CN108765381B - 一种水利工程裂纹提取方法及系统、信息处理终端 - Google Patents
一种水利工程裂纹提取方法及系统、信息处理终端 Download PDFInfo
- Publication number
- CN108765381B CN108765381B CN201810458676.3A CN201810458676A CN108765381B CN 108765381 B CN108765381 B CN 108765381B CN 201810458676 A CN201810458676 A CN 201810458676A CN 108765381 B CN108765381 B CN 108765381B
- Authority
- CN
- China
- Prior art keywords
- crack
- picture
- hydraulic engineering
- cracked
- picture set
- 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.)
- Expired - Fee Related
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 230000010365 information processing Effects 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30132—Masonry; Concrete
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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于水利工程技术领域,公开了一种水利工程裂纹提取方法及系统、信息处理终端,采集原始水利工程图片,对图片进行人工去噪、图像增强等预处理,并分为有裂纹的图片集和正常的图片集两个集合;设计了基于关联性分析的裂纹标记方法对有裂纹的图片集的裂纹进行准确标记;构建多层的卷积神经网络,对有裂纹的图片集和正常的图片集分别学习,选出区分度强的卷积核,并根据区分能力为卷积核设置不同的权重,形成裂纹识别模型;利用训练好的裂纹识别模型对得到的图片进行裂纹提取,并生成裂纹的具体参数。本发明采用了为卷积核设置不同权重的方法,能够有效提高区分度的卷积核的作用,从而提高了裂纹识别的精度。
Description
技术领域
本发明属于水利工程技术领域,尤其涉及一种水利工程裂纹提取方法及系统、信息处理终端。
背景技术
目前,业内常用的现有技术是这样的:水利工程是用于控制和调配自然界的地表水和地下水,实现控制水流,防止洪涝灾害、除害兴利的重要工程措施,保证水利工程的安全运行对于国家和社会的发展具有重要意义。水利工程多为水泥混凝土结构或水泥石块混合结构,其中裂缝是对水利工程危害最大的一种损害现象,直接威胁到水利工程的安全。目前,主要的检测手段是人工巡查,检查人员到工程现场实地,通过肉眼观察、辨别,发现裂缝。因此,由于人的精力有限,长期工作后过于疲劳,而且,工程现场的条件一般比较恶劣,甚至非常危险,加大了人工的劳动强度,降低了检查效果,往往导致较多的早期裂缝不能被及时识别出来,以至于裂缝得不到应有的及时的处理,隐患得不到及时的消除,影响了工程的安全运行。
综上所述,现有技术存在的问题是:
由于目前主要采用的检测手段是人工到实地利用肉眼发现错误,存在的主要问题是:(1)由于野外工作环境比较恶劣,甚至非常危险,使得人工的劳动强度很大,降低了检查的效果;(2)人工检查的手段的效果受工作人员的经验,责任心等主观因素的影响,检查效果难以保证;(3)由于许多环境较为危险,在实际工程运行中,人工巡查的频率往往得不到保证,使得早期裂缝不能被及时发现;(4)人工检查的方式效果低下,使得巡查周期过长,降低的裂缝被及时发现的机率,加大的工程的安全隐患。
解决上述技术问题的难度和意义:
解决上述技术问题的难度:裂缝在形成的初期,主要表现为一些非常细小的裂纹,此时,裂缝主要发生在工程的表面。由于非常细小,目前使用的常规检测方法极难发现。以及裂纹往往发生在一些环境恶劣的地方,导致目前水利工程运行中,及时发现裂纹的困难很大;因此,发展一种新的图像处理方法,及时发现细小的裂纹,并采取必须的措施,防止损害的进一步发展,对于保障水利工程的安全运行,维护国家和社会的发展,保障人民生命财产安全,具有重要的意义。
解决上述技术问题带来的意义:
充分计算机图像处理技术,结合水利工程特点,提出一种适用于水利工程的裂纹识别模型,对于及时发现工程中出现的细小的裂纹,并采取必须的措施,防止损害的进一步发展,保障水利工程的安全运行,维护国家和社会的发展,保障人民生命财产安全,具有重要的意义。
发明内容
针对现有技术存在的问题,本发明提供了一种水利工程裂纹提取方法及系统、信息处理终端。
本发明是这样实现的,一种水利工程裂纹提取方法,所述水利工程裂纹提取方法包括以下步骤:
步骤一,采集原始水利工程图片,对图片进行人工去噪、图像增强等预处理,并分为有裂纹的图片集和正常的图片集两个集合;
步骤二,利用关联性分析裂纹标记方法对有裂纹的图片集的裂纹进行准确标记;
步骤三,构建多层的卷积神经网络,对有裂纹的图片集和正常的图片集分别学习,选出具有区分能力的卷积核,并根据区分度为卷积核设置权重,形成裂纹识别模型。
步骤四,利用训练好的裂纹识别模型对得到的图片进行裂纹提取,并生成裂纹的具体参数。
进一步,所述步骤一的预处理:包括将输入图像进行去除斑点、色彩对比度变换、亮度增强、旋转操作。将预处理后的图片分为有裂纹的图片集和正常的图片集两个集合。
进一步,所述步骤二采用基于关联性分析裂纹半自动标记方法,具体包括以下步骤:
(1)在图片上标记出裂纹边缘的第一个清晰点;
(2)计算第一个点与周围各点的像素值的差值,选择最小的点作为第二个点;以此类推;所有的点标记完成后,将点依次连接,形成裂纹边缘的矢量;
(3)以矢量为基础,提取裂纹所在的像素信息;将所有裂纹的信息,组织成样本库。
进一步,所述步骤三,关于裂纹识别模型的建立,具体包括以下步骤:
(1)构建卷积神经网络,网络包括5层,前3层用于对原始输入样本进行卷积以提取特征;第4层为反卷积层,用于确定特征值对应像素的准确位置,第5层为映射层,用于对像素的归类进行判断。
(2)对有裂纹的图片集和正常的图片集分别学习,并记录学习得到的卷积核。
(3)计算卷积核的区分度,并利用区分度作为卷积核的权重;形成裂纹识别模型。
进一步,所述步骤四,水利工程裂纹提取方法,具体包括以下步骤:
(1)对采集的水利工程照片作为训练好的裂纹识别模型的输入;
(2)利用模型对图片进行逐像素分割,确定每个像素的类别;
(3)将得到的分类值转化为不同的颜色,并转化成矢量,获取精确的形状和位置。
本发明的另一目的在于提供一种实现所述水利工程裂纹提取方法的计算机程序。
本发明的另一目的在于提供一种实现所述利工程裂纹提取方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的利工程裂纹提取方法。
本发明的另一目的在于提供一种水利工程裂纹提取系统包括:
预处理模块,采集原始水利工程图片,对图片进行人工去噪、图像增强预处理,并分为有裂纹的图片集和正常的图片集两个集合;
标记模块,关联性分析裂纹标记方法对有裂纹的图片集的裂纹进行准确标记;
裂纹识别模型形成模块,构建多层的卷积神经网络,对有裂纹的图片集和正常的图片集分别学习,选出具有区分能力的卷积核,并根据区分度为卷积核设置权重,形成裂纹识别模型。
裂纹提取模块,利用训练好的裂纹识别模型对得到的图片进行裂纹提取,并生成裂纹的具体参数。
本发明的另一目的在于提供一种搭载有所述利工程裂纹提取系统的信息数据处理终端;
本发明的采用基于关联性分析裂纹半自动标记方法直接以像素作为判别单位,在后续的点的判断中,增加了前面的已提前的点的像素值的分布情况,不仅能够提高提高的速度,也有利于辅助人工进行,判断能够提高标记的精度,为模型提供了可靠的样本数据。本发明构建的卷积网络模型中,在卷积部分去掉了池化层,从而能够只使用一个反卷积层就能准确还原出特征值的位置,定位准确率达到100%。利用模型对有裂纹的样本集和没有裂纹的样本集分别进行学习,然后将得到的卷积核逐个应用在另一个样本集上,以此计算卷积核对两类样本的区分能力,然后对区分能力进行归一化处理,作为卷积核的权重。通过对对有裂纹的样本集和没有裂纹的样本集分别进行学习,可以找出可以在每一层网络中找出裂纹与正常表面特征的不同,能够减少判断时连次的次数,提高连接的速度,结合第一步中所描述的减少了反卷积层,完全抵消了去掉池化层对计算的影响,因此模型的计算速度要超过传统网络。
在实验阶段,本发明利用一个3000张有裂纹的图片和3000张正常的图片建立了实验数据集,利用tensorflow框架为基础,对本发明进行了实现,并进行验证实验和对比实验。实验表明,本模型发现裂纹的准确率为98%,远远超过deeplab等模型,体现在本发明在水利工程检测中的优势。
本发明能够利用图片检测出水利工程表面裂纹的位置、形状,有利于提高水利工程的安全运行。
附图说明
图1是本发明实施例提供的水利工程裂纹提取方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的水利工程裂纹提取方法包括以下步骤:
S101:样本图像采集与预处理;
S102:裂纹标记;
S103:裂纹识别模型构建;
S104:裂纹提取。
具体包括:
步骤一,样本图像采集与预处理。样本图像的采集包括两种方式,第一种方式是结合水利工程检查工作,到现场收集、拍摄图片,第二种方法是从历史检查资料中寻找有裂纹的图片和正常的图片。收集完成后,对图片进行入工分类,分为有裂纹的图片集合和正常的没有裂纹的图片集合。预处理工作包括但不限于将输入图像进行去除斑点、色彩对比度变换、亮度增强、旋转等操作,进行批处理操作,并且将图片像素值进行归一化处理,便于后续计算与网络收敛。
步骤二,裂纹标记,裂纹标记工作只针对有裂纹的图片集进行,对每一条裂纹沿外部边缘精细地勾画出来,然后利用本发明完成的子程序,生成一幅与该图片对应的标记文件。
本发明采用基于关联性分析裂纹半自动标记方法包括以下步骤:
第一步:由人工在图片上标记出裂纹的第一个点;
第二步:算法分析该点周围8个点的像素值与第一个点的像素值的差值,并按差别大小依次排序,自动选取差别最小的点作为第二个点,同时,交由人工选择,人工可以选择多个点,适应裂纹可能有多个方向的情况;
第三步,在第二步得到的点中(可能是一个点,也可能是多个点),每一个周围的7个点中,计算像素值与该点像素值的差值。并按同样的方式交由人工判断;同时,计算像素值差值的变化情况,以便在下一步选择点时增加为辅助条件,以便加快选择的速度;重复直到所有的点标记完成;
第四步,所有的点标记完成后,相邻的点形成一个矢量图。
本发明的采用基于关联性分析裂纹半自动标记方法直接以像素作为判别单位,在后续的点的判断中,增加了前面的已提前的点的像素值的分布情况,不仅能够提高提高的速度,也有利于辅助人工进行,判断能够提高标记的精度,为模型提供了可靠的样本数据。
所有样本标记完成后,考虑到采集的有裂纹的图片采集较为困难,数量极有可能偏少,不能保证后续模型学习的需要,设计了一个样本生成器,样本生成器生成的样本,由人工检验后增加到样本集,以扩大样本集数量;样本生成器主要完成:
(1)按比例缩小,当按比例缩小时,需要合并点,合并的原则是:去除偏离主方向的点,置为背景色。
(2)接比例放大,当按比例放大时,会出现空白,需要对空白进行填补,填补的原则是:在空白周围找到距离最近的两个裂纹点,将两个裂纹点进行连接,连接线上的点作为新增加的裂纹点。
(3)旋转,以1度为单位进行旋转,每旋转一次,得到一个新样本;
(4)扩张,在裂纹的每一点的周围,以不同的像素为单位,进行扩张。
每一个样本生成后,由人工进行判断。利用本发明提出的样本生成器,有效地解决了裂纹样本采集困难的问题,提高了本发明的应用性。
步骤三,裂纹识别模型构建。
(1)构建卷积神经网络,网络包括5层,前3层用于对原始输入样本进行卷积以提取特征;第4层为反卷积层,用于确定特征值对应像素的准确位置,第5层为映射层,用于对像素的归类进行判断。
本发明构建的卷积神经网络模型中,在卷积部分没有采用普通卷积神经网络都使用的池化层,从而能够根据网络层次,就能够准确计算出该层次的每一次特征值所对应的原始位置,从而仅使用一个反卷积层就能准确还原出特征值的位置,定位准确率达到100%。在一定程度上抵消了去掉池化层带来的影响。
(2)对有裂纹的图片集和正常的图片集分别学习,并记录学习得到的卷积核。利用模型对有裂纹的样本集和没有裂纹的样本集分别进行学习。通过对有裂纹的样本集和没有裂纹的样本集分别进行学习,可以找出可以在每一层网络中找出裂纹与正常表面特征的不同,能够减少判断时连次的次数,提高连接的速度,结合第一步中所描述的减少了反卷积层,完全抵消了去掉池化层对计算的影响,因此模型的计算速度要超过传统网络。
(3)两种样本各自训练完成后,分别将得到的卷积核逐个应用在另一个样本集上,以此计算卷积核对两类样本的区分能力,然后对区分能力进行归一化处理,作为卷积核的权重;最终形成裂纹识别模型。
步骤四,水利工程裂纹提取方法,具体包括以下步骤:
(1)在对水利工程的常规检查中,通过自动化方式或人工的方法采集水利工程的图片。
(2)将采集的水利工程照片作为训练好的裂纹识别模型的输入;
(3)利用模型对图片进行逐像素分割,确定每个像素的类别;
(4)本发明开发了利用GDAL提供的GIS功能开发了分割结果处理的子模块,通过该子模型将得到的分类值转化为不同的颜色,转化成矢量,并利用GDAL提供的GIS功能,获取精确的形状和位置,最终形成分析报告,供管理者使用。
本发明实施例提供一种水利工程裂纹提取系统包括:
预处理模块,采集原始水利工程图片,对图片进行人工去噪、图像增强预处理,并分为有裂纹的图片集和正常的图片集两个集合;
标记模块,关联性分析裂纹标记方法对有裂纹的图片集的裂纹进行准确标记;
裂纹识别模型形成模块,构建多层的卷积神经网络,对有裂纹的图片集和正常的图片集分别学习,选出具有区分能力的卷积核,并根据区分度为卷积核设置权重,形成裂纹识别模型。裂纹提取模块,利用训练好的裂纹识别模型对得到的图片进行裂纹提取,并生成裂纹的具体参数。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种水利工程裂纹提取方法,其特征在于,所述水利工程裂纹提取方法包括以下步骤:
步骤一,采集原始水利工程图片,对图片进行人工去噪、图像增强预处理,并分为有裂纹的图片集和正常的图片集两个集合;
步骤二,利用关联性分析裂纹标记方法对有裂纹的图片集的裂纹进行准确标记;
步骤三,构建多层的卷积神经网络,对有裂纹的图片集和正常的图片集分别学习,选出具有区分能力的卷积核,并根据区分度为卷积核设置权重,形成裂纹识别模型;
步骤四,利用训练好的裂纹识别模型对得到的图片进行裂纹提取,并生成裂纹的具体参数;
所述步骤二采用基于关联性分析裂纹半自动标记方法,具体包括以下步骤:
(1)在图片上标记出裂纹边缘的第一个清晰点;
(2)计算第一个点与周围各点的像素值的差值,选择差值最小的点作为第二个点;以此类推;所有的点标记完成后,将点依次连接,形成裂纹边缘的矢量;
(3)以矢量为基础,提取裂纹所在的像素信息;将所有裂纹的信息,组织成样本库。
2.如权利要求1所述的水利工程裂纹提取方法,其特征在于,所述步骤三具体包括:
(1)构建卷积神经网络,网络包括5层,前3层用于对原始输入样本进行卷积以提取特征;第4层为反卷积层,用于确定特征值对应像素的准确位置,第5层为映射层,用于对像素的归类进行判断;
(2)对有裂纹的图片集和正常的图片集分别学习,并记录学习得到的卷积核;
(3)计算卷积核的区分度,并利用区分度作为卷积核的权重;形成裂纹识别模型。
3.如权利要求1所述的水利工程裂纹提取方法,其特征在于,所述步骤四具体包括:
(1)对采集的水利工程照片作为训练好的裂纹识别模型的输入;
(2)利用模型对图片进行逐像素分割,确定每个像素的类别;
(3)将得到的分类值转化为不同的颜色,并转化成矢量,获取裂纹精确的形状和位置。
4.一种实现权利要求1~3任意一项所述水利工程裂纹提取方法的信息数据处理终端。
5.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-3任意一项所述的水利工程裂纹提取方法。
6.一种实现如权利要求1所述的水利工程裂纹提取方法的水利工程裂纹提取系统,其特征在于,所述水利工程裂纹提取系统包括:
预处理模块,采集原始水利工程图片,对图片进行人工去噪、图像增强预处理,并分为有裂纹的图片集和正常的图片集两个集合;
标记模块,利用关联性分析裂纹标记方法对有裂纹的图片集的裂纹进行准确标记;
裂纹识别模型形成模块,构建多层的卷积神经网络,对有裂纹的图片集和正常的图片集分别学习,选出具有区分能力的卷积核,并根据区分度为卷积核设置权重,形成裂纹识别模型;
裂纹提取模块,利用训练好的裂纹识别模型对得到的图片进行裂纹提取,并生成裂纹的具体参数。
7.一种搭载有权利要求6所述水利工程裂纹提取系统的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458676.3A CN108765381B (zh) | 2018-05-15 | 2018-05-15 | 一种水利工程裂纹提取方法及系统、信息处理终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458676.3A CN108765381B (zh) | 2018-05-15 | 2018-05-15 | 一种水利工程裂纹提取方法及系统、信息处理终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765381A CN108765381A (zh) | 2018-11-06 |
CN108765381B true CN108765381B (zh) | 2022-04-15 |
Family
ID=64007018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810458676.3A Expired - Fee Related CN108765381B (zh) | 2018-05-15 | 2018-05-15 | 一种水利工程裂纹提取方法及系统、信息处理终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765381B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703920B (zh) * | 2023-08-07 | 2023-10-20 | 济宁市华祥石墨制品有限公司 | 基于图像处理的石墨保温桶裂纹检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN107480611A (zh) * | 2017-07-31 | 2017-12-15 | 浙江大学 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
CN107909564A (zh) * | 2017-10-23 | 2018-04-13 | 昆明理工大学 | 一种基于深度学习的全卷积网络图像裂纹检测方法 |
CN108009581A (zh) * | 2017-11-30 | 2018-05-08 | 中国地质大学(武汉) | 一种基于cnn的裂纹识别方法、设备及存储设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9235902B2 (en) * | 2011-08-04 | 2016-01-12 | University Of Southern California | Image-based crack quantification |
-
2018
- 2018-05-15 CN CN201810458676.3A patent/CN108765381B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN107480611A (zh) * | 2017-07-31 | 2017-12-15 | 浙江大学 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
CN107909564A (zh) * | 2017-10-23 | 2018-04-13 | 昆明理工大学 | 一种基于深度学习的全卷积网络图像裂纹检测方法 |
CN108009581A (zh) * | 2017-11-30 | 2018-05-08 | 中国地质大学(武汉) | 一种基于cnn的裂纹识别方法、设备及存储设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108765381A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027547B (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
US20220172348A1 (en) | Information processing device, information processing method, and storage medium | |
Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
EP3633605A1 (en) | Information processing device, information processing method, and program | |
CN110298802B (zh) | 路面裂缝检测方法及装置 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
JP6029870B2 (ja) | コンクリート表面の変状検出方法及び装置 | |
CN115564771B (zh) | 一种基于建筑物基柱的混凝土裂纹识别方法 | |
CN105046697B (zh) | 一种基于多次随机圆检测及拟合度评估的啤酒瓶口定位方法 | |
US20180017375A1 (en) | Shanghai university of engineering science | |
CN106408555A (zh) | 一种基于图像视觉的轴承表面瑕疵检测方法 | |
CN108053412B (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN114998337B (zh) | 一种划痕检测方法、装置、设备及存储介质 | |
CN109724988B (zh) | 一种基于多模板匹配的pcb板缺陷定位方法 | |
CN115908988B (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN115294066A (zh) | 一种砂石粒径检测方法 | |
CN112085699A (zh) | 一种基于二维图像的路面裂缝提取方法 | |
CN116503391A (zh) | 一种隧道掌子面岩体节理裂隙识别方法及识别装置 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN108765381B (zh) | 一种水利工程裂纹提取方法及系统、信息处理终端 | |
JP2019087050A (ja) | 構造物維持管理業務支援システム | |
CN104504702A (zh) | 基于方格搜索法的水泥刻槽路面裂缝识别方法 | |
CN115731390A (zh) | 一种灰岩隧道岩体结构面识别方法及设备 | |
CN112116561B (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220415 |
|
CF01 | Termination of patent right due to non-payment of annual fee |