CN108765386A - 一种隧道裂缝检测方法、装置、电子设备及存储介质 - Google Patents
一种隧道裂缝检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN108765386A CN108765386A CN201810470197.3A CN201810470197A CN108765386A CN 108765386 A CN108765386 A CN 108765386A CN 201810470197 A CN201810470197 A CN 201810470197A CN 108765386 A CN108765386 A CN 108765386A
- Authority
- CN
- China
- Prior art keywords
- detected
- crack
- picture
- pictures
- sub
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30—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)
Abstract
本发明实施例提供了一种隧道裂缝检测方法、装置、电子设备及存储介质,其中,方法包括:获取待检测图片,将待检测图片分割成各待检测子图片;将各待检测子图片输入到预先构建的分类网络模型中,得到各待检测子图片包含裂缝的置信度;将置信度高于阈值的目标待检测子图片输入到预先构建的分割网络模型,得到各目标待检测子图片中裂缝位置分割标记;按照裂缝位置相邻的规则,对各目标待检测子图片进行拼接,得到待检测图片所包含的裂缝信息,裂缝信息包括:裂缝位置、裂缝长度以及裂缝宽度。本发明提高了待检测图片裂缝检测的可靠性与准确度。
Description
技术领域
本发明涉及图片处理技术领域,特别是一种隧道裂缝检测方法、装置、电子设备及存储介质。
背景技术
目前,基于图片处理的裂缝检测已经取得了很好的研究成果。具体的,可以通过图片采集系统采集结构表面的图片,然后设计图片处理算法识别出图片中的裂缝并进行相关参数的计算。
利用图片处理方法检测裂缝主要为全局裂缝检测算法和局部裂缝检测算法两种。全局裂缝检测算法主要是边缘检测和种子生长,局部裂缝检测算法主要是网格搜索和区域分割。局部裂缝检测算法主要分两步:首先对待检测图片进行分割,将该待检测图片分割成各待检测子图片。然后通过图片处理方法检测各待检测子图片的裂缝信息,进而将各待检测子图片进行拼接,得到完整待检测图片所包含的裂缝信息。
然而,发明人在使用现有的图片处理方法进行隧道裂缝检测时发现,由于待检测图片存在结构缝、水渍、光照不均匀等干扰因素,使得采用现有的图片处理方法并不能完全识别出这些干扰因素下各待检测子图片存在的裂缝信息,进而造成裂缝的错检和漏检,使得检测待检测图片的裂缝位置的可靠性与准确度不高。
发明内容
本发明实施例的目的在于提供一种隧道裂缝检测方法、装置、电子设备及存储介质,以实现提高待检测图片裂缝检测的可靠性与准确度。
为达到上述发明目的,本发明实施例公开了一种隧道裂缝检测方法,包括:
获取待检测图片,将所述待检测图片分割成各待检测子图片;
将所述各待检测子图片输入到预先构建的分类网络模型中,得到所述各待检测子图片包含裂缝的置信度;所述分类网络模型为基于标注有裂缝的图片和非裂缝的图片训练得到的神经网络模型;
将置信度高于阈值的目标待检测子图片输入到预先构建的分割网络模型,得到各所述目标待检测子图片中裂缝位置分割标记;所述分割网络模型为基于对裂缝位置进行分割标记的图片训练得到的神经网络模型;
按照裂缝位置相邻的规则,对各所述目标待检测子图片进行拼接,得到所述待检测图片所包含的裂缝信息,所述裂缝信息包括:裂缝位置、裂缝长度以及裂缝宽度。
可选地,所述将所述待检测图片分割成各待检测子图片,包括:
将所述待检测图片预处理;
使用简单线性迭代聚类SLIC超像素分割技术,将所述待检测图片分割成各待检测子图片。
可选地,所述获取待检测图片,将所述待检测图片分割成各待检测子图片之后,所述方法还包括:
提取所述各待检测子图片的描述子特征;
针对每个所述待检测子图片,根据该待检测子图片的描述子特征,将该待检测子图片对应聚类到预先构建的裂缝图片集合或非裂缝图片集合中;其中,所述裂缝图片集合为预先按照裂缝图片对应的描述子特征构建的集合;所述非裂缝图片集合为预先按照非裂缝图片对应的描述子特征构建的集合;
所述将所述各待检测子图片输入到预先构建的分类网络模型中,得到所述各待检测子图片包含裂缝的置信度,包括:
将所述裂缝图片集合中包含的各裂缝待检测子图片,输入到预先构建的分类网络模型中,得到所述各裂缝待检测子图片包含裂缝的置信度。
可选地,构建所述分类网络模型,包括:
将标注有裂缝信息的各图片和非裂缝信息的各图片,输入到深度学习网络;
基于所述深度学习网络,训练得到分类结果至少与各图片标注的裂缝信息一致时所对应的神经网络模型;
将所述神经网络模型确定为所述分类网络模型。
可选地,构建所述分割网络模型的过程,包括:
将对裂缝位置进行分割标记的各图片,输入到深度学习网络;
基于所述深度学习网络,训练得到分割结果与各图片的裂缝位置分割标记一致时所对应的神经网络模型;
将所述神经网络模型确定为所述分割网络模型。
为达到上述发明目的,本发明实施例还公开了一种隧道裂缝检测装置,包括:
分割模块,用于获取待检测图片,将所述待检测图片分割成各待检测子图片;
置信度确定模块,用于将所述各待检测子图片输入到预先构建的分类网络模型中,得到所述各待检测子图片包含裂缝的置信度;所述分类网络模型为基于标注有裂缝的图片和非裂缝的图片训练得到的神经网络模型;
分割标记模块,用于将置信度高于阈值的目标待检测子图片输入到预先构建的分割网络模型,得到各所述目标待检测子图片中裂缝位置分割标记;所述分割网络模型为基于对裂缝位置进行分割标记的图片训练得到的神经网络模型;
裂缝信息确定模块,用于按照裂缝位置相邻的规则,对各所述目标待检测子图片进行拼接,得到所述待检测图片所包含的裂缝信息,所述裂缝信息包括:裂缝位置、裂缝长度以及裂缝宽度。
可选地,所述分割模块,包括:
预处理子模块,用于将所述待检测图片预处理;
分割子模块,用于使用简单线性迭代聚类SLIC超像素分割技术,将所述待检测图片分割成各待检测子图片。
可选地,所述装置还包括:
特征提取模块,用于提取所述各待检测子图片的描述子特征;
图片聚类模块,用于针对每个所述待检测子图片,根据该待检测子图片的描述子特征,将该待检测子图片对应聚类到预先构建的裂缝图片集合或非裂缝图片集合中;其中,所述裂缝图片集合为预先按照裂缝图片对应的描述子特征构建的集合;所述非裂缝图片集合为预先按照非裂缝图片对应的描述子特征构建的集合;
所述置信度确定模块,具体用于将所述裂缝图片集合中包含的各裂缝待检测子图片,输入到预先构建的分类网络模型中,得到所述各裂缝待检测子图片包含裂缝的置信度。
可选地,所述置信度确定模块,包括:
第一输入子模块,用于将标注有裂缝信息的各图片和非裂缝信息的各图片,输入到深度学习网络;
第一模型确定子模块,用于基于所述深度学习网络,训练得到分类结果至少与各图片标注的裂缝信息一致时所对应的神经网络模型;
分类网络模型确定子模块,用于将所述神经网络模型确定为所述分类网络模型。
可选地,所述分割标记模块,包括:
第二输入子模块,用于将对裂缝位置进行分割标记的各图片,输入到深度学习网络;
第二模型确定子模块,用于基于所述深度学习网络,训练得到分割结果与各图片的裂缝位置分割标记一致时所对应的神经网络模型;
分割网络模型确定子模块,用于将所述神经网络模型确定为所述分割网络模型。
为达到上述发明目的,本发明实施例还公开了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上存放的程序时,实现上述隧道裂缝检测方法中任一所述的方法步骤。
为达到上述发明目的,本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被所述处理器执行时,实现上述隧道裂缝检测方法中任一所述的方法步骤。
本发明实施例提供的一种隧道裂缝检测方法、装置、电子设备及存储介质,以实现提高裂缝检测的可靠性与准确度。具体地,本发明实施例对待检测图片进行分割得到各待检测子图片。进而,先使用深度学习构建的分类网络模型,得到各待检测子图片包含裂缝的置信度,实现了初步确定各待检测子图片包含裂缝的可能性。进一步的,将置信度高于阈值的待检测子图片利用深度学习构建的分割网络模型,得到各待检测子图片中裂缝位置分割标记,使得得到包含裂缝置信度高的各待检测子图片中各裂缝的位置,实现了进一步确定裂缝图片的裂缝信息。最终,按照裂缝位置相邻的规则,对各待检测子图片进行拼接,得到完整待检测图片所包含的裂缝信息。可见,相比于现有技术中采用现有的图片处理方法并不能完全识别出这些干扰因素下各待检测子图片存在的裂缝信息,进而造成裂缝的错检和漏检,使得检测待检测图片的裂缝位置的可靠性与准确度不高的技术问题,本发明实施例利用深度学习构建的分类网络模型、分割网络模型多级神经网络模型的级联方式,对各待检测子图片进行分析处理,提高了检测各待检测子图片中裂缝位置信息的准确度,进而使得得到的完整待检测图片所包含的裂缝信息更加精准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例的一种隧道裂缝检测方法流程图;
图2为本发明实施例的一种隧道裂缝检测方法中分类网络模型的构建过程与使用过程的方法流程图;
图3为本发明实施例的一种隧道裂缝检测方法中分割网络模型的构建过程与使用过程的方法流程图;
图4为本发明实施例的一种隧道裂缝检测方法流程图;
图5为本发明实施例的一种隧道裂缝检测装置结构示意图;
图6为本发明实施例的一种电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
为达到上述发明目的,本发明实施例公开了一种隧道裂缝检测方法,如图1所示。图1为本发明实施例的一种隧道裂缝检测方法流程图,包括:
S101,获取待检测图片,将待检测图片分割成各待检测子图片。
利用图片处理方法检测裂缝主要为全局和局部两种,全局算法主要是边缘检测和种子生长,局部算法主要是网格搜索和区域分割。其他算法还包括频域变换和小波变换以及神经网络等。针对隧道图片较大的情况下主要采用局部算法。
本步骤为对获取的待检测图片进行分割,将该待检测图片分割成多个待检测子图片。分割图片一般分为两种,一种是按照规定的尺寸分割;一种是按照图片的特定区域分割(比如只想将图片的人物部分分割出来)。在本实施例中,可按照实施者需要,采用上述两种分割方式中的其中一种,对待检测图片进行分割,进而得到多个待检测子图片。
S102,将各待检测子图片输入到预先构建的分类网络模型中,得到各待检测子图片包含裂缝的置信度;分类网络模型为基于标注有裂缝的图片和非裂缝的图片训练得到的神经网络模型。
上述在对待检测图片进行分割得到多个待检测子图片后,将各待检测子图片输入到预先构建的分类网络模型中。
本发明实施例的分类网络模型为将输入的图片进行分类的神经网络模型。该模型是预先基于大量标注有裂缝的图片以及没有裂缝的图片训练得到的。具体训练方式以及得到该分类网络模型的过程在以下实施例中详细描述。
本步骤为将上述分割得到的所有待检测子图片输入到该分类网络模型,通过该分类网络模型对每个待检测子图片进行特征提取,进而判断每个图片是否是裂缝图片,进而输出判断每个待检测子图片是裂缝图片的置信度结果。可以理解都是,判断待检测子图片是裂缝图片的概率越大相应输出的置信度值越大。
S103,将置信度高于阈值的目标待检测子图片输入到预先构建的分割网络模型,得到各目标待检测子图片中裂缝位置分割标记;分割网络模型为基于对裂缝位置进行分割标记的图片训练得到的神经网络模型。
上述得到每个待检测子图片的置信度后,本步骤可以检测每个待检测子图片的裂缝位置。
本发明实施例的分割网络模型为对输入的图片中裂缝位置分割标记的神经网络模型。该模型是预先基于大量对裂缝位置进行分割标记的图片训练得到的。具体训练方式以及得到该分割网络模型的过程在以下实施例中详细描述。
上述步骤在得到每个待检测子图片包含裂缝的置信度后,在本发明实施例中可对置信度设置阈值,首先,筛选置信度高于阈值对应的各待检测子图片,将得到的各待检测子图片定义为本发明实施例的目标待检测子图片。进而将各目标待检测子图片输入到该分割网络模型中,通过该分割网络模型检测每个目标待检测子图片的裂缝位置,将检测到的裂缝位置分割标记。使得通过该分割网络模型得到每个目标待检测子图片的裂缝位置。
具体地,该分割标记可为颜色标记,例如,在检测每个目标待检测子图片中的裂缝位置时,将检测到的裂缝位置用红色线条从背景图中分割标记出来。
可以理解的是,在对各目标待检测子图片中裂缝位置分割标记时,如果当前目标待检测子图片中不存在裂缝位置,则通过该分割网络模型输出的目标待检测子图片中没有分割标记。
S104,按照裂缝位置相邻的规则,对各目标待检测子图片进行拼接,得到待检测图片所包含的裂缝信息,裂缝信息包括:裂缝位置、裂缝长度以及裂缝宽度。
上述在得到每个目标待检测子图片中裂缝位置分割标记后,将上述存在裂缝的各目标待检测子图片,按照裂缝位置相邻的规则进行拼接,进而得到待检测图片所包含的裂缝信息。
本发明实施例提供的一种隧道裂缝检测方法,以实现提高裂缝检测的可靠性与准确度。具体地,本发明实施例对待检测图片进行分割得到各待检测子图片。进而,先使用深度学习构建的分类网络模型,得到各待检测子图片包含裂缝的置信度,实现了初步确定各待检测子图片包含裂缝的可能性。进一步的,将置信度高于阈值的待检测子图片利用深度学习构建的分割网络模型,得到各待检测子图片中裂缝位置分割标记,使得得到包含裂缝置信度高的各待检测子图片中各裂缝的位置,实现了进一步确定裂缝图片的裂缝信息。最终,按照裂缝位置相邻的规则,对各待检测子图片进行拼接,得到完整待检测图片所包含的裂缝信息。可见,相比于现有技术中采用现有的图片处理方法并不能完全识别出这些干扰因素下各待检测子图片存在的裂缝信息,进而造成裂缝的错检和漏检,使得检测待检测图片的裂缝位置的可靠性与准确度不高的技术问题,本发明实施例利用深度学习构建的分类网络模型、分割网络模型多级神经网络模型的级联方式,对各待检测子图片进行分析处理,提高了检测各待检测子图片中裂缝位置信息的准确度,进而使得得到的完整待检测图片所包含的裂缝信息更加精准。
可选地,在本发明实施例的隧道裂缝检测方法的一种实施例中,S101中将待检测图片分割成各待检测子图片,包括:
步骤一,将待检测图片预处理。
本发明实施例中,首先对采集的待检测图片经过一定程度的预处理。该预处理过程包括:去噪,归一化图片亮度,增强、锐化等过程。图片预处理的过程可以强化图片的边缘信息,使裂缝更加明显,同时平衡图片的亮度。
步骤二,使用简单线性迭代聚类SLIC超像素分割技术,将待检测图片分割成各待检测子图片。
图片分割就是把图片分成不定数目的由具有相同性质的像素组成的区域,最后提取图片中感兴趣目标的技术和过程。它是由图片处理到图片分析的关键步骤。传统的图片分割方法有很多,我们可以将其分为以下几大类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法和基于直方图的分割方法。这些传统的图片分割方法主要是根据图片的某些特征如区域的灰度、颜色、纹理信息的相似性对图片像素进行分组聚类,把图片平面划分成若干个具有某些一致性的不重叠区域。
通过摄像头获取的待检测图片尺寸过于庞大,为了方便处理,需要采用一种方法对其进行切分。由于裂缝分布的不均匀性,普通的切分方法极有可能使裂缝出现在切分图的边缘,对后续的分类模型训练造成负面影响。
基于上述问题,本发明实施例针对图片裂缝细小的特点,采用SLIC(simplelineariterativeclustering,简单线性迭代聚类)超像素分割技术,按照生成的一定数量的超像素对预处理后的待检测图片进行分割。
SLIC超像素分割技术的思想是,将彩色图片转化为CIELAB颜色空间和平面直播坐标系下的5维特征向量,然后对5维特征向量构造距离度量标准,对图片像素进行局部聚类的过程。
具体地,可按照初始化种子点(聚类中心);在种子点的n*n邻域内重新选择种子点(一般取n=3);在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心);距离度量;迭代优化;增强连通性的处理过程将待检测图片分割成各待检测子图片。
另外,考虑对分割速度的要求,SLIC算法改进后使用GPU(Graphics Processing,图形处理器)加速实现。基于GPU实现的SLIC分割算法,速度是CPU的50倍以上。
可见,针对现有技术中使用图片处理方法进行裂缝分割,会出现对细小裂缝无法分割,或者错误地分割出背景中存在的噪声区域的技术问题,本发明实施例通过SLIC超像素分割技术的分割方式,使得分割得到的各待检测子图片更加紧细化,并且能快速准确的实现图片的分割。
可选地,在本发明实施例的隧道裂缝检测方法的一种实施例中,S101中获取待检测图片,将待检测图片分割成各待检测子图片之后,方法还包括:
步骤A,提取各待检测子图片的描述子特征。
在得到待检测子图片后,可通过神经网络提取每个待检测子图片的描述子特征。具体地,可使用BP(Back Propagation)神经网络、离散Hopfield网络、LVQ(LearningVector Quantization)神经网络,对各待检测子图片进行特征提取,得到每个待检测子图片的描述子特征,该描述子特征为描述待检测子图片所包含图片信息的特征,该特征可为图片的颜色,图片中图像纹理特征(该图像纹理特征可包含裂缝图像纹理特征)。
步骤B,针对每个待检测子图片,根据该待检测子图片的描述子特征,将该待检测子图片对应聚类到预先构建的裂缝图片集合或非裂缝图片集合中;其中,裂缝图片集合为预先按照裂缝图片对应的描述子特征构建的集合;非裂缝图片集合为预先按照非裂缝图片对应的描述子特征构建的集合。
上述在提取到各待检测子图片的描述子特征后,按照预先建立的裂缝图片集合或非裂缝图片集合,将每个待检测子图片放入对应的集合中。
在本发明实施例中,可通过神经网络预先提取已知裂缝图片和非裂缝图片的描述子特征,分析各裂缝图片共同具有的描述子特征,进而建立本发明实施例的裂缝图片集合;分析各非裂缝图片共同具有的描述子特征,进而建立本发明实施例的非裂缝图片集合。
本步骤中,在上述得到各待检测子图片的描述子特征后,按照该待检测子图片的描述子特征,将该待检测子图片对应聚类到预先构建的裂缝图片集合或非裂缝图片集合中。按照上述方式将每个待检测子图片聚类到对应的集合中。
相应的,S102中将各待检测子图片输入到预先构建的分类网络模型中,得到各待检测子图片包含裂缝的置信度,包括:
步骤C,将裂缝图片集合中包含的各裂缝待检测子图片,输入到预先构建的分类网络模型中,得到各裂缝待检测子图片包含裂缝的置信度。
上述将各待检测子图片聚类到对应的集合后,将裂缝图片集合中包含的各裂缝待检测子图片,输入到预先构建的分类网络模型中,得到各裂缝待检测子图片包含裂缝的置信度。
可见,通过本发明实施例,可实现将各待检测子图片进行初步划分,进而将初步确定为裂缝图片的各待检测子图片输入到分类网络模型,减少了对无关样本量的处理,提高了图片处理的效率。
可选地,在本发明实施例的隧道裂缝检测方法的一种实施例中,S102中构建分类网络模型的过程,包括:
步骤1,将标注有裂缝信息的各图片和非裂缝信息的各图片,输入到深度学习网络。
在本步骤中,将预设数量的标注有裂缝信息的图片以及标注非裂缝信息的图片输入到深度学习网络中。
例如,收集原始图片11766张,数据总容量为380GB,包括10条隧道的图片,每张图片大小都为6144*6000像素,图片类型为灰度图。使用SLIC(simple linear iterativeclustering)分割算法后产生长和宽在600-800像素范围内带裂缝的图片10,000张,其他均为非裂缝图片(约为900,000)。其中训练集共10000张,其中标注有裂缝图片为5000张,用于模型的训练。验证集共4000张图片,其中裂缝图片为2000张,其他为非裂缝图片,用于训练过程中验证模型的训练情况。测试集为6000张图片,其中3000张标注有裂缝图片,其他标注为非裂缝图片,用于最后的模型性能评估。将训练集中的10000张图片输入到深度学习网络。
步骤2,基于深度学习网络,训练得到分类结果至少与各图片标注的裂缝信息一致时所对应的神经网络模型。
图片分类是要解决图片中是否包含某类物体的问题,对图片进行特征描述是图片分类的主要研究内容。一般说来,图片分类算法通过手工特征或者特征学习方法对整个图片进行全局描述,然后使用分类器判断是否存在某类物体。应用比较广泛的图片特征有SIFT(Scale-invariant feature transform,尺度不变特征转换)、HOG(Histogram ofOriented Gradient,方向梯度直方图)、SURF(Speed Up Robust Features,加快健壮特性)等,这些对图片分类的研究中,大多数特征提取过程是人工设计的,通过浅层学习获得图片底层特征,与图片高级语义特征间还存在很大的“语义鸿沟”。
而如今兴起的深度学习模型,能够提取更加接近图片高级语义的层级抽象特征,利用设定好的网络结构,完全从训练数据中学习图片的层级抽象结构性特征。因此,在图片分类上的表现能够远远超过传统方法。最后,对提取的图片特征分类时需要训练分类器,形成一个合适的分类标准。常用的分类器有神经网络、支持向量机、决策树、朴素贝叶斯等分类方法。
在本步骤中,上述将标注有裂缝信息的各图片和非裂缝信息的各图片,输入到深度学习网络后,训练该深度学习网络,使得通过该深度学习网络输出的图片分类结果至少与各图片标注的裂缝信息一致。得到此时对应的神经网络模型。具体训练过程同现有神经网络的训练过程,此处不再赘述。
步骤3,将神经网络模型确定为分类网络模型。
可见,通过本发明实施例,可得到对待检测图片进行初步分类检测的分类网络模型,使得通过该分类网络模型对各待检测子图片进行初步的分类。
为了更好的说明本发明实施例分类网络模型,可参考图2所示的本发明实施例的一种隧道裂缝检测方法中分类网络模型的构建过程与使用过程的方法流程图。
该分类网络模型分为两个部分,第一部分为构建该分类网络模型的训练阶段,包括:(1)输入图片:将大量标注有裂缝信息的各图片和非裂缝信息的各图片,输入到深度学习网络;(2)图片处理:基于深度学习对各图片进行分类,给出该图片是裂缝的置信度,进而训练得到分类结果至少与各图片标注的裂缝信息一致时所对应的分类网络模型。
第二部分为使用该分类网络模型的推理阶段,包括:(1)输入图片:将分割得到的各待检测子图片输入到该分类网络模型;(2)判断过程:通过该分类网络模型判定各待检测子图片是否包含裂缝,(3)分类结果:输出各待检测子图片包含裂缝的置信度。此过程通过置信度的适当选择,将可能为裂缝的图片都预测为裂缝图片,确保裂缝不会被遗漏。
可选地,在本发明实施例的隧道裂缝检测方法的一种实施例中,S103中构建分割网络模型的过程,包括:
步骤a:将对裂缝位置进行分割标记的各图片,输入到深度学习网络。
在本步骤中,将预设数量的裂缝位置进行分割标记的各图片,输入到深度学习网络中。
具体地,对每个图片的裂缝位置可用区别于背景颜色的线条进行分割标记。例如,经过预处理的图片的背景颜色为黑色,在本发明实施例中用红色线条对每张图片中的裂缝位置进行分割标记。进而将分割标记好的每张图片输入到深度学习网络中。
步骤b:基于深度学习网络,训练得到分割结果与各图片的裂缝位置分割标记一致时所对应的神经网络模型。
上述将预设数量的裂缝位置进行分割标记的各图片,输入到深度学习网络中后,训练该深度学习网络,使得通过该深度学习网络输入的图片分割结果与每个图片的裂缝位置分割标记一致。进而得到与每个图片的裂缝位置分割标记一致时所对应的神经网络模型。具体训练过程同现有神经网络的训练过程,此处不再赘述。
步骤c:将神经网络模型确定为分割网络模型。
可见,通过本发明实施例,可得到对待检测图片进行分割标记的分割网络模型,使得通过该分割网络模型对输入的图片裂缝位置分割标记。
为了更好的说明本发明实施例分割网络模型,可参考图3所示的本发明实施例的一种隧道裂缝检测方法中分割网络模型的构建过程与使用过程的方法流程图。
该分割网络模型分为两个部分,第一部分为构建该分割网络模型的训练阶段,包括:(1)输入图片:将大量裂缝位置进行分割标记的各图片,输入到深度学习网络;(2)图片处理:基于该深度学习网络,训练得到分割结果与各图片的裂缝位置分割标记一致时所对应的分类网络模型。
第二部分为使用该分割网络模型的推理阶段,包括:(1)输入图片:将分割得到的各待检测子图片输入到该分类网络模型;(2)判断过程:通过该分割网络模型对各待检测子图片进行分割标记,根据裂缝像素判断和实际裂缝的分布判断图片是否包含裂缝;(3)分割结果:得到各待检测子图片中裂缝位置分割标记,将不包含裂缝的待检测子图片归为正常图片。提高分类网络模型对图片分类的精度。
为了更好地说明本发明实施例的一种隧道裂缝检测方法,可参见图4所示的本发明实施例的一种隧道裂缝检测方法流程图。具体如下:
S401,图片预处理:对待检测图片预处理;
S402,图片SLIC分割:对待检测图片使用SLIC超像素分割技术,得到各待检测子图片;
S403,区域筛选:筛选的过程使用图片处理技术中的描述子的方式,提取每个待检测子图片的描述子特征,并将待检测子图片聚类为裂缝图片和非裂缝图片两大类;
S404,分类网络模型:将各裂缝图片输入到分类网络模型中,得到各裂缝图片包含裂缝的置信度;
S405,分割网络模型:将置信度高于阈值的目标裂缝图片输入到分割网络模型,得到各目标裂缝图片中裂缝位置分割标记;
S406,整合裂缝信息:待检测图片经过分类网络模型后被分割出裂缝的实际位置,连续的裂缝在经过SLIC分割后会被分割到不同的像素块中,整合裂缝信息的过程为将相邻的目标裂缝图片连接到一起,同时统计各目标裂缝图片中的裂缝像素,计算出每条裂缝的长度、宽度、位置,并用红色标注出完整待检测图片的裂缝信息,裂缝信息包括:裂缝位置、裂缝长度以及裂缝宽度。
本发明实施例的一种隧道裂缝检测方法中,利用计算机视觉的方法,对分类网络模型、分类网络模型进行多级级联工作,从而自动的实现隧道裂缝图片的识别和分割,识别速度达到14FPS(输入图片像素6000*6000),准确率在98%以上。
为达到上述发明目的,本发明实施例还公开了一种隧道裂缝检测装置,如图5所示。图5为本发明实施例的一种隧道裂缝检测装置结构示意图,包括:
分割模块501,用于获取待检测图片,将待检测图片分割成各待检测子图片;
置信度确定模块502,用于将各待检测子图片输入到预先构建的分类网络模型中,得到各待检测子图片包含裂缝的置信度;分类网络模型为基于标注有裂缝的图片和非裂缝的图片训练得到的神经网络模型;
分割标记模块503,用于将置信度高于阈值的目标待检测子图片输入到预先构建的分割网络模型,得到各目标待检测子图片中裂缝位置分割标记;分割网络模型为基于对裂缝位置进行分割标记的图片训练得到的神经网络模型;
裂缝信息确定模块504,用于按照裂缝位置相邻的规则,对各目标待检测子图片进行拼接,得到待检测图片所包含的裂缝信息,裂缝信息包括:裂缝位置、裂缝长度以及裂缝宽度。
