CN108961270A - 一种基于语义分割的桥梁裂缝图像分割模型 - Google Patents
一种基于语义分割的桥梁裂缝图像分割模型 Download PDFInfo
- Publication number
- CN108961270A CN108961270A CN201810668261.9A CN201810668261A CN108961270A CN 108961270 A CN108961270 A CN 108961270A CN 201810668261 A CN201810668261 A CN 201810668261A CN 108961270 A CN108961270 A CN 108961270A
- Authority
- CN
- China
- Prior art keywords
- layers
- denseblock
- transition
- convolution
- layer
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 24
- 238000003709 image segmentation Methods 0.000 title claims abstract description 18
- 230000007704 transition Effects 0.000 claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 230000017105 transposition Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 20
- 239000000203 mixture Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000000034 method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000012167 tiramisu Nutrition 0.000 description 1
Classifications
-
- 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
-
- G06T5/70—
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种基于语义分割的桥梁裂缝图像分割模型，依次包括卷积核为5x 5的第一卷积层、由DenseBlock和Transition Down组成的下采样路径、由DenseBlock和Transition Up组成的上采样路径，卷积核为1x 1的第二卷积层以及Softmax函数；下采样路径包括5个DenseBlock层和4个Transition Down；所述上采样路径包括4个DenseBlock层和4个Transition Up层；9个DenseBlock层的layers层数量依次为4层、5层、7层、10层、12层、10层、7层、5层和4层；每个Transition Down包含一个卷积，每个Transition Up包含一个转置卷积。本发明适用于复杂背景下的桥梁路面裂缝检测简化了模型结构，减少了参数，减少了计算时间。
Description
技术领域
本发明属于计算机视觉深度学习技术领域，具体涉及一种基于语义分割的桥梁裂缝图像分割模型。
背景技术
图像语义分割作为人工智能领域的重要分支，是计算机视觉中关于图像理解的重要一环。众所周知，在一定条件下，网络的深度越深，提取到的特征越精确，检测效果也随之越好，但是在实际应用中发现网络越深时越容易出现梯度扩散的问题。在2016年，由GaoHuang等人提出的密度卷积网络Dense Convolutional Network解决了这个问题。
Dense Convolutional Network(DenseNet)是一种具有密集连接的卷积神经网络(Huang G,Liu Z,Maaten L V D,et al.Densely connected convolutional networks[J].2016.)。在该网络中，任何两层之间都有直接的连接，也就是说，网络每一层的输入都是前面所有层输出的并集，而该层所学习的特征图也会被直接传给其后面所有层作为输入。DenseNet不仅可以高效利用特征图，并且可以在网络很深时有效解决梯度消失问题。可表示为
Xl＝Hl([X0X1,...,Xl-1])
式中l表示层数，Xl代表l层的输出,[X0,X1,...,Xl-1]表示将0到l-1层的输出特征图按深度链接，即Filter Concatenation，使用Filter Concatenation的好处在于防止了由于层数增多带来的计算资源的爆炸性需求，从而使网络的宽度和深度均可扩大。Hl(.)由Batch Normalization，ReLU激活函数和卷积操作组成。由于Filter Concatenation要求特征图X0,X1,...,Xl-1的尺寸相同，而池化操作会改变特征图尺寸且不可或缺，因此，提出DenseBlock，使得DenseBlock内的特征图尺寸相同，每经过DenseBlock的一层，特征图数量增加k,通过k可以控制网络的宽度。如图1所示为包括4层的DenseBlock。
文献Jegou S,Drozdzal M,Vazquez D,et al.The one hundred layerstiramisu:fully convolutional DenseNets for semantic segmentation[J].2016:1175-1183.提出用于语义分割的FC-DenseNet103模型，并在CamVid数据集中取得了满意的效果，但是当应用于复杂背景下的桥梁路面裂缝提取时效果不佳，且参数众多、训练模型时间较长。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于语义分割的桥梁裂缝图像分割模型。本发明要解决的技术问题通过以下技术方案实现：一种基于语义分割的桥梁裂缝图像分割模型，依次包括卷积核为5x5的第一卷积层、由DenseBlock和TransitionDown组成的下采样路径、由DenseBlock和Transition Up组成的上采样路径，卷积核为1x 1的第二卷积层以及Softmax函数；
所述下采样路径包括5个DenseBlock层和4个Transition Down；所述上采样路径包括4个DenseBlock层和4个Transition Up层
所述9个DenseBlock层的层数量依次为4层、5层、7层、10层、12层、10层、7层、5层和4层；
所述每个Transition Down包含一个卷积，每个Transition Up包含一个转置卷积。
进一步的，所述每个layers层包括Batch Normalization、ReLU激活函数、3x3卷积和Dropout。
进一步的，所述Transition Down由Batch Normalization、ReLU激活函数、1x1卷积与2x2池化操作组成。
进一步的，所述Batch Normalization具体算法如下：
Batch Normalization算法在每一次迭代中的每一层输入都进行了归一化，将输入数据的分布归一化为均值为0，方差为1的分布，具体如公式(2)：
其中，xk表示输入数据的第k维，E[xk]表示k维的平均值，表示标准差；
Batch Normalization算法的两个可学习的变量γ和β的如公式(3)，
γ和β用于还原上一层学到的数据分布。
进一步的，所述ReLU激活函数为连续的非线性激活函数，具体计算如公式(4)所示：
ReLU(x)＝max(0,x) (4)。
与现有技术相比，本发明的有益效果：本发明与传统裂缝检测算法、现有深度学习算法相比，该算法不受路面噪声与障碍物的影响，裂缝分割结果无噪声且裂缝清晰完整；本发明的算法更适用于复杂背景下的桥梁路面裂缝检测和分割，且具有更强的识别效果与更好的泛化能力。
本发明适用于复杂背景下的桥梁路面裂缝检测简化了模型结构，减少了参数，减少了计算时间。
附图说明
图1是Dense Convolutional Network的包括4层的DenseBlock结构示意图。
图2是基于语义分割的桥梁裂缝图像分割模型结构示意图。
图3是基于语义分割的桥梁裂缝图像分割模型layers层结构示意图。
图4是基于语义分割的桥梁裂缝图像分割模型Transition Down的结构示意图。
图5是基于语义分割的桥梁裂缝图像分割模型Transition Up的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
在本发明创造的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制。
此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。
本发明针对FC-DenseNet103模型进行改进，提出了适用于复杂背景的基于语义分割的桥梁裂缝图像分割模型(Bridge-Crack-Image-Segmentation-Model),简称BCISM。
BCISM一共由74个卷积层构成，包括由DenseBlock和Transition Down组成的下采样路径，以及由DenseBlock和Transition Up组成的上采样路径，以及Softmax函数。其中，DenseBlock依次由4、5、7、10、12、10、7、5、4个层构成，每个层由Batch Normalization、ReLU激活函数、3x3卷积和Dropout构成，Dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，以使每一个batch都在训练不同的网络，网络中Dropout＝0.2。
Transition Down的作用是减少特征图的空间维度，由Batch Normalization、ReLU激活函数、1x1卷积与2x2池化操作组成，其中1x1的卷积用于保存特征图的数量，2x2的池化操作用于降低特征图的分辨率，以此来补偿由于网络层数大幅增加造成的特征图数量的线性增长。
Transition Up由一个转置卷积构成，作用是恢复输入图像的空间分辨率，转置卷积仅对最后一个DenseBlock的特征图使用，原因是由于最后一个DenseBlock综合了所有之前DenseBlock的信息。Softmax函数的作用是输出裂缝与非裂缝的概率。BCISM的网络结构参数如表1所示：
表1BCISM的网络结构参数
具体的，本实施例提供一种基于语义分割的桥梁裂缝图像分割模型，依次包括卷积核为5x 5的第一卷积层、由DenseBlock和Transition Down组成的下采样路径、由DenseBlock和Transition Up组成的上采样路径，卷积核为1*1的第二卷积层以及Softmax函数；
下采样路径包括5个DenseBlock层和4个Transition Down；
上采样路径包括4个DenseBlock层和4个Transition Up层
9个DenseBlock层的layers层数量依次为4层、5层、7层、10层、12层、10层、7层、5层和4层；每个layers层包括Batch Normalization、ReLU激活函数、3x3卷积和Dropout。
Transition Down和Transition Up均为4个，每个Transition Down包含一个卷积，每个Transition Up包含一个转置卷积。Transition Down由Batch Normalization、ReLU激活函数、1x1卷积与2x2池化操作组成。
进一步的，Batch Normalization具体算法如下：
Batch Normalization算法在每一次迭代中的每一层输入都进行了归一化，将输入数据的分布归一化为均值为0，方差为1的分布，具体如公式(2)：
其中，xk表示输入数据的第k维，E[xk]表示k维的平均值，表示标准差；
Batch Normalization算法的两个可学习的变量γ和β的如公式(3)，
γ和β用于还原上一层学到的数据分布。
进一步的，ReLU激活函数为连续的非线性激活函数Activation Function，具体计算如公式(4)所示：
ReLU(x)＝max(0,x) (4)。
本发明的桥梁裂缝图像分割模型的裂缝提取方法如下：
步骤一：数据集采集，通过无人机沿路面裂缝方向飞行，并连续拍照，得到裂缝图像；对裂缝图像进行语义分割，需要对数据集中的样本人工的制作相应的标签；在具体的标注过程中，对裂缝图像中裂缝标注为一种单一颜色，裂缝图像中裂缝之外的所有干扰物以及背景全部设置为另一种统一的单一颜色；基于语义分割的桥梁路面裂缝检测和分割方法的实现，需要大量的、带语义类别的标签的路面裂缝图像作为训练集和测试集；但是，到目前为止，全球还没有公开的、带类别标签的、用于桥梁路面裂缝图像语义分割的数据集合；因此，必须自己创建用于桥梁路面裂缝图像检测和分割的数据集合；由于手动制作图像标签也有相当大的工作量，因此我们应采用效率最高、计算量最小的数据集扩增方法；具体采用的数据增强的方法为：
a.从256×256的图像中提取随机的224×224的碎片；
b.对随机裁取的碎片进行水平反射与垂直反射；
并将扩增后数据集随机分类为训练集与测试集；
步骤二：将训练集中裂缝图像分次输入分割模型进行训练，具体方法如下：
步骤1：将训练集中裂缝图像进行一次5x 5的卷积；
步骤2：并将卷积结果输入包含4个layers层的DenseBlock；
步骤3：将步骤2结果进行Transition Down操作，降低裂缝图像分辨率；
步骤4：将DenseBlock模块layers层数量依次设置为5层、7层、10层，依次重复4次步骤2与步骤3；
步骤5：将步骤4的结果输入由12个layers组成的Bottleneck，完成全部下采样，并进行多个特征的连接操作；
步骤6：将上层输出结果输入由Transition Up和DenseBlock组成的上采样通道，DenseBlock对应下采样中的layers层数为10层；
步骤7：将步骤6中DenseBlock的layers层数依次设为7、5、4，重复4次步骤6；
步骤8：对步骤7的输出结果进行1*1卷积操作；
步骤9：将步骤8结果输入softmax层进行判断，输出裂缝与非裂缝的概率；
步骤三：步骤二训练完成后，通过训练好的分割模型对测试集中裂缝图像进行测试，得到测试结果。
如图2、图3、图4、图5所示，步骤二中分割模型包括由DenseBlock以及TransitionDown组成的下采样路径，和由DenseBlock与Transition Up组成的上采样路径，以及softmax函数，DenseBlock与Transition Up组成的的上采样路径用于恢复输入图像空间分辨率，其中m代表特征图的个数，c代表最后分类个数。
分割模型共由74个卷积层构成：第一个卷积直接作用于输入图像、由DenseBlock组成的下采样路径中有26个卷积层、瓶颈Bottleneck中有12个卷积层、由DenseBlock组成的上采样路径中有26个卷积层，还包含4个Transition Down，每个Transition Down包含一个卷积，以及4个Transition Up，每个Transition Up包含一个转置卷积，以及网络中最后一层的1x 1卷积。
下采样路径的最后一层被称为Bottleneck；Bottlenek实际是由12个layers层构成的DenseBlock，其优点是可以缓解梯度消失，并且大大减少了计算量。
Dense Convolutional Network(DenseNet)是一种具有密集连接的卷积神经网络。在该网络中，任何两层之间都有直接的连接，也就是说，网络每一层的输入都是前面所有层输出的并集，而该层所学习的特征图也会被直接传给其后面所有层作为输入。在传统的卷积神经网络中，如果你有L层，那么就会有L个连接，但是在DenseNet中，会有L(L+1)/2个连接，具体表示为如下公式(1)：
Xl＝Hl([X0X1,...,Xl-1]) (1)
式中l表示层数，Xl表示l层的输出，[X0X1...Xl-1]表示将0到l-1层的输出特征图连接；Hl(.)表示Batch Normalization、ReLU和3*3的卷积的组合。
众所周知，在一定程度上网络模型越深，取得的效果越好，然而网络越深往往越难以训练；因为卷积网络在训练的过程中，前一层的参数变化影响着后面层的变化，而且这种影响会随着网络深度的增加而不断放大。卷积网络进行训练时，绝大多数都采用批梯度下降法，那么随着输入数据的不断变化以及网络中参数不断调整，网络的各层输入数据的分布则会不断变化，那么各层在训练的过程中就需要不断的改变以适应这种新的数据分布，从而造成网络训练困难并且难以拟合的问题；针对这种问题，本文在训练过程中引入BatchNormalization层；
Batch Normalization算法在每一次迭代中的每一层输入都进行了归一化，将输入数据的分布归一化为均值为0,方差为1的分布,具体如公式(2)：
其中，xk表示输入数据的第k维，E[xk]表示k维的平均值，表示标准差；
Batch Normalization算法设置了两个可学习的变量γ和β，具体如公式(3)，
γ和β用于还原上一层应该学到的数据分布，y表示数据输出值。
为了增强网络的表达能力，深度学习引入了连续的非线性激活函数ActivationFunction，ReLU(Rectified Linear Unit)函数具体计算如公式(4)所示:
ReLU(x)＝max(0,x) (4)。
由于激活函数ReLU一般被认为有生物上的解释，并且ReLU已经被证明拟合效果更好；因此，模型中的激活函数选择使用ReLU。
根据(1)式可知我们需要对多个输出特征图进行连接操作，而进行连接操作的必要条件是特征图的大小一致；在卷积网络中下采样层是必不可少的，它的作用是通过改变特征图的大小来进行降维；因此，为了便于在我们的体系结构中能进行下采样并且顺利完成连接操作，我们将网络划分为多个密集连接的密集块DenseBlock，每个DenseBlock中的特征图的大小相同。
步骤2中包含4个layers层的DenseBlock模块，其layer层由BatchNormalization、ReLU、3x 3卷积和Dropout构成，Dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，以使每一个mini-batch都在训练不同的网络，其中Dropout＝0.2，采用Dropout层可以有效防止过拟合，提高实验准确率。
Transition Down操作用来减少特征图的空间维度，这样的转换由BatchNormalization、ReLU、1x 1卷积和2x 2池化操作组成；其中使用1x 1的卷积用于保存特征图的数量，使用2x 2的池化操作用于降低特征图的分辨率。随着层数的增加导致特征数量线性增长，然而，池化操作可以有效降低特征图的分辨率，因此通过池化操作来降低空间分辨率，以此来补偿由层数增加造成的特征图数量的增长。
Transition Up操作的作用是恢复输入图像的空间分辨率,这样的转换由一个转置卷积构成，转置卷积仅对最后一个DenseBlock的特征图使用，因为最后一个DenseBlock综合了所有之前DenseBlock的信息。
本实施例的分割模型采用Filter Concatenation把特征图按深度链接起来。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：依次包括卷积核为5x 5的第一卷积层、由DenseBlock和Transition Down组成的下采样路径、由DenseBlock和Transition Up组成的上采样路径，卷积核为1x 1的第二卷积层以及Softmax函数；
所述下采样路径包括5个DenseBlock层和4个Transition Down；所述上采样路径包括4个DenseBlock层和4个Transition Up层；
所述9个DenseBlock层的layers层数量依次为4层、5层、7层、10层、12层、10层、7层、5层和4层；
所述每个Transition Down包含一个卷积，每个Transition Up包含一个转置卷积。
2.根据权利要求1所述的一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：所述DenseBlock层的每个layers层包括Batch Normalization、ReLU激活函数、3x3卷积和Dropout。
3.根据权利要求2所述的一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：所述Transition Down由Batch Normalization、ReLU激活函数、1x1卷积与2x2池化操作组成。
4.根据权利要求2或3所述的一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：所述Batch Normalization具体算法如下：
Batch Normalization算法在每一次迭代中的每一层输入都进行了归一化，将输入数据的分布归一化为均值为0，方差为1的分布，具体如公式(2)：
其中，xk表示输入数据的第k维，E[xk]表示k维的平均值，表示标准差；
Batch Normalization算法的两个可学习的变量γ和β的如公式(3)，
γ和β用于还原上一层学到的数据分布。
5.根据权利要求2或3所述的一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：所述ReLU激活函数为连续的非线性激活函数，计算如公式(4)所示：
ReLU(x)＝max(0,x) (4)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810668261.9A CN108961270B (zh) | 2018-06-26 | 2018-06-26 | 一种基于语义分割的桥梁裂缝图像分割模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810668261.9A CN108961270B (zh) | 2018-06-26 | 2018-06-26 | 一种基于语义分割的桥梁裂缝图像分割模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108961270A true CN108961270A (zh) | 2018-12-07 |
| CN108961270B CN108961270B (zh) | 2023-03-17 |
Family
ID=64486655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810668261.9A Active CN108961270B (zh) | 2018-06-26 | 2018-06-26 | 一种基于语义分割的桥梁裂缝图像分割模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108961270B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
| CN110197477A (zh) * | 2019-05-07 | 2019-09-03 | 北京邮电大学 | 路面裂缝检测的方法、装置及系统 |
| CN114359272A (zh) * | 2022-03-11 | 2022-04-15 | 科大天工智能装备技术（天津）有限公司 | 基于DenseNet的桥梁钢索断裂检测方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170173262A1 (en) * | 2017-03-01 | 2017-06-22 | François Paul VELTZ | Medical systems, devices and methods |
| CN106910187A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种用于桥梁裂缝检测的图像数据集人工扩增方法 |
| 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 |
| 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 |
-
2018
- 2018-06-26 CN CN201810668261.9A patent/CN108961270B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106910187A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种用于桥梁裂缝检测的图像数据集人工扩增方法 |
| US20170173262A1 (en) * | 2017-03-01 | 2017-06-22 | François Paul VELTZ | Medical systems, devices and methods |
| 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 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| SIMON JEGOU等: ""The One Hundred Layers Tiramisu:Fully Convolutional DenseNets for Semantic Segmentation"", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
| CN110197477A (zh) * | 2019-05-07 | 2019-09-03 | 北京邮电大学 | 路面裂缝检测的方法、装置及系统 |
| CN114359272A (zh) * | 2022-03-11 | 2022-04-15 | 科大天工智能装备技术（天津）有限公司 | 基于DenseNet的桥梁钢索断裂检测方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108961270B (zh) | 2023-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Learning affinity via spatial propagation networks | |
| Yuan et al. | Gated CNN: Integrating multi-scale feature layers for object detection | |
| CN105335716B (zh) | 一种基于改进udn提取联合特征的行人检测方法 | |
| CN107330480B (zh) | 手写字符计算机识别方法 | |
| CN108288035A (zh) | 基于深度学习的多通道图像特征融合的人体动作识别方法 | |
| CN110232394A (zh) | 一种多尺度图像语义分割方法 | |
| CN107862261A (zh) | 基于多尺度卷积神经网络的图像人群计数方法 | |
| CN108764228A (zh) | 一种图像中文字目标检测方法 | |
| CN106778821A (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
| CN110163102A (zh) | 一种基于卷积神经网络的宫颈细胞图像分类识别方法 | |
| CN109509149A (zh) | 一种基于双通道卷积网络特征融合的超分辨率重建方法 | |
| CN112884712B (zh) | 一种显示面板缺陷分类的方法及相关装置 | |
| CN107609638A (zh) | 一种基于线性解码器和插值采样优化卷积神经网络的方法 | |
| CN109255375A (zh) | 基于深度学习的全景图像对象检测方法 | |
| CN107798348A (zh) | 基于邻域信息深度学习的高光谱图像分类方法 | |
| CN108961270A (zh) | 一种基于语义分割的桥梁裂缝图像分割模型 | |
| CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
| CN107563349A (zh) | 一种基于VGGNet的人数估计方法 | |
| Qian et al. | Sequence-dropout block for reducing overfitting problem in image classification | |
| Ji et al. | Parallel fully convolutional network for semantic segmentation | |
| CN104036468B (zh) | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 | |
| CN109740451A (zh) | 基于重要性加权的道路场景图像语义分割方法 | |
| CN110084136A (zh) | 基于超像素crf模型的上下文优化室内场景语义标注方法 | |
| CN109376763A (zh) | 基于多样本推理神经网络的样本分类方法、系统及介质 | |
| CN110889360A (zh) | 一种基于切换卷积网络的人群计数方法及系统 |
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 |