) * | 2019-01-28 | 2023-08-04 | 南京林业大学 | 一种基于深度学习和植物分类学的植物识别方法 |
CN109872318A (zh) * | 2019-02-22 | 2019-06-11 | 中国石油大学(华东) | 一种用于深度学习的地质露头裂缝数据集制作方法 |
CN110008360B (zh) * | 2019-04-09 | 2020-11-03 | 河北工业大学 | 包含特定背景图像的车辆目标图像数据库建立方法 |
CN110232334A (zh) * | 2019-05-26 | 2019-09-13 | 天津大学 | 一种基于卷积神经网络的钢结构锈蚀识别方法 |
CN110298830A (zh) * | 2019-06-24 | 2019-10-01 | 天津大学 | 基于卷积神经网络的新拌混凝土振捣表观质量识别方法 |
CN110472666A (zh) * | 2019-07-18 | 2019-11-19 | 广东工业大学 | 一种基于卷积神经网络的混凝土裂缝识别方法 |
CN111191696B (zh) * | 2019-12-20 | 2023-04-07 | 山东大学 | 一种基于深度学习算法的钢筋分层方法及系统 |
CN111311548B (zh) * | 2020-01-20 | 2023-01-31 | 清华四川能源互联网研究院 | 一种骨料检测模型的形成方法和消力池底板骨料检测的方法 |
CN111314257B (zh) * | 2020-03-13 | 2021-07-06 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
CN111612747B (zh) * | 2020-04-30 | 2023-10-20 | 湖北煌朝智能自动化装备有限公司 | 产品表面裂缝快速检测方法及检测系统 |
CN112255095B (zh) * | 2020-09-25 | 2023-12-01 | 汕头大学 | 一种土体应力应变关系确定方法 |
CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
CN112560587B (zh) * | 2020-11-27 | 2022-04-08 | 贵州中建建筑科研设计院有限公司 | 一种卷积神经网络边坡裂缝变化的动态预警方法及系统 |
CN113096088B (zh) * | 2021-04-07 | 2022-09-02 | 浙江大学 | 一种基于深度学习的混凝土结构检测方法 |
CN113516640B (zh) * | 2021-07-05 | 2022-03-18 | 首都师范大学 | 基于分类分支的ct图像细小裂缝分割装置和方法 |
CN113607546A (zh) * | 2021-08-10 | 2021-11-05 | 西北工业大学 | 一种裂纹测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355248A (zh) * | 2016-08-26 | 2017-01-25 | 深圳先进技术研究院 | 一种深度卷积神经网络训练方法及装置 |
CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013020143A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack quantification |
-
2017
- 2017-07-31 CN CN201710641103.XA patent/CN107480611B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355248A (zh) * | 2016-08-26 | 2017-01-25 | 深圳先进技术研究院 | 一种深度卷积神经网络训练方法及装置 |
CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107480611A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480611B (zh) | 一种基于深度学习卷积神经网络的裂缝识别方法 | |
Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
CN112102325B (zh) | 基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法 | |
CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
Yao et al. | Deep-learning-based bughole detection for concrete surface image | |
Wang et al. | Research on crack detection algorithm of the concrete bridge based on image processing | |
CN108460764A (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
CN116485717B (zh) | 一种基于像素级深度学习的混凝土坝表面裂缝检测方法 | |
CN112700444B (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
Savino et al. | Automated classification of civil structure defects based on convolutional neural network | |
CN110555831A (zh) | 一种基于深度学习的排水管道缺陷分割方法 | |
CN114066808A (zh) | 一种基于深度学习的路面缺陷检测方法及系统 | |
CN114049538A (zh) | 基于udwgan++网络的机场裂缝图像对抗生成方法 | |
Fan et al. | Application of YOLOv5 neural network based on improved attention mechanism in recognition of Thangka image defects | |
CN115761613B (zh) | 一种基于卷积网络的隧道裂缝自动检测方法 | |
Vijayan et al. | A survey on surface crack detection in concretes using traditional, image processing, machine learning, and deep learning techniques | |
CN114820493B (zh) | 一种制孔导致的复合材料孔口劈裂检测方法 | |
Jia et al. | Research on Industrial Production Defect Detection Method Based on Machine Vision Technology in Industrial Internet of Things. | |
Liu et al. | Pavement Distress Detection Using Street View Images Captured via Action Camera | |
Rahai et al. | Surface crack detection using deep convolutional neural network in concrete structures | |
Li et al. | Algorithm for Crack Segmentation of Airport Runway Pavement under Complex Background based on Encoder and Decoder | |
Lei et al. | Concrete surface crack recognition in complex scenario based on deep learning | |
Yao et al. | Detection of Bughole on Concrete Surface with Convolutional Neural Network | |
Jia et al. | Detection Model of Drainage Pipe Defect Based on Improved YOLOv5 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |