CN109376773A - 基于深度学习的裂纹检测方法 - Google Patents
基于深度学习的裂纹检测方法 Download PDFInfo
- Publication number
- CN109376773A CN109376773A CN201811155370.7A CN201811155370A CN109376773A CN 109376773 A CN109376773 A CN 109376773A CN 201811155370 A CN201811155370 A CN 201811155370A CN 109376773 A CN109376773 A CN 109376773A
- Authority
- CN
- China
- Prior art keywords
- training
- image data
- deep learning
- picture
- convolutional neural
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于深度学习的裂纹检测方法,包括以下步骤:步骤S1:训练集、验证集与测试集的采集;按比例随机分成训练集、验证集和测试集;步骤S2:目标分类检测;通过采用迁移学习方法训练卷积神经网络模型;步骤S3:利用拼接算法对待检测图片进行拼接;步骤S4:利用模型进行裂纹检测;采用滑动窗口扫描方法,对拼接后的图片进行扫描,并依次送入训练好的卷积神经网络模型进行分类判断。本发明能够对裂纹进行准确的识别,且由于采用了迁移学习的方法,能够大大减少训练复杂神经网络所需的数据集,并提供了较好精度性能。
Description
技术领域
本发明属于检测方法领域,尤其涉及一种基于深度学习的裂纹检测方法。
背景技术
许多建筑,如桥梁、大坝和高楼等,随着使用时间的增加,会产生一些结构性的变化,如产生裂纹或者腐蚀等。其中裂纹的产生会降低建筑物的承载力、耐久性和防水性。因此及时发现裂纹并对其进行维护至关重要。而如今一些大型建筑仍需要专业人员进行现场勘查后给出评估结果。这样的检测和维护过程需要花费大量的时间和精力,并且较为枯燥,其勘查结果也容易受到人们主观判断的影响。
由此,结构健康监测系统的概念被提出。一些基于震动频率变换来检测裂纹的方法被提出用来代替传统的人工检测方法,根据裂纹产生后引起建筑频率和状态的变换来检测裂纹,但是这些方法需要在建筑物上布置大量的传感器,并且容易受到外部不均匀环境的影响。另外基于传统图像处理的裂纹检测方法也被提出,通过摄像头来采集结构表面的裂纹,能够省去布置大量传感器的繁琐,将采集的图像经过处理后即可检测出裂纹。但是该方法在实际的检测中容易受到光照条件、复杂背景环境等外界条件的影响。
发明内容
随着深度学习的不断发展,其在裂纹检测方面的应用也越来越多。其中卷积神经网络能够自动学习图像中的特征,在各种目标分类检测中得到广泛应用。但是训练一个复杂的卷积神经网络需要大量的数据,并且花费较多的时间。本发明提出的基于深度学习的裂纹检测方法,其主要思想是采用迁移学习方法,优选通过在预训练好的GoogleNetInception V3模型后添加全连接层来实现,并且采用滑动扫描窗口方法实现对不同尺寸图片的检测。
本发明的目的在于提出一种基于深度学习的裂纹检测方法,能够适应不同条件下的裂纹检测,并且省去布置大量传感器的繁琐,能够自动准确的对裂纹进行识别检测,对于提升日常建筑物裂纹检测的准确率和效率有重要作用。
本发明首先采集一定数量的数据集,然后将数据集分为两大类:有裂纹和无裂纹;然后采用迁移学习的方法,将数据集送入预训练好的基于深度学习的分类模型中进行优化训练;经过若干轮后,裂纹检测模型训练完成待用;其次针对结构立面远超出相机视场大小的问题,提出基于特征点的拼接算法对具有重叠区域的图片对进行拼接以恢复较大视场的结构表面图;最后,采用滑动窗口扫描方法,利用训练好的模型对拼接后的包含裂纹的图片进行滑动检测分类,从而得到相应的扫描检测图。本发明能够对裂纹进行准确的识别,且由于采用了迁移学习的方法,能够大大减少训练复杂神经网络所需的数据集,并提供了较好精度性能。
为实现上述目的,本发明具体采用以下技术方案:
一种基于深度学习的裂纹检测方法,其特征在于,包括以下步骤:
步骤S1:训练集、验证集与测试集的采集:采集图像数据集,将采集的图像数据集按比例随机分成训练集、验证集和测试集;
步骤S2:目标分类检测:对图像数据采用卷积神经网络进行目标分类检测,通过采用迁移学习方法训练卷积神经网络模型;
步骤S3:待检测图片拼接:对待检测对象采集具有重叠区域的图片对,利用拼接算法进行拼接,以构建待检测对象完整的结构图;
步骤S4:利用模型进行裂纹检测:采用滑动窗口扫描方法,对拼接后的图片进行扫描,并依次送入训练好的卷积神经网络模型进行分类判断,当判断结果为裂纹时,对应区域的像素值保留;反之,则像素值赋0。
优选地,在步骤S2当中,对训练集和验证集的图像数据采用预训练好的卷积神经网络模型进行目标分类检测,通过采用迁移学习方法调整预训练好的卷积神经网络模型;
所述预训练好的卷积神经网络模型为GoogleNet Inception V3,在GoogleNetInception V3后添加一层全连接层实现模型的迁移学习;在训练阶段,预训练好的GoogleNet Inception V3中的参数值保持不变,只对所述全连接层中的参数进行更新。
优选地,在步骤S1中,所述训练集、验证集和测试集中均包含有裂纹和无裂纹两种类型的图像数据。
优选地,在步骤S1中,所述图像数据集根据0.8、0.1、0.1的比例分为训练集、验证集和测试集。
优选地,在步骤S1中,所述图像数据集中,每一图像数据的的分辨率均为256*256像素。
