CN108985363A - 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 - Google Patents
一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 Download PDFInfo
- Publication number
- CN108985363A CN108985363A CN201810716991.1A CN201810716991A CN108985363A CN 108985363 A CN108985363 A CN 108985363A CN 201810716991 A CN201810716991 A CN 201810716991A CN 108985363 A CN108985363 A CN 108985363A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- bridge
- cracks
- information
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Abstract
本发明公开了一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,建立径向基概率神经网络模型并训练;采集桥梁底面裂缝图像视频信息划分区域完成拼接;建立直角坐标系;利用最小外接矩形框选裂缝图像,在每个区域内提取单个裂缝坐标信息;将处理好的图片经径向基概率神经网络分类后得出该裂缝类型信息,区分不同类型的桥梁裂缝并建立桥梁裂缝信息统计表,与桥梁检测结果统计对比得出新增裂缝率,完成裂缝分类识别。本发明可基于径向基概率神经网络对不同桥梁裂缝类型进行分类,得到区域裂缝图及分类表格等分类结果,可直观看出裂缝类型、裂缝分布、裂缝率及新增裂缝率等信息,方便工程技术人员判断裂缝成因,更有针对性地开展桥梁修补养护工作。
Description
技术领域
本发明属于桥梁裂缝分类识别技术领域,具体涉及一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法。
背景技术
我国绝大多数公路桥梁的主要建筑原材料是钢筋混凝土,由于裂缝在混凝土桥梁病害中是破坏较为严重的、威胁较大的一种,所以要定期地对桥梁裂缝进行检测与修补,控制裂缝的发展,并根据不同类型的裂缝对桥梁的危害不同,并且针对不同类型的裂缝的预防及修补工作也不同。传统的检测桥梁裂缝的方法是人工检测或检测车检测,消耗大量人力、物力,工作效率低且存在不安全因素。
近年来图像处理技术迅速发展,一些新理论、新算法的提出促进了基于图像处理的桥梁裂缝检测技术的发展,提高了工作效率,减少了工作成本。钢筋混凝土桥梁的裂缝类型主要有横向裂缝、纵向裂缝、斜向裂缝和不规则裂缝。目前基于机器学习的桥梁裂缝分类所选用的分类器一般为支持向量机SVM、决策树和贝叶斯分类器等。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,通过径向基概率神经网络(RBPNN)提高裂缝分类精度与可靠性,分类后通过表格形式排列裂缝图像信息,将不同裂缝类型赋予不同颜色,直观地看出裂缝类型、裂缝坐标信息及裂缝位置,并可与前一阶段桥梁养护图片组进行对比,得出裂缝率及新增裂缝率,为桥梁后续有目的的养护与修补方案提供依据。
本发明采用以下技术方案:
一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,首先建立径向基概率神经网络模型并进行训练;采集桥梁底面裂缝图像视频信息,将图像以桥台和桥墩划分区域并完成图像拼接;然后对图像进行预处理,按区域建立直角坐标系;利用最小外接矩形框选裂缝图像,在每个区域内提取单个裂缝坐标信息;将处理好的图片经径向基概率神经网络分类后得出该裂缝类型信息,区分不同类型的桥梁裂缝并建立桥梁裂缝信息统计表,与桥梁检测结果统计对比得出新增裂缝率,完成裂缝分类识别。
具体的,径向基概率神经网络模型包括输入层、第一隐层、第二隐层和输出层;
输入层:输入层有3个节点,分别取单个裂缝边缘点组成的最大斜率K、角点个数n、单个裂缝的分布密度d作为输入量;
第一隐层:计算第i个节点对应的输出zi,选取高斯核函数确定第一隐层;
第二隐层:按照类别对第一隐层节点进行有选择的连接得到第二隐层,第二隐层的连接权值为1,计算得到第二隐层的第p个节点的输出up;
输出层:对第二隐层节点输出进行线性组合得到输出层,由于需对横向裂缝、纵向裂缝、斜向裂缝和不规则裂缝进行分类,输出层取4个节点,计算得到输出层第k个节点的输出yk。
进一步的,最大斜率K计算如下:
其中,ymax为单个裂缝边缘点纵坐标最大值,ymin为单个裂缝边缘点纵坐标最小值,xmax为单个裂缝边缘点横坐标最大值,xmin为单个裂缝边缘点横坐标最小值;
单个裂缝的分布密度d可用Harris角点检测计算如下:
其中,B为裂缝的二值化图像,i,j为图像中各像素点。
进一步的,第i个节点对应的输出zi的计算公式为:
zi=K(||x-ci||,σ)
其中,i=1,2,...,n1,n1是第一隐层的节点的个数;ci为隐中心矢量;σ为核函数控制参数;||·||表示x与ci之间的距离;K(·)为节点的传输函数,选取高斯核函数具体计算公式如下:
其中,j=1,2,...,n1。
进一步的,第二隐层的第p个节点的输出up计算公式为:
其中,q=1,2,…n2,n2为第二隐层的节点个数,Hp为第二隐层的第p个节点与第一隐层所对应的隐中心矢量的个数。
进一步的,第k个节点的输出yk计算公式为:
其中,k=1,2,3,4,wj为输出层与第二隐层的连接权值。
具体的,按区域建立直角坐标系具体步骤如下:
首先用加权平均法将RGB图像转换为灰度图像;然后利用线性灰度变换进行灰度修正,计算变换后图像像素灰度值g(x,y);再用全局阈值分割方法对降噪的图像进行分割,利用面形态学方法删除噪声点;预处理完成后,在区域Q1,Q2,...,Qn单独建立直角坐标系。
进一步的,RGB图像转换为灰度图像如下:
Im age(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,R(i,j)为RGB图像中红色在(i,j)处的分量,G(i,j)为RGB图像中绿色在(i,j)处的分量,B(i,j)为RGB图像中蓝色在(i,j)处的分量;
变换后图像像素灰度值g(x,y)如下:
其中,f(x,y)为原始图像像素灰度值,灰度范围为[a,b];g(x,y)为变换后图像像素灰度值,灰度范围为[c,d]。
具体的,区分不同类型的桥梁裂缝具体为:将裂缝图像信息在径向基概率神经网络模型中分类,输出横向裂缝、纵向裂缝、斜向裂缝及不规则裂缝,在区域图中用蓝色标记横向裂缝,用黄色标记纵向裂缝,用红色标记斜向裂缝,用绿色标记不规则裂缝。
具体的,确定裂缝率及新增裂缝率具体为:将分类结果以表格形式呈现,包括裂缝图像编码信息、裂缝类型、区域信息、坐标位置信息、裂缝率、新增裂缝率,坐标信息为最小外接矩形坐标;
图像编码由裂缝类型、区域编码、序列编码组成;横向裂缝标记为H,纵向裂缝标记为Z,斜向裂缝标记为X,不规则裂缝标记为G;区域信息以数字形式标记,Q1记为1,Q2记为2,以此类推;后面四位数为裂缝的序列编码,由计算机按区域内的检测顺序生成;与桥梁检测结果对比,统计每个区域裂缝率和新增裂缝率,区域裂缝率计算如下:
其中,Si为区域Qi的面积,ymax为单个裂缝边缘点纵坐标最大值,ymin为单个裂缝边缘点纵坐标最小值,xmax为单个裂缝边缘点横坐标最大值,xmin为单个裂缝边缘点横坐标最小值。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,首先训练搭建好的径向基概率神经网络模型,利用机器视觉完成桥梁裂缝检测的工作,解放了人力,提高了效率;检测结果分区域将不同裂缝类型以不同颜色显示,使分类结果更加直观;将单个裂缝编码信息以表格形式呈现,包括裂缝图像编码信息、裂缝类型、区域信息、坐标位置信息等项,并与之前的桥梁检测结果比较得出每个区域的裂缝率及新增裂缝率,使得后续桥梁养护与维修工作更加有针对性。
进一步的,径向基概率神经网络模型的输入层由单个裂缝边缘点组成的最大斜率K、角点个数n、单个裂缝的分布密度d作为输入量。由最大斜率K可以区分横向裂缝、纵向裂缝与斜向裂缝等规则裂缝的特征,角点个数n与单个裂缝的分布密度d可以区分规则裂缝与不规则裂缝的特征。径向基概率神经网络的第一隐层中的连接权值矢量,即隐中心矢量ci,可通过自适应学习来确定,第二隐层的节点可以按照类别对第一隐层的节点进行有选择的连接。所以径向基概率神经网络考虑了不同类别模式间的重叠与交错影响,且无需长时间训练。
进一步的,按区域建立直角坐标系方便对裂缝进行定位,便于用不同颜色标注不同的裂缝类型,使裂缝分类结果更加直观。
进一步的,钢筋混凝土桥梁不同的裂缝类型采取的对应的修补与预防措施不同,区分不同类型的桥梁裂缝并用标注出来可以使修补及预防工作更有针对性。
进一步的,裂缝率可以从某种程度上反应桥梁的损坏情况,不同裂缝类型区分的裂缝率方便工程技术人员有针对性地对桥梁开展养护工作。新增裂缝率可判断桥梁在某一时段内受损伤程度。
综上所述,本发明可基于径向基概率神经网络对不同桥梁裂缝类型进行分类,得到区域裂缝图及分类表格等分类结果,可直观看出裂缝类型、裂缝分布、裂缝率及新增裂缝率等信息,方便工程技术人员判断裂缝成因,更有针对性地开展桥梁修补养护工作。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程图;
图2为本发明径向基概率神经网络结构图;
图3为本发明桥梁裂缝编码信息说明图。
具体实施方式
本发明提供了一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,首先建立并训练径向基概率神经网络模型;采集桥梁底面裂缝图像视频信息,将图像以桥台和桥墩划分区域并完成图像拼接;然后对图像进行预处理,按区域建立直角坐标系;利用最小外接矩形框选裂缝图像,在每个区域内提取单个裂缝坐标信息;将处理好的图片经径向基概率神经网络分类后得出该裂缝类型信息,并用不同颜色标出不同类型的桥梁裂缝;然后生成桥梁裂缝信息统计表,与之前桥梁检测结果统计对比,检测出新增裂缝率。
请参阅图1至图3,本发明一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,包括以下步骤:
S1、建立并训练径向基概率神经网络模型;
径向基概率神经网络模型结构分为输入层、第一隐层、第二隐层和输出层。
S101、输入层:
输入层有3个节点,取单个裂缝边缘点组成的最大斜率K、角点个数n、单个裂缝的分布密度d作为输入量,最大斜率k计算如下:
其中,ymax为单个裂缝边缘点纵坐标最大值,ymin为单个裂缝边缘点纵坐标最小值,xmax为单个裂缝边缘点横坐标最大值,xmin为单个裂缝边缘点横坐标最小值。
单个裂缝的分布密度d可用Harris角点检测计算如下:
其中,B为裂缝的二值化图像,i,j表示图像中各像素点。
S102、第一隐层:
第i个节点对应的输出zi的计算公式为:
zi=K(||x-ci||,σ)
其中,i=1,2,...,n1,n1是第一隐层的节点的个数;ci为隐中心矢量;σ为核函数控制参数;||·||表示x与ci之间的距离;K(·)为节点的传输函数,选取高斯核函数具体计算公式如下:
其中,j=1,2,...,n1。
S103、第二隐层
按照类别对第一隐层节点进行有选择的连接得到第二隐层,第二隐层的连接权值选为1,则第二隐层的第p个节点的输出up计算公式为:
其中,q=1,2,...n2,n2为第二隐层的节点个数,Hp为第二隐层的第p个节点与第一隐层所对应的隐中心矢量的个数。
S104、输出层
对第二隐层节点输出进行线性组合得到输出层,由于需对横向裂缝、纵向裂缝、斜向裂缝和不规则裂缝进行分类,则输出层取4个节点,第k个节点的输出yk计算公式为:
其中,k=1,2,3,4,wj为输出层与第二隐层的连接权值。
S2、采集桥梁底面裂缝图像视频信息,按区域完成图像拼接;
采用CCD摄像头和图像采集卡采集桥梁底面视频,将桥梁底面图像以桥台、桥墩为界限划分区域,按区域完成图像拼接,将区域以Q1,Q2,...,Qn编号标记。
S3、图像预处理,按区域建立直角坐标系;
图像预处理包括灰度化、灰度修正、小波分析降噪、阈值分割、面形态学处理。图像预处理后,在每一个区域单独建立直角坐标系,具体如下:
首先用加权平均法将RGB图像转换为灰度图像如下:
Im age(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,R(i,j)为RGB图像中红色在(i,j)处的分量,G(i,j)为RGB图像中绿色在(i,j)处的分量,B(i,j)为RGB图像中蓝色在(i,j)处的分量;
然后利用线性灰度变换进行灰度修正,公式如下:
其中,f(x,y)为原始图像像素灰度值,灰度范围为[a,b];g(x,y)为变换后图像像素灰度值,灰度范围为[c,d];
再用全局阈值分割方法对降噪的图像进行分割,利用面形态学方法删除噪声点;
预处理完成后,在区域Q1,Q2,...,Qn单独建立直角坐标系。
S4、在每个区域内提取单个裂缝坐标信息;
利用最小外接矩形框选裂缝图像,提取单个裂缝所有边缘端点坐标。以最小外接矩形的坐标(xmin,ymin),(xmax,ymax)作为定位裂缝的重要依据。
S5、使用步骤S1得到的训练好的模型对图像进行检测,经径向基概率神经网络分类后得出该裂缝类型信息,并用不同颜色标出不同类型的桥梁裂缝;
将裂缝图像信息在上述径向基概率神经网络模型中分类,输出横向裂缝、纵向裂缝、斜向裂缝及不规则裂缝4种类型,在区域图中用蓝色标记横向裂缝,用黄色标记纵向裂缝,用红色标记斜向裂缝,用绿色标记不规则裂缝。
S6、将单个裂缝编码信息以表格形式呈现,包括裂缝图像编码信息、裂缝类型、区域信息、坐标位置信息等项,并与之前的桥梁检测结果比较得出裂缝率及新增裂缝率。
为使本发明实施例的目的、技术方案和优点更加清楚,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清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
将分类结果以表格形式呈现,包括裂缝图像编码信息、裂缝类型、区域信息、坐标位置信息、裂缝率、新增裂缝率等项。
分类结果表格示例如表1所示。
其中,坐标信息为最小外接矩形坐标,单位为mm;图像编码由裂缝类型、区域编码、序列编码等项组成。横向裂缝标记为H,纵向裂缝标记为Z,斜向裂缝标记为X,不规则裂缝标记为G;区域信息以数字形式标记,Q1记为1,Q2记为2,以此类推;后面四位数为裂缝的序列编码,由计算机按区域内的检测顺序生成;与之前的桥梁检测结果对比,将每个区域的裂缝率和新增裂缝率统计,图像信息统计表示例如图3所示,区域裂缝率计算如下:
其中,Si为区域Qi的面积。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,其特征在于,首先建立径向基概率神经网络模型并进行训练;采集桥梁底面裂缝图像视频信息,将图像以桥台和桥墩划分区域并完成图像拼接;然后对图像进行预处理,按区域建立直角坐标系;利用最小外接矩形框选裂缝图像,在每个区域内提取单个裂缝坐标信息;将处理好的图片经径向基概率神经网络分类后得出该裂缝类型信息,区分不同类型的桥梁裂缝并建立桥梁裂缝信息统计表,与桥梁检测结果统计对比得出新增裂缝率,完成裂缝分类识别。
2.根据权利要求1所述的一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,其特征在于,径向基概率神经网络模型包括输入层、第一隐层、第二隐层和输出层;
输入层:输入层有3个节点,分别取单个裂缝边缘点组成的最大斜率K、角点个数n、单个裂缝的分布密度d作为输入量;
第一隐层:计算第i个节点对应的输出zi,选取高斯核函数确定第一隐层;
第二隐层:按照类别对第一隐层节点进行有选择的连接得到第二隐层,第二隐层的连接权值为1,计算得到第二隐层的第p个节点的输出up;
输出层:对第二隐层节点输出进行线性组合得到输出层,由于需对横向裂缝、纵向裂缝、斜向裂缝和不规则裂缝进行分类,输出层取4个节点,计算得到输出层第k个节点的输出yk。
3.根据权利要求2所述的一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,其特征在于,最大斜率K计算如下:
其中,ymax为单个裂缝边缘点纵坐标最大值,ymin为单个裂缝边缘点纵坐标最小值,xmax为单个裂缝边缘点横坐标最大值,xmin为单个裂缝边缘点横坐标最小值;
单个裂缝的分布密度d可用Harris角点检测计算如下:
其中,B为裂缝的二值化图像,i,j为图像中各像素点。
4.根据权利要求2所述的一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,其特征在于,第i个节点对应的输出zi的计算公式为:
zi=K(||x-ci||,σ)
其中,i=1,2,...,n1,n1是第一隐层的节点的个数;ci为隐中心矢量;σ为核函数控制参数;||·||表示x与ci之间的距离;K(·)为节点的传输函数,选取高斯核函数具体计算公式如下:
其中,j=1,2,...,n1。
5.根据权利要求2所述的一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,其特征在于,第二隐层的第p个节点的输出up计算公式为:
其中,q=1,2,…n2,n2为第二隐层的节点个数,Hp为第二隐层的第p个节点与第一隐层所对应的隐中心矢量的个数。
6.根据权利要求2所述的一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,其特征在于,第k个节点的输出yk计算公式为:
其中,k=1,2,3,4,wj为输出层与第二隐层的连接权值。
7.根据权利要求1所述的一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,其特征在于,按区域建立直角坐标系具体步骤如下:
首先用加权平均法将RGB图像转换为灰度图像;然后利用线性灰度变换进行灰度修正,计算变换后图像像素灰度值g(x,y);再用全局阈值分割方法对降噪的图像进行分割,利用面形态学方法删除噪声点;预处理完成后,在区域Q1,Q2,...,Qn单独建立直角坐标系。
8.根据权利要求7所述的一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,其特征在于,RGB图像转换为灰度图像如下:
Im age(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,R(i,j)为RGB图像中红色在(i,j)处的分量,G(i,j)为RGB图像中绿色在(i,j)处的分量,B(i,j)为RGB图像中蓝色在(i,j)处的分量;
变换后图像像素灰度值g(x,y)如下:
其中,f(x,y)为原始图像像素灰度值,灰度范围为[a,b];g(x,y)为变换后图像像素灰度值,灰度范围为[c,d]。
9.根据权利要求1所述的一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,其特征在于,区分不同类型的桥梁裂缝具体为:将裂缝图像信息在径向基概率神经网络模型中分类,输出横向裂缝、纵向裂缝、斜向裂缝及不规则裂缝,在区域图中用蓝色标记横向裂缝,用黄色标记纵向裂缝,用红色标记斜向裂缝,用绿色标记不规则裂缝。
10.根据权利要求1所述的一种基于RBPNN的钢筋混凝土桥梁裂缝分类识别方法,其特征在于,确定裂缝率及新增裂缝率具体为:将分类结果以表格形式呈现,包括裂缝图像编码信息、裂缝类型、区域信息、坐标位置信息、裂缝率、新增裂缝率,坐标信息为最小外接矩形坐标;
图像编码由裂缝类型、区域编码、序列编码组成;横向裂缝标记为H,纵向裂缝标记为Z,斜向裂缝标记为X,不规则裂缝标记为G;区域信息以数字形式标记,Q1记为1,Q2记为2,以此类推;后面四位数为裂缝的序列编码,由计算机按区域内的检测顺序生成;与桥梁检测结果对比,统计每个区域裂缝率和新增裂缝率,区域裂缝率计算如下:
其中,Si为区域Qi的面积,ymax为单个裂缝边缘点纵坐标最大值,ymin为单个裂缝边缘点纵坐标最小值,xmax为单个裂缝边缘点横坐标最大值,xmin为单个裂缝边缘点横坐标最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716991.1A CN108985363A (zh) | 2018-07-03 | 2018-07-03 | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716991.1A CN108985363A (zh) | 2018-07-03 | 2018-07-03 | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108985363A true CN108985363A (zh) | 2018-12-11 |
Family
ID=64536535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810716991.1A Pending CN108985363A (zh) | 2018-07-03 | 2018-07-03 | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985363A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109752391A (zh) * | 2018-12-25 | 2019-05-14 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN109829856A (zh) * | 2019-01-30 | 2019-05-31 | 西安电子科技大学 | 一种桥梁裂缝信息融合方法 |
CN110222609A (zh) * | 2019-05-24 | 2019-09-10 | 江西理工大学 | 一种基于图像处理的墙体裂缝智能识别方法 |
CN111311559A (zh) * | 2020-02-07 | 2020-06-19 | 中国石油大学(华东) | 一种无偏差的裂缝表征方法 |
CN113160168A (zh) * | 2021-04-16 | 2021-07-23 | 浙江高速信息工程技术有限公司 | 基于裂隙图像二值化连通区域的噪声处理方法和系统 |
CN115511836A (zh) * | 2022-09-28 | 2022-12-23 | 丽水市市政设施管理中心(丽水市节约用水管理中心) | 基于强化学习算法的桥梁裂缝等级评估方法及系统 |
CN116309447A (zh) * | 2023-03-17 | 2023-06-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
CN116434087A (zh) * | 2023-04-04 | 2023-07-14 | 中建二局土木工程集团有限公司 | 基于goa-svm协同算法与无人机的混凝土裂缝识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257545A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
CN105930901A (zh) * | 2016-07-18 | 2016-09-07 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
CN107316064A (zh) * | 2017-06-26 | 2017-11-03 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
CN107506787A (zh) * | 2017-07-27 | 2017-12-22 | 陕西师范大学 | 一种基于迁移自学习的混凝土桥梁裂缝分类方法 |
-
2018
- 2018-07-03 CN CN201810716991.1A patent/CN108985363A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257545A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
CN105930901A (zh) * | 2016-07-18 | 2016-09-07 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
CN107316064A (zh) * | 2017-06-26 | 2017-11-03 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
CN107506787A (zh) * | 2017-07-27 | 2017-12-22 | 陕西师范大学 | 一种基于迁移自学习的混凝土桥梁裂缝分类方法 |
Non-Patent Citations (4)
Title |
---|
LEI ZHANG ET AL: "Road crack detection using deep convolutional neural network", 《2016 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
左永霞: "路面破损智能检测系统的关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
庞娜 等: "基于机器视觉的桥梁检测技术现状及发展", 《现代交通技术》 * |
樊瑶: "基于图像处理的路面裂缝检测关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109752391A (zh) * | 2018-12-25 | 2019-05-14 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN109752391B (zh) * | 2018-12-25 | 2020-06-30 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN109829856A (zh) * | 2019-01-30 | 2019-05-31 | 西安电子科技大学 | 一种桥梁裂缝信息融合方法 |
CN109829856B (zh) * | 2019-01-30 | 2022-09-20 | 西安电子科技大学 | 一种桥梁裂缝信息融合方法 |
CN110222609A (zh) * | 2019-05-24 | 2019-09-10 | 江西理工大学 | 一种基于图像处理的墙体裂缝智能识别方法 |
CN111311559B (zh) * | 2020-02-07 | 2022-06-14 | 中国石油大学(华东) | 一种无偏差的裂缝表征方法 |
CN111311559A (zh) * | 2020-02-07 | 2020-06-19 | 中国石油大学(华东) | 一种无偏差的裂缝表征方法 |
CN113160168A (zh) * | 2021-04-16 | 2021-07-23 | 浙江高速信息工程技术有限公司 | 基于裂隙图像二值化连通区域的噪声处理方法和系统 |
CN115511836A (zh) * | 2022-09-28 | 2022-12-23 | 丽水市市政设施管理中心(丽水市节约用水管理中心) | 基于强化学习算法的桥梁裂缝等级评估方法及系统 |
CN115511836B (zh) * | 2022-09-28 | 2023-10-27 | 丽水市市政设施管理中心(丽水市节约用水管理中心) | 基于强化学习算法的桥梁裂缝等级评估方法及系统 |
CN116309447A (zh) * | 2023-03-17 | 2023-06-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
CN116309447B (zh) * | 2023-03-17 | 2024-01-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
CN116434087A (zh) * | 2023-04-04 | 2023-07-14 | 中建二局土木工程集团有限公司 | 基于goa-svm协同算法与无人机的混凝土裂缝识别方法及装置 |
CN116434087B (zh) * | 2023-04-04 | 2024-01-23 | 中建二局土木工程集团有限公司 | 基于goa-svm协同算法与无人机的混凝土裂缝识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985363A (zh) | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN108038883A (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN108491788A (zh) | 一种用于财务报表单元格的智能提取方法及装置 | |
CN107301405A (zh) | 自然场景下的交通标志检测方法 | |
CN106096610A (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN106932408B (zh) | 一种基于图像处理的方格蔟污染蚕茧检测方法 | |
CN107315012A (zh) | 聚晶金刚石复合片端面崩角的智能检测方法 | |
CN108181316A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN108875803A (zh) | 一种基于视频图像的危化品运输车辆检测与识别方法 | |
CN104143077B (zh) | 基于图像的行人目标检索方法和系统 | |
CN104463882A (zh) | 基于形状补全区域图和特征编码的sar图像分割方法 | |
CN107705254A (zh) | 一种基于街景图的城市环境评估方法 | |
CN104700417A (zh) | 木材节子瑕疵的计算机图像自动识别方法 | |
CN108460833A (zh) | 一种基于bim构建传统建筑数字化保护与修复的信息平台 | |
CN108416814A (zh) | 一种菠萝头部的快速定位与识别方法及系统 | |
CN114445331A (zh) | 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 | |
CN113435407A (zh) | 一种输电系统的小目标识别方法及装置 | |
CN1237485C (zh) | 利用快速人脸检测对新闻被采访者进行脸部遮挡的方法 | |
CN111783773A (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 |
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: 20181211 |
|
RJ01 | Rejection of invention patent application after publication |