本发明实施例提供的一种隧道裂缝检测装置,以实现提高裂缝检测的可靠性与准确度。具体地,本发明实施例对待检测图片进行分割得到各待检测子图片。进而,先使用深度学习构建的分类网络模型,得到各待检测子图片包含裂缝的置信度,实现了初步确定各待检测子图片包含裂缝的可能性。进一步的,将置信度高于阈值的待检测子图片利用深度学习构建的分割网络模型,得到各待检测子图片中裂缝位置分割标记,使得得到包含裂缝置信度高的各待检测子图片中各裂缝的位置,实现了进一步确定裂缝图片的裂缝信息。最终,按照裂缝位置相邻的规则,对各待检测子图片进行拼接,得到完整待检测图片所包含的裂缝信息。可见,相比于现有技术中采用现有的图片处理方法并不能完全识别出这些干扰因素下各待检测子图片存在的裂缝信息,进而造成裂缝的错检和漏检,使得检测待检测图片的裂缝位置的可靠性与准确度不高的技术问题,本发明实施例利用深度学习构建的分类网络模型、分割网络模型多级神经网络模型的级联方式,对各待检测子图片进行分析处理,提高了检测各待检测子图片中裂缝位置信息的准确度,进而使得得到的完整待检测图片所包含的裂缝信息更加精准。
可选地,在本发明实施例的隧道裂缝检测装置的一种实施例中,分割模块501,包括:
预处理子模块,用于将待检测图片预处理;
分割子模块,用于使用简单的线性迭代聚类SLIC超像素分割技术,将待检测图片分割成各待检测子图片。
可选地,在本发明实施例的隧道裂缝检测装置的一种实施例中,装置还包括:
特征提取模块,用于提取各待检测子图片的描述子特征;
图片聚类模块,用于针对每个待检测子图片,根据该待检测子图片的描述子特征,将该待检测子图片对应聚类到预先构建的裂缝图片集合或非裂缝图片集合中;其中,裂缝图片集合为预先按照裂缝图片对应的描述子特征构建的集合;非裂缝图片集合为预先按照非裂缝图片对应的描述子特征构建的集合;
置信度确定模块502,具体用于将裂缝图片集合中包含的各裂缝待检测子图片,输入到预先构建的分类网络模型中,得到各裂缝待检测子图片包含裂缝的置信度。
可选地,在本发明实施例的隧道裂缝检测装置的一种实施例中,置信度确定模块502,包括:
第一输入子模块,用于将标注有裂缝信息的各图片和非裂缝信息的各图片,输入到深度学习网络;
第一模型确定子模块,用于基于深度学习网络,训练得到分类结果至少与各图片标注的裂缝信息一致时所对应的神经网络模型;
分类网络模型确定子模块,用于将神经网络模型确定为分类网络模型。
可选地,在本发明实施例的隧道裂缝检测装置的一种实施例中,分割标记模块503,包括:
第二输入子模块,用于将对裂缝位置进行分割标记的各图片,输入到深度学习网络;
第二模型确定子模块,用于基于深度学习网络,训练得到分割结果与各图片的裂缝位置分割标记一致时所对应的神经网络模型;
分割网络模型确定子模块,用于将神经网络模型确定为分割网络模型。
为达到上述发明目的,本发明实施例还公开了一种电子设备,如图6所示。图6为本发明实施例的一种电子设备结构示意图,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601、通信接口602、存储器603通过通信总线604完成相互间的通信;
存储器603,用于存放计算机程序;
处理器601,用于执行存储器上存放的程序时,实现如下方法步骤:
获取待检测图片,将待检测图片分割成各待检测子图片;
将各待检测子图片输入到预先构建的分类网络模型中,得到各待检测子图片包含裂缝的置信度;分类网络模型为基于标注有裂缝的图片和非裂缝的图片训练得到的神经网络模型;
将置信度高于阈值的目标待检测子图片输入到预先构建的分割网络模型,得到各目标待检测子图片中裂缝位置分割标记;分割网络模型为基于对裂缝位置进行分割标记的图片训练得到的神经网络模型;
按照裂缝位置相邻的规则,对各目标待检测子图片进行拼接,得到待检测图片所包含的裂缝信息,裂缝信息包括:裂缝位置、裂缝长度以及裂缝宽度。
上述电子设备提到的通信总线604可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线604可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口602用于上述电子设备与其他设备之间的通信。
存储器603可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器603还可以是至少一个位于远离前述处理器601的存储装置。
上述的处理器601可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的一种电子设备,以实现提高裂缝检测的可靠性与准确度。具体地,本发明实施例对待检测图片进行分割得到各待检测子图片。进而,先使用深度学习构建的分类网络模型,得到各待检测子图片包含裂缝的置信度,实现了初步确定各待检测子图片包含裂缝的可能性。进一步的,将置信度高于阈值的待检测子图片利用深度学习构建的分割网络模型,得到各待检测子图片中裂缝位置分割标记,使得得到包含裂缝置信度高的各待检测子图片中各裂缝的位置,实现了进一步确定裂缝图片的裂缝信息。最终,按照裂缝位置相邻的规则,对各待检测子图片进行拼接,得到完整待检测图片所包含的裂缝信息。可见,相比于现有技术中采用现有的图片处理方法并不能完全识别出这些干扰因素下各待检测子图片存在的裂缝信息,进而造成裂缝的错检和漏检,使得检测待检测图片的裂缝位置的可靠性与准确度不高的技术问题,本发明实施例利用深度学习构建的分类网络模型、分割网络模型多级神经网络模型的级联方式,对各待检测子图片进行分析处理,提高了检测各待检测子图片中裂缝位置信息的准确度,进而使得得到的完整待检测图片所包含的裂缝信息更加精准。
为达到上述发明目的,本发明实施例还公开了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时,实现上述隧道裂缝检测方法中任一的方法步骤。
本发明实施例提供的一种计算机可读存储介质,以实现提高裂缝检测的可靠性与准确度。具体地,本发明实施例对待检测图片进行分割得到各待检测子图片。进而,先使用深度学习构建的分类网络模型,得到各待检测子图片包含裂缝的置信度,实现了初步确定各待检测子图片包含裂缝的可能性。进一步的,将置信度高于阈值的待检测子图片利用深度学习构建的分割网络模型,得到各待检测子图片中裂缝位置分割标记,使得得到包含裂缝置信度高的各待检测子图片中各裂缝的位置,实现了进一步确定裂缝图片的裂缝信息。最终,按照裂缝位置相邻的规则,对各待检测子图片进行拼接,得到完整待检测图片所包含的裂缝信息。可见,相比于现有技术中采用现有的图片处理方法并不能完全识别出这些干扰因素下各待检测子图片存在的裂缝信息,进而造成裂缝的错检和漏检,使得检测待检测图片的裂缝位置的可靠性与准确度不高的技术问题,本发明实施例利用深度学习构建的分类网络模型、分割网络模型多级神经网络模型的级联方式,对各待检测子图片进行分析处理,提高了检测各待检测子图片中裂缝位置信息的准确度,进而使得得到的完整待检测图片所包含的裂缝信息更加精准。
本发明实施例还公开了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,计算机程序被处理器执行时,实现上述隧道裂缝检测方法中任一的方法步骤。
本发明实施例提供的一种计算机可读存储介质,以实现提高裂缝检测的可靠性与准确度。具体地,本发明实施例对待检测图片进行分割得到各待检测子图片。进而,先使用深度学习构建的分类网络模型,得到各待检测子图片包含裂缝的置信度,实现了初步确定各待检测子图片包含裂缝的可能性。进一步的,将置信度高于阈值的待检测子图片利用深度学习构建的分割网络模型,得到各待检测子图片中裂缝位置分割标记,使得得到包含裂缝置信度高的各待检测子图片中各裂缝的位置,实现了进一步确定裂缝图片的裂缝信息。最终,按照裂缝位置相邻的规则,对各待检测子图片进行拼接,得到完整待检测图片所包含的裂缝信息。可见,相比于现有技术中采用现有的图片处理方法并不能完全识别出这些干扰因素下各待检测子图片存在的裂缝信息,进而造成裂缝的错检和漏检,使得检测待检测图片的裂缝位置的可靠性与准确度不高的技术问题,本发明实施例利用深度学习构建的分类网络模型、分割网络模型多级神经网络模型的级联方式,对各待检测子图片进行分析处理,提高了检测各待检测子图片中裂缝位置信息的准确度,进而使得得到的完整待检测图片所包含的裂缝信息更加精准。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种隧道裂缝检测方法,其特征在于,包括:
获取待检测图片,将所述待检测图片分割成各待检测子图片;
将所述各待检测子图片输入到预先构建的分类网络模型中,得到所述各待检测子图片包含裂缝的置信度;所述分类网络模型为基于标注有裂缝的图片和非裂缝的图片训练得到的神经网络模型;
将置信度高于阈值的目标待检测子图片输入到预先构建的分割网络模型,得到各所述目标待检测子图片中裂缝位置分割标记;所述分割网络模型为基于对裂缝位置进行分割标记的图片训练得到的神经网络模型;
按照裂缝位置相邻的规则,对各所述目标待检测子图片进行拼接,得到所述待检测图片所包含的裂缝信息,所述裂缝信息包括:裂缝位置、裂缝长度以及裂缝宽度。
2.根据权利要求1所述的隧道裂缝检测方法,其特征在于,所述将所述待检测图片分割成各待检测子图片,包括:
将所述待检测图片预处理;
使用简单线性迭代聚类SLIC超像素分割技术,将所述待检测图片分割成各待检测子图片。
3.根据权利要求1所述的隧道裂缝检测方法,其特征在于,所述获取待检测图片,将所述待检测图片分割成各待检测子图片之后,所述方法还包括:
提取所述各待检测子图片的描述子特征;
针对每个所述待检测子图片,根据该待检测子图片的描述子特征,将该待检测子图片对应聚类到预先构建的裂缝图片集合或非裂缝图片集合中;其中,所述裂缝图片集合为预先按照裂缝图片对应的描述子特征构建的集合;所述非裂缝图片集合为预先按照非裂缝图片对应的描述子特征构建的集合;
所述将所述各待检测子图片输入到预先构建的分类网络模型中,得到所述各待检测子图片包含裂缝的置信度,包括:
将所述裂缝图片集合中包含的各裂缝待检测子图片,输入到预先构建的分类网络模型中,得到所述各裂缝待检测子图片包含裂缝的置信度。
4.根据权利要求1所述的隧道裂缝检测方法,其特征在于,构建所述分类网络模型,包括:
将标注有裂缝信息的各图片和非裂缝信息的各图片,输入到深度学习网络;
基于所述深度学习网络,训练得到分类结果至少与各图片标注的裂缝信息一致时所对应的神经网络模型;
将所述神经网络模型确定为所述分类网络模型。
5.根据权利要求1所述的隧道裂缝检测方法,其特征在于,构建所述分割网络模型的过程,包括:
将对裂缝位置进行分割标记的各图片,输入到深度学习网络;
基于所述深度学习网络,训练得到分割结果与各图片的裂缝位置分割标记一致时所对应的神经网络模型;
将所述神经网络模型确定为所述分割网络模型。
6.一种隧道裂缝检测装置,其特征在于,包括:
分割模块,用于获取待检测图片,将所述待检测图片分割成各待检测子图片;
置信度确定模块,用于将所述各待检测子图片输入到预先构建的分类网络模型中,得到所述各待检测子图片包含裂缝的置信度;所述分类网络模型为基于标注有裂缝的图片和非裂缝的图片训练得到的神经网络模型;
分割标记模块,用于将置信度高于阈值的目标待检测子图片输入到预先构建的分割网络模型,得到各所述目标待检测子图片中裂缝位置分割标记;所述分割网络模型为基于对裂缝位置进行分割标记的图片训练得到的神经网络模型;
裂缝信息确定模块,用于按照裂缝位置相邻的规则,对各所述目标待检测子图片进行拼接,得到所述待检测图片所包含的裂缝信息,所述裂缝信息包括:裂缝位置、裂缝长度以及裂缝宽度。
7.根据权利要求6所述的隧道裂缝检测装置,其特征在于,所述分割模块,包括:
预处理子模块,用于将所述待检测图片预处理;
分割子模块,用于使用简单线性迭代聚类SLIC超像素分割技术,将所述待检测图片分割成各待检测子图片。
8.根据权利要求7所述的隧道裂缝检测装置,其特征在于,所述装置还包括:
特征提取模块,用于提取所述各待检测子图片的描述子特征;
图片聚类模块,用于针对每个所述待检测子图片,根据该待检测子图片的描述子特征,将该待检测子图片对应聚类到预先构建的裂缝图片集合或非裂缝图片集合中;其中,所述裂缝图片集合为预先按照裂缝图片对应的描述子特征构建的集合;所述非裂缝图片集合为预先按照非裂缝图片对应的描述子特征构建的集合;
所述置信度确定模块,具体用于将所述裂缝图片集合中包含的各裂缝待检测子图片,输入到预先构建的分类网络模型中,得到所述各裂缝待检测子图片包含裂缝的置信度。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上存放的程序时,实现权利要求1-5任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被所述处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810470197.3A CN108765386A (zh) | 2018-05-16 | 2018-05-16 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810470197.3A CN108765386A (zh) | 2018-05-16 | 2018-05-16 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765386A true CN108765386A (zh) | 2018-11-06 |
Family