优选地,在步骤S3中,利用拼接算法进行拼接,以构建待检测对象完整的结构图的具体方法是:采用ORB算法提取具有重叠区域的图片对中的特征点,并进行粗匹配;然后再利用RANSAC算法去除误匹配后求出单应矩阵H后,进行图像融合。
优选地,在步骤S4中,采用滑动窗口扫描方法,对拼接后的图片进行扫描的具体方法是:从拼接后的图片的左上角开始进行扫描,扫描窗口大小为256*256像素,扫描顺序为从左到右、从上到下进行扫描。
相较于现有技术,本发明及其优选方案具有以下有益效果:与传统的图像处理方法相比,本发明提出的基于深度学习的裂纹检测方法有如下几个优点:
(1)能够自动学习数据集图像中的特征。传统的图像处理方法需要人为设置阈值,其阈值的设置对于最后结果的影响至关重要,而卷积神经网络能够自动去学习图像中的特征。
(2)能够实现对较细裂纹的检测。利用机器学习的特点,通过在训练数据集中加入较细裂纹的数据,对模型进行训练后,模型能够实现对较细裂纹的识别,并且保持较高的准确率。
(3)能够适用于不同条件下的裂纹检测。传统的图像处理方法容易受到光照条件变化、背景干扰等外部环境变化的影响,而对于基于深度学习的裂纹检测方法来说,可以在训练集中加入不同条件下的数据集,就可以对其实现检测。
(4)能够减少训练所需的数据量和时间。采用迁移学习的方法,充分利用了预训练好的GoogleNet Inception V3模型,大大减少训练所需的数据集和训练所需的时间。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1是本发明实施例方法整体流程示意图;
图2是本发明实施例中采集图像数据集的部分样本及分类示意图;
图3是本发明实施例中滑动窗口扫描方法示意图;
图4是利用本发明实施例方法在裂纹较为明显情况下的原图和检测结果图;
图5是利用本发明实施例方法在存在背景干扰情况下的原图和检测结果图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
本实施例方法包括以下步骤:
步骤S1:训练集、验证集与测试集的采集:采集图像数据集,将采集的图像数据集按0.8、0.1、0.1的比例随机分成训练集、验证集和测试集;
步骤S2:目标分类检测:对训练集和验证集的图像数据采用预训练好的卷积神经网络模型进行目标分类检测,通过采用迁移学习方法微调预训练好的卷积神经网络模型;
步骤S3:待检测图片拼接:对待检测对象采集具有重叠区域的图片对,利用拼接算法进行拼接,以构建待检测对象完整的结构图;
步骤S4:利用模型进行裂纹检测:采用滑动窗口扫描方法,对拼接后的图片进行扫描,并依次送入训练好的卷积神经网络模型进行分类判断,当判断结果为裂纹时,对应区域的像素值保留;反之,则像素值赋0,扫描完成后,得到最后的检测结果。
其中,在步骤S1中,训练集、验证集和测试集中均包含有裂纹和无裂纹两种类型的图像数据。图像数据集中,每一图像数据的的分辨率均为256*256像素。
在步骤S2当中,预训练好的卷积神经网络模型为GoogleNet Inception V3,在GoogleNet Inception V3后添加一层全连接层实现模型的迁移学习;在训练阶段,预训练好的GoogleNet Inception V3中的参数值保持不变,只对全连接层中的参数进行更新。
在步骤S3中,利用拼接算法进行拼接,以构建待检测对象完整的结构图的具体方法是:采用ORB算法提取具有重叠区域的图片对中的特征点,并进行粗匹配;然后再利用RANSAC算法去除误匹配后求出单应矩阵H后,进行图像融合。
在步骤S4中,采用滑动窗口扫描方法,对拼接后的图片进行扫描的具体方法是:从拼接后的图片的左上角开始进行扫描,扫描窗口大小为256*256像素,扫描顺序为从左到右、从上到下进行扫描。
在一个应用本实施例方法的具体案例中:
如图1所示,首先采集制作数据集并将其分为训练集、测试集和验证集,采用迁移学习方法,在预训练好的模型后添加全连接层,将数据集送入模型进行训练,采集待检测的具有重叠区域的图片对,利用拼接算法进行拼接,最后采用滑动窗口扫描方法对形成的拼接图片进行扫描,每扫描一次便送入模型进行判断,扫描完成后输出检测结果图,从而实现对裂纹的检测。
如图2所示,将采集的数据集分为两类(有裂纹和无裂纹),采集数据时距离目标的距离为0.5m~1.0m之间,共采集710张有裂纹的图片,98张裂纹聚焦模糊的图片,且每张图片的分辨率为3024*4032像素。将采集的图片进行裁剪,裁剪成256*256像素的图片。人工对裁剪后的图片进行分类筛选,将其分为两大类:有裂纹和无裂纹,最后利用代码将其按照0.8、0.1、0.1的比例随机分成训练集、验证集和测试集,由此数据集制作完成。
所采用的预训练好的模型为GoogleNet Inception V3模型,采用迁移学习的方法,在GoogleNet Inception V3后添加全连接层,将训练集送入模型进行训练,验证集用于调整超参数(学习率和正则化强度),训练两千轮后,利用测试集验证模型的训练效果,最后测试集在模型上的准确率为98%。
之后对待检测目标(如桥面、墙面等)的各个区域采集图像,获得的图像中存在重叠区域,利用拼接算法进行拼接。
拼接算法采用ORB算法对图片对中的特征点进行提取,并进行粗匹配,然后利用RANSAC算法对误匹配进行剔除,并求出单应矩阵H,最后进行图像的拼接融合。
如图3所示,采用滑动窗口扫描方法对拼接后的待检测图片进行扫描,具体的扫描方式为从图像的左上角开始,从左到右,从上到下进行扫描,扫描窗口的大小为256*256像素,每扫描一次便将对应位置的图像送入模型进行检测判断,当检测结果为有裂纹,则对应位置的像素值保留;反之,则对应位置的像素值赋0,扫描完成后输出检测结果图。
图4、图5即为最终的结果示例图。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的基于深度学习的裂纹检测方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (7)
1.一种基于深度学习的裂纹检测方法,其特征在于,包括以下步骤:
步骤S1:训练集、验证集与测试集的采集:采集图像数据集,将采集的图像数据集按比例随机分成训练集、验证集和测试集;
步骤S2:目标分类检测:对图像数据采用卷积神经网络进行目标分类检测,通过采用迁移学习方法训练卷积神经网络模型;
步骤S3:待检测图片拼接:对待检测对象采集具有重叠区域的图片对,利用拼接算法进行拼接,以构建待检测对象完整的结构图;
步骤S4:利用模型进行裂纹检测:采用滑动窗口扫描方法,对拼接后的图片进行扫描,并依次送入训练好的卷积神经网络模型进行分类判断,当判断结果为裂纹时,对应区域的像素值保留;反之,则像素值赋0。
2.根据权利要求1所述的基于深度学习的裂纹检测方法,其特征在于:在步骤S2当中,对训练集和验证集的图像数据采用预训练好的卷积神经网络模型进行目标分类检测,通过采用迁移学习方法调整预训练好的卷积神经网络模型;
所述预训练好的卷积神经网络模型为GoogleNet Inception V3,在GoogleNetInception V3后添加一层全连接层实现模型的迁移学习;在训练阶段,预训练好的GoogleNet Inception V3中的参数值保持不变,只对所述全连接层中的参数进行更新。
3.根据权利要求1所述的基于深度学习的裂纹检测方法,其特征在于:在步骤S1中,所述训练集、验证集和测试集中均包含有裂纹和无裂纹两种类型的图像数据。
4.根据权利要求1所述的基于深度学习的裂纹检测方法,其特征在于:在步骤S1中,所述图像数据集根据0.8、0.1、0.1的比例分为训练集、验证集和测试集。
5.根据权利要求1所述的基于深度学习的裂纹检测方法,其特征在于:在步骤S1中,所述图像数据集中,每一图像数据的的分辨率均为256*256像素。
6.根据权利要求1所述的基于深度学习的裂纹检测方法,其特征在于:在步骤S3中,利用拼接算法进行拼接,以构建待检测对象完整的结构图的具体方法是:采用ORB算法提取具有重叠区域的图片对中的特征点,并进行粗匹配;然后再利用RANSAC算法去除误匹配后求出单应矩阵H后,进行图像融合。
7.根据权利要求1所述的基于深度学习的裂纹检测方法,其特征在于:在步骤S4中,采用滑动窗口扫描方法,对拼接后的图片进行扫描的具体方法是:从拼接后的图片的左上角开始进行扫描,扫描窗口大小为256*256像素,扫描顺序为从左到右、从上到下进行扫描。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811155370.7A CN109376773A (zh) | 2018-09-30 | 2018-09-30 | 基于深度学习的裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811155370.7A CN109376773A (zh) | 2018-09-30 | 2018-09-30 | 基于深度学习的裂纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376773A true CN109376773A (zh) | 2019-02-22 |
Family
ID=65402620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811155370.7A Pending CN109376773A (zh) | 2018-09-30 | 2018-09-30 | 基于深度学习的裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376773A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083719A (zh) * | 2019-03-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于深度学习的工业制品病疵检测方法 |
CN110161035A (zh) * | 2019-04-26 | 2019-08-23 | 浙江大学 | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 |
CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
CN110322442A (zh) * | 2019-07-11 | 2019-10-11 | 福州大学 | 一种基于SegNet的建筑物表面裂纹检测方法 |
CN110490249A (zh) * | 2019-08-16 | 2019-11-22 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
CN110503637A (zh) * | 2019-08-13 | 2019-11-26 | 中山大学 | 一种基于卷积神经网络的道路裂缝自动检测方法 |
CN110689538A (zh) * | 2019-10-12 | 2020-01-14 | 太原科技大学 | 隧道衬砌裂缝图像检测方法 |
CN111091100A (zh) * | 2019-12-21 | 2020-05-01 | 河海大学 | 一种基于复杂噪声图像深度学习的混凝土裂缝识别方法 |
CN111832588A (zh) * | 2019-04-18 | 2020-10-27 | 四川大学 | 一种基于集成分类的暴恐图像标注方法 |
CN111993280A (zh) * | 2020-09-02 | 2020-11-27 | 长春工程学院 | 一种磨床砂轮自动检测方法 |
CN113343355A (zh) * | 2021-06-08 | 2021-09-03 | 四川大学 | 基于深度学习的飞机蒙皮型面检测路径规划方法 |
US11250323B2 (en) | 2019-05-21 | 2022-02-15 | Advanced New Technologies Co., Ltd. | System and method for training neural networks |
CN115758084A (zh) * | 2022-11-21 | 2023-03-07 | 清华大学 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855649A (zh) * | 2012-08-23 | 2013-01-02 | 山东电力集团公司电力科学研究院 | 基于orb特征点的高压杆塔高清图像全景拼接方法 |
CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
CN103761721A (zh) * | 2013-12-30 | 2014-04-30 | 西北工业大学 | 一种适用于空间绳系机器人的立体视觉快速图像拼接方法 |
CN106897714A (zh) * | 2017-03-23 | 2017-06-27 | 北京大学深圳研究生院 | 一种基于卷积神经网络的视频动作检测方法 |
US20170343481A1 (en) * | 2016-05-27 | 2017-11-30 | Purdue Research Foundation | Methods and systems for crack detection |
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN108074231A (zh) * | 2017-12-18 | 2018-05-25 | 浙江工业大学 | 一种基于卷积神经网络的磁片表面缺陷检测方法 |
CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 |
-
2018
- 2018-09-30 CN CN201811155370.7A patent/CN109376773A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
CN102855649A (zh) * | 2012-08-23 | 2013-01-02 | 山东电力集团公司电力科学研究院 | 基于orb特征点的高压杆塔高清图像全景拼接方法 |
CN103761721A (zh) * | 2013-12-30 | 2014-04-30 | 西北工业大学 | 一种适用于空间绳系机器人的立体视觉快速图像拼接方法 |
US20170343481A1 (en) * | 2016-05-27 | 2017-11-30 | Purdue Research Foundation | Methods and systems for crack detection |
CN106897714A (zh) * | 2017-03-23 | 2017-06-27 | 北京大学深圳研究生院 | 一种基于卷积神经网络的视频动作检测方法 |
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN108074231A (zh) * | 2017-12-18 | 2018-05-25 | 浙江工业大学 | 一种基于卷积神经网络的磁片表面缺陷检测方法 |
CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 |
Non-Patent Citations (3)
Title |
---|
NOMORNINGSTAR: "inceptionv3之迁移学习与图之字幕", 《CSDN》 * |
曹凯: "基于卷积神经网络的外观缺陷检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨晶东等: "基于迁移学习的全连接神经网络舌象分类方法", 《第二军医大学学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083719A (zh) * | 2019-03-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于深度学习的工业制品病疵检测方法 |
CN111832588A (zh) * | 2019-04-18 | 2020-10-27 | 四川大学 | 一种基于集成分类的暴恐图像标注方法 |
CN110161035B (zh) * | 2019-04-26 | 2020-04-10 | 浙江大学 | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 |
CN110161035A (zh) * | 2019-04-26 | 2019-08-23 | 浙江大学 | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 |
US10783406B1 (en) | 2019-04-26 | 2020-09-22 | Zhejiang University | Method for detecting structural surface cracks based on image features and bayesian data fusion |
US11250323B2 (en) | 2019-05-21 | 2022-02-15 | Advanced New Technologies Co., Ltd. | System and method for training neural networks |
CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
CN110322442A (zh) * | 2019-07-11 | 2019-10-11 | 福州大学 | 一种基于SegNet的建筑物表面裂纹检测方法 |
CN110503637A (zh) * | 2019-08-13 | 2019-11-26 | 中山大学 | 一种基于卷积神经网络的道路裂缝自动检测方法 |
CN110503637B (zh) * | 2019-08-13 | 2022-12-06 | 中山大学 | 一种基于卷积神经网络的道路裂缝自动检测方法 |
CN110490249A (zh) * | 2019-08-16 | 2019-11-22 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
CN110689538A (zh) * | 2019-10-12 | 2020-01-14 | 太原科技大学 | 隧道衬砌裂缝图像检测方法 |
CN110689538B (zh) * | 2019-10-12 | 2022-03-29 | 太原科技大学 | 隧道衬砌裂缝图像检测方法 |
CN111091100A (zh) * | 2019-12-21 | 2020-05-01 | 河海大学 | 一种基于复杂噪声图像深度学习的混凝土裂缝识别方法 |
CN111993280A (zh) * | 2020-09-02 | 2020-11-27 | 长春工程学院 | 一种磨床砂轮自动检测方法 |
CN113343355A (zh) * | 2021-06-08 | 2021-09-03 | 四川大学 | 基于深度学习的飞机蒙皮型面检测路径规划方法 |
CN115758084A (zh) * | 2022-11-21 | 2023-03-07 | 清华大学 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
CN115758084B (zh) * | 2022-11-21 | 2023-11-14 | 清华大学 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376773A (zh) | 基于深度学习的裂纹检测方法 | |
Mandal et al. | Automated road crack detection using deep convolutional neural networks | |
CN109239102B (zh) | 一种基于cnn的柔性电路板外观缺陷检测方法 | |
Eisenbach et al. | How to get pavement distress detection ready for deep learning? A systematic approach | |
CN109800631B (zh) | 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法 | |
CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
CN108918539B (zh) | 一种隧道结构表观病害检测装置及方法 | |
CN110097053B (zh) | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 | |
Mathavan et al. | Use of a self-organizing map for crack detection in highly textured pavement images | |
CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN111932511B (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
CN103235830A (zh) | 一种基于无人机电力巡线方法、装置及无人机 | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN103344583A (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN107016396A (zh) | 一种装配连接件图像特征深度学习与识别方法 | |
CN107490582A (zh) | 一种流水线工件检测系统 | |
CN106296691A (zh) | 基于图像分析的路面病害识别方法 | |
CN112837308A (zh) | 一种建筑裂缝检测方法、装置、设备及存储介质 | |
CN112001901A (zh) | 基于卷积神经网络的苹果缺陷检测方法及系统 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
CN115482195A (zh) | 一种基于三维点云的列车部件变形检测方法 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
CN113256602A (zh) | 一种基于自编码器的无监督风机叶片缺陷检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |