CN107909564B - 一种基于深度学习的全卷积网络图像裂纹检测方法 - Google Patents

一种基于深度学习的全卷积网络图像裂纹检测方法 Download PDF

Info

Publication number
CN107909564B
CN107909564B CN201710992707.9A CN201710992707A CN107909564B CN 107909564 B CN107909564 B CN 107909564B CN 201710992707 A CN201710992707 A CN 201710992707A CN 107909564 B CN107909564 B CN 107909564B
Authority
CN
China
Prior art keywords
crack
model
setting
data set
images
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
Application number
CN201710992707.9A
Other languages
English (en)
Other versions
CN107909564A (zh
Inventor
伍星
王森
柳小勤
张印辉
刘韬
刘畅
毛剑琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201710992707.9A priority Critical patent/CN107909564B/zh
Publication of CN107909564A publication Critical patent/CN107909564A/zh
Application granted granted Critical
Publication of CN107909564B publication Critical patent/CN107909564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于深度学习的全卷积网络图像裂纹检测方法，属于故障诊断技术与信号处理分析技术领域。本发明首先搜集裂纹图像，将图像分为训练数据集和测试数据集，并对训练数据集中的图像进行裂纹区域标注；其次构建用于裂纹图像检测的全卷积神经网络模型；然后利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测。本发明使得网络模型能够有效增加裂纹信息的选择；使得网络模型可以获得更精细的局部细节；使得整个网络可以实现有效的递进式特征传递，提高了网络模型的裂纹检测精度。

Description

一种基于深度学习的全卷积网络图像裂纹检测方法
技术领域
本发明涉及一种基于深度学习的全卷积网络图像裂纹检测方法，属于故障诊断技术与信号处理分析技术领域。
背景技术
裂纹是由于材料表面或内部在受到外界应力或环境的作用下产生局部断裂并扩展的结果。由于结构体在制造和应用过程中存在不可避免的浅表裂纹以及所承受的应力集中和交变载荷，使得其在应用中会突然引发危害极大的疲劳断裂。所以及时检测承载结构体的表面裂纹对于设备或所承载媒介的安全运行和提高经济效益有很大意义。常用的方法如人工目视、声学、光学、射线、电磁和微波等无损检测方法的实现还是停留在需要满足相应条件的前提下进行的人为操作或依靠高灵敏度检测器件辅助完成，而且这些方法均只能判断有无缺陷裂纹，无法对裂纹进行定性的分类以及尺寸测量。随着社会经济和自动化技术的不断进步，基于计算机视觉和图像处理的裂纹检测技术开始逐渐应用于钢材、交通运输、能源、汽车、电子、通用零部件、建筑、食品、生活用品等诸多行业与领域。但当前图像裂纹检测研究中复杂多变的外在环境以及裂纹存在的多样性形式，使得如何在复杂、相似的背景中精确地提取裂纹的属性特征，提高特征聚类的精度以及赋予目标模型/分类器强大的优化分类性能以及解决算法精度和速度上的矛盾一直是图像裂纹检测领域的一个难题。在对FCN(Fully Convolutional Networks，FCN)网络进行裂纹图像检测时发现：FCN网络会预先设定一个固定尺寸的感受野，小于感受野尺寸的裂纹目标会在检测过程中产生误分类或错误标记，即较大尺寸裂纹的全局和局部信息可以实现较好的标签预测而较小尺寸裂纹的局部信息则容易丢失局部信息。虽然FCN网络通过增加Skip层来规避该局限性，但仍无法在边界细节和语义学之间达到均衡；由于FCN网络前两层的Convolution较为粗糙，第五层Convolution与全连接层之间较大的维度跨越导致网络在复杂和相似的背景环境下丧失部分精细化区分的能力，即复杂背景下与裂纹相似的伪目标会被误分类为裂纹。
发明内容
本发明提供了一种基于深度学习的全卷积网络图像裂纹检测方法，在增大分辨率的同时取消全连接层中的dropout层以增大裂纹信息的选择；在FCN-8s网络之后添加更高尺度的反卷积层来扩充局部精细细节；在FCN网络的前两层CONV的每个单元之后再次添加一个卷积单元conv和relu单元以及在第五个CONV后添加第六个CONV；修改第五个卷积层CONV至全连接层FC中的滤波器尺寸和维度以使整个网络实现递进式特征传递。
本发明的技术方案是：一种基于深度学习的全卷积网络图像裂纹检测方法，首先搜集裂纹图像，将图像分为训练数据集和测试数据集，并对训练数据集中的图像进行裂纹区域标注；其次构建用于裂纹图像检测的全卷积神经网络模型；然后利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测。
所述方法的具体步骤如下：
Step1、搜集裂纹图像，利用插值算法将所有裂纹图像转变为统一尺寸的图像，将转变尺寸后的图像分为训练数据集和测试数据集，对训练数据集中的图像进行像素级别的裂纹区域标注，同时去掉多余的背景区域；
Step2、以训练好的imagenet-vgg-verydeep-16模型为基础，通过修改imagenet-vgg-verydeep-16模型的网络结构和滤波器尺寸来构建用于用于裂纹图像检测的全卷积神经网络模型；
Step3、利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；
Step4、利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测。
所述步骤Step2中，修改imagenet-vgg-verydeep-16模型的网络结构和滤波器尺寸主要步骤如下：
Step2.1、载入imagenet-vgg-verydeep-16模型；
Step2.2、将模型中CONV1的3层增加为4层，排列构成为conv1_1，relu1_1，conv1_2，relu1_2，conv1_3，relu1_3，pool1；设置卷积单元conv1_1、conv1_2、conv1_3的滤波器尺寸分别为[3,3,3,64]、[3,3,64,64]、[3,3,64,64]，步长为1；设置池化单元pool1的池化尺寸为[2,2]，步长为2；
Step2.3、将模型中CONV2的3层增加为4层，排列构成为conv2_1，relu2_1，conv2_2，relu2_2，conv3_2，relu3_2，pool2；设置卷积单元conv2_1、conv2_2、conv2_3的滤波器尺寸分别为[3,3,64,128]、[3,3,128,128]、[3,3,128,128]，步长为1；设置池化单元pool2的池化尺寸为[2,2]，步长为2；
Step2.4、设置模型中CONV3卷积单元conv3_1、conv3_2、conv3_3的滤波器尺寸分别为[3,3,128,256]、[3,3,256,256]、[3,3,256,256]，步长为1；设置池化单元pool3的池化尺寸为[2,2]，步长为2；
Step2.5、设置模型中CONV4卷积单元conv4_1、conv4_2、conv4_3的滤波器尺寸分别为[3,3,256,512]、[3,3,512,512]、[3,3,512,512]，步长为1；设置池化单元pool4的池化尺寸为[2,2]，步长为2；
Step2.6、设置模型中CONV5卷积单元conv5_1、conv5_2、conv5_3的滤波器尺寸分别为[3,3,512,1024]、[3,3,1024,1024]、[3,3,1024,1024]，步长为1；设置池化单元pool5的池化尺寸为[2,2]，步长为2；
Step2.7、在模型中添加第六个卷积层CONV6，排列构成为conv6_1，relu6_1，conv6_2，relu6_2，conv6_3，relu6_3；设置卷积单元conv6_1、conv6_2、conv6_3的滤波器尺寸分别为[3,3,1024,2048]、[3,3,2048,2048]、[3,3,2048,2048]，步长为1；
Step2.8、移除模型中全连接层FCN的dropout1和dropout2，修改FCN中的fc6，relu6，fc7，relu7，fc8编号为fc7，relu7，fc8，relu8，fc9；设置全连接单元fc7、fc8、fc9的滤波器尺寸分别为[7,7,2048,4096]、[1,1,4096,4096]、[1,1,4096,2]，步长为1；
Step2.9、移除概率层PROB，增加损失层objective和精确度层accuracy；
Step2.10、在全连接层FCN后增加反卷积层DECONV，反卷积层DECONV由四个反卷积单元deconv1～deconv4和三个跳跃单元skip1～skip3构成，排列构成为deconv1，skip1，deconv2，skip2，deconv3，skip3，deconv4；设置反卷积单元deconv1、deconv2、deconv3、deconv4的上采样尺寸分别为[4,4,2,2]、[4,4,2,2]、[4,4,2,2]、[8,8,1,2]，步长分别为2、2、2、4；设置跳跃单元skip1、skip2、skip3的跳跃尺寸为[1,1,512,2]、[1,1,256,2]、[1,1,128,2]，步长为1。
所述利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练的主要步骤如下：
Step3.1、设置全卷积神经网络模型的初始权重和初始偏置的参数：将imagenet-vgg-verydeep-16模型中conv1_2和conv2_2的初始参数分别设置为修改的imagenet-vgg-verydeep-16模型中conv1_3和conv2_3的初始参数；将imagenet-vgg-verydeep-16模型中conv5_3的初始参数进行参数复制，将复制参数与原始参数进行第三维和第四维的叠加，将叠加后的参数设置为修改的imagenet-vgg-verydeep-16模型中conv5_3的初始参数，将修改的imagenet-vgg-verydeep-16模型中的conv5_3、conv6_1、conv6_2的参数依次分别进行同样操作的复制和叠加可获得修改的imagenet-vgg-verydeep-16模型中的conv6_1、conv6_2、conv6_3的初始参数；将修改的imagenet-vgg-verydeep-16模型中的deconv4的初始参数置零；修改的imagenet-vgg-verydeep-16模型中其他单元的初始参数设置与imagenet-vgg-verydeep-16模型的设置相同；
Step3.2、将训练数据集中的图像输入到用于裂纹图像检测的全卷积神经网络模型；
Step3.3、利用Softmax回归算法将用于裂纹图像检测的全卷积神经网络模型输出的前向输出值与对应的标注结果进行比较，利用批量随机梯度下降法将两者的误差进行反向传播，根据误差实现用于裂纹图像检测的全卷积神经网络模型权重和偏置的参数更新；
Step3.4、重复步骤Step3.2～Step3.3，对训练数据集中的多幅图像进行多次训练，直至迭代次数达到设定值。
所述利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测的主要步骤如下：
Step4.1、将测试数据集中的裂纹图像输入到更新参数后的用于裂纹图像检测的全卷积神经网络模型中获得目标和背景两个类的检测结果；
Step4.2、求取两类检测结果中的最大像素值获得最终的裂纹检测结果；
Step4.3、重复步骤Step4.1～Step4.2，直至测试数据集中的所有裂纹图像检测完毕。
本发明的有益效果是：
(1)由于本发明在增大感受野尺寸的同时取消全连接层中的dropout层，使得网络模型能够有效增加裂纹信息的选择；
(2)由于本发明在FCN-8s网络之后添加更高尺度的反卷积层，使得网络模型可以获得更精细的局部细节；
(3)由于本发明在FCN网络中添加卷积单元、非线性单元、卷积层，以及修改部分滤波器尺寸和维度，使得整个网络可以实现有效的递进式特征传递，提高了网络模型的裂纹检测精度。
附图说明
图1为本发明的全卷积神经网络的方法流程图；
图2为本发明实施例4实验数据图像；
图3为本发明构建的全卷积神经网络模型；
图4为本发明实施例4检测结果；
图5为对图2进行人工分割的标准结果；
图6为利用FCN模型对图2进行检测的示例；
图7为利用多尺度结构化森林快速边缘检测方法对图2进行检测的示例；
图8为利用多尺度归一化割方法对图2进行检测的示例；
图9为利用Canny边缘检测方法对图2进行检测的示例。
具体实施方式
实施例1：如图1-9所示，一种基于深度学习的全卷积网络图像裂纹检测方法，首先搜集裂纹图像，将图像分为训练数据集和测试数据集，并对训练数据集中的图像进行裂纹区域标注；其次构建用于裂纹图像检测的全卷积神经网络模型；然后利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测。
实施例2：如图1-9所示，一种基于深度学习的全卷积网络图像裂纹检测方法，首先搜集裂纹图像，将图像分为训练数据集和测试数据集，并对训练数据集中的图像进行裂纹区域标注；其次构建用于裂纹图像检测的全卷积神经网络模型；然后利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测。
进一步地，可以设置所述利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练的主要步骤如下：
Step3.1、设置全卷积神经网络模型的初始权重和初始偏置的参数：将imagenet-vgg-verydeep-16模型中conv1_2和conv2_2的初始参数分别设置为修改的imagenet-vgg-verydeep-16模型中conv1_3和conv2_3的初始参数；将imagenet-vgg-verydeep-16模型中conv5_3的初始参数进行参数复制，将复制参数与原始参数进行第三维和第四维的叠加，将叠加后的参数设置为修改的imagenet-vgg-verydeep-16模型中conv5_3的初始参数，将修改的imagenet-vgg-verydeep-16模型中的conv5_3、conv6_1、conv6_2的参数依次分别进行同样操作的复制和叠加可获得修改的imagenet-vgg-verydeep-16模型中的conv6_1、conv6_2、conv6_3的初始参数；将修改的imagenet-vgg-verydeep-16模型中的deconv4的初始参数置零；修改的imagenet-vgg-verydeep-16模型中其他单元的初始参数设置与imagenet-vgg-verydeep-16模型的设置相同；
Step3.2、将训练数据集中的图像输入到用于裂纹图像检测的全卷积神经网络模型；
Step3.3、利用Softmax回归算法将用于裂纹图像检测的全卷积神经网络模型输出的前向输出值与对应的标注结果进行比较，利用批量随机梯度下降法将两者的误差进行反向传播，根据误差实现用于裂纹图像检测的全卷积神经网络模型权重和偏置的参数更新；
Step3.4、重复步骤Step3.2～Step3.3，对训练数据集中的多幅图像进行多次训练，直至迭代次数达到设定值。
进一步地，可以设置所述利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测的主要步骤如下：
Step4.1、将测试数据集中的裂纹图像输入到更新参数后的用于裂纹图像检测的全卷积神经网络模型中获得目标和背景两个类的检测结果；
Step4.2、求取两类检测结果中的最大像素值获得最终的裂纹检测结果；
Step4.3、重复步骤Step4.1～Step4.2，直至测试数据集中的所有裂纹图像检测完毕。
实施例3：如图1-9所示，一种基于深度学习的全卷积网络图像裂纹检测方法，首先搜集裂纹图像，将图像分为训练数据集和测试数据集，并对训练数据集中的图像进行裂纹区域标注；其次构建用于裂纹图像检测的全卷积神经网络模型；然后利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测。
进一步地，可以设置所述方法的具体步骤如下：
Step1、搜集裂纹图像，利用插值算法将所有裂纹图像转变为统一尺寸的图像，将转变尺寸后的图像分为训练数据集和测试数据集，对训练数据集中的图像进行像素级别的裂纹区域标注，同时去掉多余的背景区域；
Step2、以训练好的imagenet-vgg-verydeep-16模型为基础，通过修改imagenet-vgg-verydeep-16模型的网络结构和滤波器尺寸来构建用于用于裂纹图像检测的全卷积神经网络模型；
Step3、利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；
Step4、利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测。
进一步地，可以设置所述步骤Step2中，修改imagenet-vgg-verydeep-16模型的网络结构和滤波器尺寸主要步骤如下：
Step2.1、载入imagenet-vgg-verydeep-16模型；
Step2.2、将模型中CONV1的3层增加为4层，排列构成为conv1_1，relu1_1，conv1_2，relu1_2，conv1_3，relu1_3，pool1；设置卷积单元conv1_1、conv1_2、conv1_3的滤波器尺寸分别为[3,3,3,64]、[3,3,64,64]、[3,3,64,64]，步长为1；设置池化单元pool1的池化尺寸为[2,2]，步长为2；
Step2.3、将模型中CONV2的3层增加为4层，排列构成为conv2_1，relu2_1，conv2_2，relu2_2，conv3_2，relu3_2，pool2；设置卷积单元conv2_1、conv2_2、conv2_3的滤波器尺寸分别为[3,3,64,128]、[3,3,128,128]、[3,3,128,128]，步长为1；设置池化单元pool2的池化尺寸为[2,2]，步长为2；
Step2.4、设置模型中CONV3卷积单元conv3_1、conv3_2、conv3_3的滤波器尺寸分别为[3,3,128,256]、[3,3,256,256]、[3,3,256,256]，步长为1；设置池化单元pool3的池化尺寸为[2,2]，步长为2；
Step2.5、设置模型中CONV4卷积单元conv4_1、conv4_2、conv4_3的滤波器尺寸分别为[3,3,256,512]、[3,3,512,512]、[3,3,512,512]，步长为1；设置池化单元pool4的池化尺寸为[2,2]，步长为2；
Step2.6、设置模型中CONV5卷积单元conv5_1、conv5_2、conv5_3的滤波器尺寸分别为[3,3,512,1024]、[3,3,1024,1024]、[3,3,1024,1024]，步长为1；设置池化单元pool5的池化尺寸为[2,2]，步长为2；
Step2.7、在模型中添加第六个卷积层CONV6，排列构成为conv6_1，relu6_1，conv6_2，relu6_2，conv6_3，relu6_3；设置卷积单元conv6_1、conv6_2、conv6_3的滤波器尺寸分别为[3,3,1024,2048]、[3,3,2048,2048]、[3,3,2048,2048]，步长为1；
Step2.8、移除模型中全连接层FCN的dropout1和dropout2，修改FCN中的fc6，relu6，fc7，relu7，fc8编号为fc7，relu7，fc8，relu8，fc9；设置全连接单元fc7、fc8、fc9的滤波器尺寸分别为[7,7,2048,4096]、[1,1,4096,4096]、[1,1,4096,2]，步长为1；
Step2.9、移除概率层PROB，增加损失层objective和精确度层accuracy；
Step2.10、在全连接层FCN后增加反卷积层DECONV，反卷积层DECONV由四个反卷积单元deconv1～deconv4和三个跳跃单元skip1～skip3构成，排列构成为deconv1，skip1，deconv2，skip2，deconv3，skip3，deconv4；设置反卷积单元deconv1、deconv2、deconv3、deconv4的上采样尺寸分别为[4,4,2,2]、[4,4,2,2]、[4,4,2,2]、[8,8,1,2]，步长分别为2、2、2、4；设置跳跃单元skip1、skip2、skip3的跳跃尺寸为[1,1,512,2]、[1,1,256,2]、[1,1,128,2]，步长为1。
进一步地，可以设置所述步骤Step3中，利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练的主要步骤如下：
Step3.1、设置全卷积神经网络模型的初始权重和初始偏置的参数：将imagenet-vgg-verydeep-16模型中conv1_2和conv2_2的初始参数分别设置为修改的imagenet-vgg-verydeep-16模型中conv1_3和conv2_3的初始参数；将imagenet-vgg-verydeep-16模型中conv5_3的初始参数进行参数复制，将复制参数与原始参数进行第三维和第四维的叠加，将叠加后的参数设置为修改的imagenet-vgg-verydeep-16模型中conv5_3的初始参数，将修改的imagenet-vgg-verydeep-16模型中的conv5_3、conv6_1、conv6_2的参数依次分别进行同样操作的复制和叠加可获得修改的imagenet-vgg-verydeep-16模型中的conv6_1、conv6_2、conv6_3的初始参数；将修改的imagenet-vgg-verydeep-16模型中的deconv4的初始参数置零；修改的imagenet-vgg-verydeep-16模型中其他单元的初始参数设置与imagenet-vgg-verydeep-16模型的设置相同；
Step3.2、将训练数据集中的图像输入到用于裂纹图像检测的全卷积神经网络模型；
Step3.3、利用Softmax回归算法将用于裂纹图像检测的全卷积神经网络模型输出的前向输出值与对应的标注结果进行比较，利用批量随机梯度下降法将两者的误差进行反向传播，根据误差实现用于裂纹图像检测的全卷积神经网络模型权重和偏置的参数更新；
Step3.4、重复步骤Step3.2～Step3.3，对训练数据集中的多幅图像进行多次训练，直至迭代次数达到设定值。
进一步地，可以设置所述步骤Step4中，利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测的主要步骤如下：
Step4.1、将测试数据集中的裂纹图像输入到更新参数后的用于裂纹图像检测的全卷积神经网络模型中获得目标和背景两个类的检测结果；
Step4.2、求取两类检测结果中的最大像素值获得最终的裂纹检测结果；
Step4.3、重复步骤Step4.1～Step4.2，直至测试数据集中的所有裂纹图像检测完毕。
实施例4：如图1-9所示，一种基于深度学习的全卷积网络图像裂纹检测方法，
为使本发明的目的、技术方案及优点更加明确，以下结合附图及实施例，对本发明进行进一步的详细说明。实验在环境为台式机(Intel(R)Core(TM)i5-4670CPUT6570@3.40GHz，64GB内存，Windows7-64bit的Matlab2014a平台上实现。本发明中使用的图像为PNG格式，分辨率为550×410(如图2所示)，图中的目标为道路上的裂纹。从图2可以看出，所选目标具有背景复杂以及目标轮廓与背景相似的特点。除本发明方法外，本实施例选择FCN网络模型、多尺度结构化森林快速边缘检测方法、多尺度归一化割方法和Canny边缘检测方法在检测结果与时间上与本发明方法进行比较。本发明分别利用800幅和776幅裂纹图像进行全卷积神经网络模型的训练和测试。本发明中未提及的程序参数如batchSize＝4，numSubBatches＝2,learningRate＝0.0001。800幅训练图像可分为20个循环进行训练。FCN网络模型的实验参数与本实施例中本发明的全卷积神经网络模型相同。多尺度结构化森林快速边缘检测方法和多尺度归一化割方法的实验参数采用方法本身建议的缺省值。Canny边缘检测方法选择标准差σ＝7.5，阈值T∈[0.04,0.10]，窗口尺度w＝9。
所述基于深度学习的全卷积网络图像裂纹检测方法的具体步骤如下：
所述方法的具体步骤如下：
A、搜集1576幅裂纹图像，利用插值算法将所有裂纹图像转变为尺寸为512×512×3的图像，将转变尺寸后的图像分为训练数据集(800幅裂纹图像)和测试数据集(776幅裂纹图像)，手工利用Photoshop对训练数据集中的图像进行像素级别的裂纹区域标注，同时掉多余的背景区域(将裂纹标注为白色，其余的标注为黑色)；
B、以imagenet-vgg-verydeep-16模型为基础，通过修改该模型的网络结构和滤波器尺寸来构建用于裂纹图像检测的全卷积神经网络模型；
所述步骤B中，修改imagenet-vgg-verydeep-16模型的网络结构主要步骤如下：
B1、载入imagenet-vgg-verydeep-16模型；
B2、将模型中CONV1的3层增加为4层，排列构成为conv1_1，relu1_1，conv1_2，relu1_2，conv1_3，relu1_3，pool1；设置卷积单元conv1_1、conv1_2、conv1_3的滤波器尺寸分别为[3,3,3,64]、[3,3,64,64]、[3,3,64,64]，步长为1；设置池化单元pool1的池化尺寸为[2,2]，步长为2；
B3、将模型中CONV2的3层增加为4层，排列构成为conv2_1，relu2_1，conv2_2，relu2_2，conv3_2，relu3_2，pool2；设置卷积单元conv2_1、conv2_2、conv2_3的滤波器尺寸分别为[3,3,64,128]、[3,3,128,128]、[3,3,128,128]，步长为1；设置池化单元pool2的池化尺寸为[2,2]，步长为2；
B4、设置模型中CONV3卷积单元conv3_1、conv3_2、conv3_3的滤波器尺寸分别为[3,3,128,256]、[3,3,256,256]、[3,3,256,256]，步长为1；设置池化单元pool3的池化尺寸为[2,2]，步长为2；
B5、设置模型中CONV4卷积单元conv4_1、conv4_2、conv4_3的滤波器尺寸分别为[3,3,256,512]、[3,3,512,512]、[3,3,512,512]，步长为1；设置池化单元pool4的池化尺寸为[2,2]，步长为2；
B6、设置模型中CONV5卷积单元conv5_1、conv5_2、conv5_3的滤波器尺寸分别为[3,3,512,1024]、[3,3,1024,1024]、[3,3,1024,1024]，步长为1；设置池化单元pool5的池化尺寸为[2,2]，步长为2；
B7、在模型中添加第六层卷积层CONV6，排列构成为conv6_1，relu6_1，conv6_2，relu6_2，conv6_3，relu6_3；设置卷积单元conv6_1、conv6_2、conv6_3的滤波器尺寸分别为[3,3,1024,2048]、[3,3,2048,2048]、[3,3,2048,2048]，步长为1；
B8、移除模型中全连接层FCN的dropout1和dropout2，修改FCN中的fc6，relu6，fc7，relu7，fc8编号为fc7，relu7，fc8，relu8，fc9；设置全连接单元fc7、fc8、fc9的滤波器尺寸分别为[7,7,2048,4096]、[1,1,4096,4096]、[1,1,4096,2]，步长为1；
B9、移除概率层PROB，增加损失层objective和精确度层accuracy；
B10、在全连接层FCN后增加反卷积层DECONV，反卷积层DECONV由反卷积单元deconv和跳跃单元skip构成，排列构成为deconv1，skip1，deconv2，skip2，deconv3，skip3，deconv4；设置反卷积单元deconv1、deconv2、deconv3、deconv4的上采样尺寸分别为[4,4,2,2]、[4,4,2,2]、[4,4,2,2]、[8,8,1,2]，步长分别为2、2、2、4；设置跳跃单元skip1、skip2、skip3的跳跃尺寸为[1,1,512,2]、[1,1,256,2]、[1,1,128,2]，步长为1；构建的全卷积神经网络模型如图3所示。
C、利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；
所述步骤C中，用于裂纹图像检测的全卷积神经网络模型进行训练的主要步骤如下：
C1、设置全卷积神经网络模型的初始权重和初始偏置的参数：将imagenet-vgg-verydeep-16模型中conv1_2和conv2_2的初始参数分别设置为修改的imagenet-vgg-verydeep-16模型中conv1_3和conv2_3的初始参数；将imagenet-vgg-verydeep-16模型中conv5_3的初始参数进行参数复制，将复制参数与原始参数进行第三维和第四维的叠加，将叠加后的参数设置为修改的imagenet-vgg-verydeep-16模型中conv5_3的初始参数，将修改的imagenet-vgg-verydeep-16模型中的conv5_3、conv6_1、conv6_2的参数依次分别进行同样操作的复制和叠加可获得修改的imagenet-vgg-verydeep-16模型中的conv6_1、conv6_2、conv6_3的初始参数(将修改的imagenet-vgg-verydeep-16模型中的conv5_3的参数进行同样操作的复制和叠加可获得修改的imagenet-vgg-verydeep-16模型中的conv6_1的初始参数，将修改的imagenet-vgg-verydeep-16模型中的conv6_1的参数进行同样操作的复制和叠加可获得修改的imagenet-vgg-verydeep-16模型中的conv6_2的初始参数，将修改的imagenet-vgg-verydeep-16模型中的conv6_2的参数进行同样操作的复制和叠加可获得修改的imagenet-vgg-verydeep-16模型中的conv6_3的初始参数)；将修改的imagenet-vgg-verydeep-16模型中的deconv4的初始参数置零；修改的imagenet-vgg-verydeep-16模型中其他单元的初始参数设置与imagenet-vgg-verydeep-16模型的设置相同；
C2、将训练数据集中的图像输入到用于裂纹图像检测的全卷积神经网络模型；
C3、利用Softmax回归算法将用于裂纹图像检测的全卷积神经网络模型输出的前向输出值与对应的标注结果进行比较，利用批量随机梯度下降法将两者的误差进行反向传播，根据误差实现全卷积神经网络模型权重和偏置的参数更新；
C4、重复步骤C2～C3，对训练样本集中的800幅图像进行200次训练(每次训练抽取4幅图像和4幅相应的标注结果)，直至迭代次数达到20次；
D、利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的776幅裂纹图像进行裂纹检测。
所述步骤D中，利用776幅裂纹图像进行裂纹检测的主要步骤如下：
D1、将测试数据集中的单幅图像输入到更新参数后的用于裂纹图像检测的全卷积神经网络模型中获得目标和背景两个类的检测结果；
D2、求取两类检测结果中的最大像素值获得最终的裂纹检测结果；
D3、重复步骤D1～D2，直至776幅裂纹图像检测完毕。对图2进行裂纹检测的最终结果如图4所示。
图5为对图2进行人工分割的标准结果，图6为利用FCN网络模型检测对图2进行检测的结果，图7为利用多尺度结构化森林快速边缘检测方法对图2进行检测的结果，图8为利用多尺度归一化割方法对图2进行检测的结果，图9为利用Canny边缘检测方法对图2进行检测的结果。可以看出，本发明方法最接近人工分割的标准结果，图6方法虽然能够检测出裂纹，但裂纹存在断裂现象。图7方法虽然不存在断裂现象，但图中存在较多的冗余信息。而图8方法和图9方法检测结果较差。以测试数据集中的776幅裂纹图像为测试对象，本发明方法与其他4种方法进行准确率(Recall)、精确率(Precision)、F度量(F-measure)、平均绝对误差(MAE)和平均耗时的定量对比结果列于表1中。可以看出，本发明方法在消耗少量时间和保持较低平均绝对误差值的前提下具有最高的准确率、精确率和F度量。
表1.本发明方法与其他4种方法的定量比较
Figure BDA0001441850100000121
上述，imagenet-vgg-verydeep-16模型的网络层主要包括5个卷积层CONV，1个概率层PROB和1个全连接层FC；其中，卷积层CONV由卷积单元conv、非线性单元relu和最大池化单元pool构成，全连接层FC由全连接单元fc、非线性单元relu和预防过拟合单元dropout构成；概率层PROB由一个概率单元prob构成；5个卷积层中的第一个卷积层CONV1的排列构成为conv1_1，relu1_1，conv1_2，relu1_2，pool1；第二个卷积层CONV2的排列构成为conv2_1，relu2_1，conv2_2，relu2_2，pool2；第三个卷积层CONV3的排列构成为conv3_1，relu3_1，conv3_2，relu3_2，conv3_3，relu3_3，pool3；第四个卷积层CONV4的排列构成为conv4_1，relu4_1，conv4_2，relu4_2，conv4_3，relu4_3，pool4；第五个卷积层CONV5的排列构成为conv5_1，relu5_1，conv5_2，relu5_2，conv5_3，relu5_3，pool5；全连接层FC的排列构成为fc6，relu6，dropout1，fc7，relu7，dropout2，fc8。
上面结合图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种基于深度学习的全卷积网络图像裂纹检测方法，其特征在于：首先搜集裂纹图像，将图像分为训练数据集和测试数据集，并对训练数据集中的图像进行裂纹区域标注；其次构建用于裂纹图像检测的全卷积神经网络模型；然后利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测；
所述方法的具体步骤如下：
Step1、搜集裂纹图像，利用插值算法将所有裂纹图像转变为统一尺寸的图像，将转变尺寸后的图像分为训练数据集和测试数据集，对训练数据集中的图像进行像素级别的裂纹区域标注，同时去掉多余的背景区域；
Step2、以训练好的imagenet-vgg-verydeep-16模型为基础，通过修改imagenet-vgg-verydeep-16模型的网络结构和滤波器尺寸来构建用于裂纹图像检测的全卷积神经网络模型；
Step3、利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；
Step4、利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测；
所述步骤Step2中，修改imagenet-vgg-verydeep-16模型的网络结构和滤波器尺寸步骤如下：
Step2.1、载入imagenet-vgg-verydeep-16模型；
Step2.2、将模型中CONV1的3层增加为4层，排列构成为conv1_1，relu1_1，conv1_2，relu1_2，conv1_3，relu1_3，pool1；设置卷积单元conv1_1、conv1_2、conv1_3的滤波器尺寸分别为[3,3,3,64]、[3,3,64,64]、[3,3,64,64]，步长为1；设置池化单元pool1的池化尺寸为[2,2]，步长为2；
Step2.3、将模型中CONV2的3层增加为4层，排列构成为conv2_1，relu2_1，conv2_2，relu2_2，conv2_3，relu2_3，pool2；设置卷积单元conv2_1、conv2_2、conv2_3的滤波器尺寸分别为[3,3,64,128]、[3,3,128,128]、[3,3,128,128]，步长为1；设置池化单元pool2的池化尺寸为[2,2]，步长为2；
Step2.4、设置模型中CONV3卷积单元conv3_1、conv3_2、conv3_3的滤波器尺寸分别为[3,3,128,256]、[3,3,256,256]、[3,3,256,256]，步长为1；设置池化单元pool3的池化尺寸为[2,2]，步长为2；
Step2.5、设置模型中CONV4卷积单元conv4_1、conv4_2、conv4_3的滤波器尺寸分别为[3,3,256,512]、[3,3,512,512]、[3,3,512,512]，步长为1；设置池化单元pool4的池化尺寸为[2,2]，步长为2；
Step2.6、设置模型中CONV5卷积单元conv5_1、conv5_2、conv5_3的滤波器尺寸分别为[3,3,512,1024]、[3,3,1024,1024]、[3,3,1024,1024]，步长为1；设置池化单元pool5的池化尺寸为[2,2]，步长为2；
Step2.7、在模型中添加第六个卷积层CONV6，排列构成为conv6_1，relu6_1，conv6_2，relu6_2，conv6_3，relu6_3；设置卷积单元conv6_1、conv6_2、conv6_3的滤波器尺寸分别为[3,3,1024,2048]、[3,3,2048,2048]、[3,3,2048,2048]，步长为1；
Step2.8、移除模型中全连接层FCN的dropout1和dropout2，修改FCN中的fc6，relu6，fc7，relu7，fc8编号为fc7，relu7，fc8，relu8，fc9；设置全连接单元fc7、fc8、fc9的滤波器尺寸分别为[7,7,2048,4096]、[1,1,4096,4096]、[1,1,4096,2]，步长为1；
Step2.9、移除概率层PROB，增加损失层objective和精确度层accuracy；
Step2.10、在全连接层FCN后增加反卷积层DECONV，反卷积层DECONV由四个反卷积单元deconv1~deconv4和三个跳跃单元skip1~skip3构成，排列构成为deconv1，skip1，deconv2，skip2，deconv3，skip3，deconv4；设置反卷积单元deconv1、deconv2、deconv3、deconv4的上采样尺寸分别为[4,4,2,2]、[4,4,2,2]、[4,4,2,2]、[8,8,1,2]，步长分别为2、2、2、4；设置跳跃单元skip1、skip2、skip3的跳跃尺寸为[1,1,512,2]、[1,1,256,2]、[1,1,128,2]，步长为1。
2.根据权利要求1所述的基于深度学习的全卷积网络图像裂纹检测方法，其特征在于：所述利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练的步骤如下：
Step3.1、设置全卷积神经网络模型的初始权重和初始偏置的参数：将imagenet-vgg-verydeep-16模型中conv1_2和conv2_2的初始参数分别设置为修改的imagenet-vgg-verydeep-16模型中conv1_3和conv2_3的初始参数；将imagenet-vgg-verydeep-16模型中conv5_3的初始参数进行参数复制，将复制参数与原始参数进行第三维和第四维的叠加，将叠加后的参数设置为修改的imagenet-vgg-verydeep-16模型中conv5_3的初始参数，将修改的imagenet-vgg-verydeep-16模型中的conv5_3、conv6_1、conv6_2的参数依次分别进行同样操作的复制和叠加可获得修改的imagenet-vgg-verydeep-16模型中的conv6_1、conv6_2、conv6_3的初始参数；将修改的imagenet-vgg-verydeep-16模型中的deconv4的初始参数置零；修改的imagenet-vgg-verydeep-16模型中其他单元的初始参数设置与imagenet-vgg-verydeep-16模型的设置相同；
Step3.2、将训练数据集中的图像输入到用于裂纹图像检测的全卷积神经网络模型；
Step3.3、利用Softmax回归算法将用于裂纹图像检测的全卷积神经网络模型输出的前向输出值与对应的标注结果进行比较，利用批量随机梯度下降法将两者的误差进行反向传播，根据误差实现用于裂纹图像检测的全卷积神经网络模型权重和偏置的参数更新；
Step3.4、重复步骤Step3.2~ Step3.3，对训练数据集中的多幅图像进行多次训练，直至迭代次数达到设定值。
3.根据权利要求1所述的基于深度学习的全卷积网络图像裂纹检测方法，其特征在于：所述利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测的步骤如下：
Step4.1、将测试数据集中的裂纹图像输入到更新参数后的用于裂纹图像检测的全卷积神经网络模型中获得目标和背景两个类的检测结果；
Step4.2、求取两类检测结果中的最大像素值获得最终的裂纹检测结果；
Step4.3、重复步骤Step4.1~ Step4.2，直至测试数据集中的所有裂纹图像检测完毕。
CN201710992707.9A 2017-10-23 2017-10-23 一种基于深度学习的全卷积网络图像裂纹检测方法 Active CN107909564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710992707.9A CN107909564B (zh) 2017-10-23 2017-10-23 一种基于深度学习的全卷积网络图像裂纹检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710992707.9A CN107909564B (zh) 2017-10-23 2017-10-23 一种基于深度学习的全卷积网络图像裂纹检测方法

Publications (2)

Publication Number Publication Date
CN107909564A CN107909564A (zh) 2018-04-13
CN107909564B true CN107909564B (zh) 2021-04-09

Family

ID=61841517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710992707.9A Active CN107909564B (zh) 2017-10-23 2017-10-23 一种基于深度学习的全卷积网络图像裂纹检测方法

Country Status (1)

Country Link
CN (1) CN107909564B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537792B (zh) * 2018-04-17 2021-09-17 成都思晗科技股份有限公司 一种基于卷积神经网络的电力缺陷图像识别方法
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
CN109086652A (zh) * 2018-06-04 2018-12-25 平安科技（深圳）有限公司 手写字模型训练方法、汉字识别方法、装置、设备及介质
CN109001833A (zh) * 2018-06-22 2018-12-14 天和防务技术（北京）有限公司 一种基于深度学习的太赫兹危险品检测方法
CN109146792B (zh) * 2018-09-25 2023-04-18 西安电子科技大学 基于深度学习的芯片图像超分辨率重建方法
CN109444150A (zh) * 2018-11-06 2019-03-08 西北工业大学 非接触式裂纹测量方法及其装置
CN109800708A (zh) * 2018-12-13 2019-05-24 程琳 基于深度学习的航空发动机孔探图像损伤智能识别方法
CN109754362B (zh) * 2018-12-24 2022-12-13 哈尔滨工程大学 一种用可旋转的边界框标注海参目标检测结果的方法
CN109741326A (zh) * 2019-01-14 2019-05-10 千顺智能(珠海)有限公司 基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法
CN110503641A (zh) * 2019-08-22 2019-11-26 联峰钢铁（张家港）有限公司 一种改善连铸坯表面裂纹的方法和装置
CN111028217A (zh) * 2019-12-10 2020-04-17 南京航空航天大学 一种基于全卷积神经网络的图像裂缝分割方法
CN111507990B (zh) * 2020-04-20 2022-02-11 南京航空航天大学 一种基于深度学习的隧道表面缺陷分割方法
CN111639203B (zh) * 2020-05-28 2023-07-07 神华包神铁路集团有限责任公司 隧道病害定位方法、装置、计算机设备和存储介质
CN111932511B (zh) * 2020-08-04 2022-08-12 南京工业大学 一种基于深度学习的电子元器件质量检测方法与系统
CN112016432A (zh) * 2020-08-24 2020-12-01 高新兴科技集团股份有限公司 基于深度学习的车牌字符识别方法、存储介质及电子设备
CN112950570B (zh) * 2021-02-25 2022-05-17 昆明理工大学 一种结合深度学习与密集连续中心点的裂纹检测方法
CN113538378A (zh) * 2021-07-16 2021-10-22 哈尔滨理工大学 一种基于深度学习的轴承尺寸在线检测系统
CN114894642B (zh) * 2022-07-01 2023-03-14 湖南大学 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915764A (zh) * 2010-08-10 2010-12-15 武汉武大卓越科技有限责任公司 基于动态规划的路面裂缝检测方法
JP2011242365A (ja) * 2010-05-21 2011-12-01 Nippon Telegr & Teleph Corp <Ntt> コンクリート構造物画像のひび割れ検知装置、ひび割れ検知方法及びそのプログラム
WO2013020142A2 (en) * 2011-08-04 2013-02-07 University Of Southern California Image-based crack detection
CN105719259A (zh) * 2016-02-19 2016-06-29 上海理工大学 路面裂缝图像检测方法
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
CN107133960A (zh) * 2017-04-21 2017-09-05 武汉大学 基于深度卷积神经网络的图像裂缝分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011242365A (ja) * 2010-05-21 2011-12-01 Nippon Telegr & Teleph Corp <Ntt> コンクリート構造物画像のひび割れ検知装置、ひび割れ検知方法及びそのプログラム
CN101915764A (zh) * 2010-08-10 2010-12-15 武汉武大卓越科技有限责任公司 基于动态规划的路面裂缝检测方法
WO2013020142A2 (en) * 2011-08-04 2013-02-07 University Of Southern California Image-based crack detection
CN105719259A (zh) * 2016-02-19 2016-06-29 上海理工大学 路面裂缝图像检测方法
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
CN107133960A (zh) * 2017-04-21 2017-09-05 武汉大学 基于深度卷积神经网络的图像裂缝分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Automated Pixel-Level Pavement Crack Detection on 3D Asphalt Surfaces Using a Deep-Learning Network;Allen Zhang 等;《Computer-Aided Civil and Infrastructure Engineering》;20170821;805-819 *
ROAD CRACK DETECTION USING DEEP CONVOLUTIONAL NEURAL NETWORK;Lei Zhang 等;《2016 IEEE International Conference on Image Processing (ICIP)》;20160819;3708-3712 *
Young-Jin Cha 等.Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks.《 Computer-Aided Civil and Infrastructure Engineering》.2017, *
一种新的路面裂缝自动检测算法;高尚兵 等;《系统仿真学报》;20170930;第29卷(第9期);2009-2015 *
基于人工智能与智能手机的混凝土裂纹检测;赵雪峰 DENG;《物联网技术》;20170831(第8期);15-18 *

Also Published As

Publication number Publication date
CN107909564A (zh) 2018-04-13

Similar Documents

Publication Publication Date Title
CN107909564B (zh) 一种基于深度学习的全卷积网络图像裂纹检测方法
Mery Aluminum casting inspection using deep learning: a method based on convolutional neural networks
CN113486981B (zh) 基于多尺度特征注意力融合网络的rgb图像分类方法
CN111257341B (zh) 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法
CN115362471A (zh) 一种金属表面缺陷检测方法及装置
CN103278511B (zh) 基于多尺度角点特征提取的晶片缺陷检测方法
Mansourdehghan et al. Data-driven damage assessment of reinforced concrete shear walls using visual features of damage
Zheng et al. A two-stage CNN for automated tire defect inspection in radiographic image
CN113643268A (zh) 基于深度学习的工业制品缺陷质检方法、装置及存储介质
CN111833310A (zh) 一种基于神经网络架构搜索的表面缺陷分类方法
Qiao et al. A crack identification method for concrete structures using improved U-Net convolutional neural networks
Gao et al. A hierarchical training-convolutional neural network with feature alignment for steel surface defect recognition
Wang et al. A neural network ensemble method for effective crack segmentation using fully convolutional networks and multi-scale structured forests
CN117434082A (zh) 用于硅胶制品生产线的质量检测方法及其系统
Meng et al. Visual inspection of aircraft skin: Automated pixel-level defect detection by instance segmentation
CN115713480A (zh) 一种集成电路金属封装深度学习缺陷检测方法
Liu et al. Deep learning model for imbalanced multi-label surface defect classification
Ni et al. Toward high-precision crack detection in concrete bridges using deep learning
Xue et al. A high efficiency deep learning method for the x-ray image defect detection of casting parts
VAN THAN et al. Performance of different CNN-based models on classification of steel sheet surface defects
Chen et al. Intelligent detection and classification of surface defects on cold-rolled galvanized steel strips using a data-driven faulty model with attention mechanism
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN116721291A (zh) 基于改进YOLOv7模型的金属表面缺陷检测方法
Alfaz et al. A deep convolutional neural network based approach to classify and detect crack in concrete surface using xception
Zhang et al. Automated two-stage approach for detection and quantification of surface defects in concrete bridge decks

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