ID=64008273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810470197.3A Pending CN108765386A (zh) | 2018-05-16 | 2018-05-16 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765386A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859218A (zh) * | 2019-02-25 | 2019-06-07 | 北京邮电大学 | 病理图关键区域确定方法、装置、电子设备及存储介质 |
CN109949579A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的闯红灯违法自动审核方法 |
CN110082354A (zh) * | 2019-03-29 | 2019-08-02 | 同济大学 | 一种隧道衬砌浅层潜在剥落剥离红外探测装置 |
CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
CN110276756A (zh) * | 2019-06-25 | 2019-09-24 | 百度在线网络技术(北京)有限公司 | 路面裂缝检测方法、装置及设备 |
CN110348308A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度学习的路面灌封裂缝检测方法 |
CN110349122A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
CN110645899A (zh) * | 2019-09-10 | 2020-01-03 | 中国船舶重工集团公司第七一五研究所 | 一种结构裂缝分布式光纤监测方法及装置 |
CN111767815A (zh) * | 2020-06-22 | 2020-10-13 | 浙江省机电设计研究院有限公司 | 一种隧道渗漏水识别方法 |
CN113362296A (zh) * | 2021-05-31 | 2021-09-07 | 山东大学 | 一种隧道裂缝提取方法及系统 |
CN115330778A (zh) * | 2022-10-13 | 2022-11-11 | 浙江华是科技股份有限公司 | 变电站目标检测网络模型训练方法及系统 |
CN116452613A (zh) * | 2023-06-14 | 2023-07-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN118134892A (zh) * | 2024-03-25 | 2024-06-04 | 航天规划设计集团有限公司 | 一种建筑外墙缺陷检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130034298A1 (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 |
GB2542118A (en) * | 2015-09-04 | 2017-03-15 | Toshiba Res Europe Ltd | A method, apparatus, system, and computer readable medium for detecting change to a structure |
CN106934795A (zh) * | 2017-01-23 | 2017-07-07 | 陕西师范大学 | 一种混凝土桥梁裂缝的自动检测方法和预测方法 |
CN107403197A (zh) * | 2017-07-31 | 2017-11-28 | 武汉大学 | 一种基于深度学习的裂缝识别方法 |
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 |
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
-
2018
- 2018-05-16 CN CN201810470197.3A patent/CN108765386A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130034298A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack detection |
GB2542118A (en) * | 2015-09-04 | 2017-03-15 | Toshiba Res Europe Ltd | A method, apparatus, system, and computer readable medium for detecting change to a structure |
CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
CN106934795A (zh) * | 2017-01-23 | 2017-07-07 | 陕西师范大学 | 一种混凝土桥梁裂缝的自动检测方法和预测方法 |
CN107403197A (zh) * | 2017-07-31 | 2017-11-28 | 武汉大学 | 一种基于深度学习的裂缝识别方法 |
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 |
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
Non-Patent Citations (2)
Title |
---|
LEI ZHANG,ET AL.: "Road crack detection using deep convolutional neural network", 《2016 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
柴雪松 等: "基于图像识别技术的隧道衬砌裂缝检测系统研究", 《铁道建筑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949579A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的闯红灯违法自动审核方法 |
CN109859218A (zh) * | 2019-02-25 | 2019-06-07 | 北京邮电大学 | 病理图关键区域确定方法、装置、电子设备及存储介质 |
CN110082354A (zh) * | 2019-03-29 | 2019-08-02 | 同济大学 | 一种隧道衬砌浅层潜在剥落剥离红外探测装置 |
CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
CN110348308A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度学习的路面灌封裂缝检测方法 |
CN110349122A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
CN110276756A (zh) * | 2019-06-25 | 2019-09-24 | 百度在线网络技术(北京)有限公司 | 路面裂缝检测方法、装置及设备 |
CN110645899B (zh) * | 2019-09-10 | 2021-07-27 | 中国船舶重工集团公司第七一五研究所 | 一种结构裂缝分布式光纤监测方法及装置 |
CN110645899A (zh) * | 2019-09-10 | 2020-01-03 | 中国船舶重工集团公司第七一五研究所 | 一种结构裂缝分布式光纤监测方法及装置 |
CN111767815A (zh) * | 2020-06-22 | 2020-10-13 | 浙江省机电设计研究院有限公司 | 一种隧道渗漏水识别方法 |
CN113362296A (zh) * | 2021-05-31 | 2021-09-07 | 山东大学 | 一种隧道裂缝提取方法及系统 |
CN113362296B (zh) * | 2021-05-31 | 2022-10-04 | 山东大学 | 一种隧道裂缝提取方法及系统 |
CN115330778A (zh) * | 2022-10-13 | 2022-11-11 | 浙江华是科技股份有限公司 | 变电站目标检测网络模型训练方法及系统 |
CN115330778B (zh) * | 2022-10-13 | 2023-03-10 | 浙江华是科技股份有限公司 | 变电站目标检测网络模型训练方法及系统 |
CN116452613A (zh) * | 2023-06-14 | 2023-07-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116452613B (zh) * | 2023-06-14 | 2023-08-29 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN118134892A (zh) * | 2024-03-25 | 2024-06-04 | 航天规划设计集团有限公司 | 一种建筑外墙缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765386A (zh) | 一种隧道裂缝检测方法、装置、电子设备及存储介质 | |
CN108550133B (zh) | 一种基于Faster R-CNN的癌细胞检测方法 | |
CN110472616B (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN111709420B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN109117836B (zh) | 一种基于焦点损失函数的自然场景下文字检测定位方法和装置 | |
US9519660B2 (en) | Information processing apparatus, clustering method, and recording medium storing clustering program | |
US8509526B2 (en) | Detection of objects in digital images | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
US8600143B1 (en) | Method and system for hierarchical tissue analysis and classification | |
US10121245B2 (en) | Identification of inflammation in tissue images | |
US9070005B2 (en) | Image processing apparatus, image processing method, non-transitory computer-readable medium, and image processing system for detection of target cells using image feature determination | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN115082419A (zh) | 一种吹塑箱包生产缺陷检测方法 | |
US20220215548A1 (en) | Method and device for identifying abnormal cell in to-be-detected sample, and storage medium | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
CN110599463B (zh) | 一种基于轻量级联神经网络的舌像检测及定位算法 | |
CN107808126A (zh) | 车辆检索方法及装置 | |
US20210214765A1 (en) | Methods and systems for automated counting and classifying microorganisms | |
CN107305691A (zh) | 基于图像匹配的前景分割方法及装置 | |
Galsgaard et al. | Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement | |
CN114332086B (zh) | 基于风格迁移和人工智能的纺织品缺陷检测方法及系统 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
Gou et al. | Pavement crack detection based on the improved faster-rcnn | |
Meng et al. | Globally measuring the similarity of superpixels by binary edge maps for superpixel clustering |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |