CN110232334A - 一种基于卷积神经网络的钢结构锈蚀识别方法 - Google Patents
一种基于卷积神经网络的钢结构锈蚀识别方法 Download PDFInfo
- Publication number
- CN110232334A CN110232334A CN201910443135.8A CN201910443135A CN110232334A CN 110232334 A CN110232334 A CN 110232334A CN 201910443135 A CN201910443135 A CN 201910443135A CN 110232334 A CN110232334 A CN 110232334A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- picture
- steel construction
- training
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 87
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 47
- 239000010959 steel Substances 0.000 title claims abstract description 47
- 238000010276 construction Methods 0.000 title claims abstract description 45
- 230000007797 corrosion Effects 0.000 title claims abstract description 35
- 238000005260 corrosion Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000002790 cross-validation Methods 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000013519 translation Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开一种基于卷积神经网络的钢结构锈蚀识别方法，包括步骤1：采集钢结构的图片，进行图片预处理，划分训练集和测试集；步骤2：设计卷积神经网络结构；步骤3：通过交叉验证进行超参数优化和模型训练；步骤4：将待识别的钢结构图片输入到步骤3中得到的模型，得到锈蚀识别结果。本发明利用卷积神经网络实现了结构锈蚀特征的自动提取，避免了复杂繁琐的特征设计工作，提高了钢结构锈蚀识别的效率；实现了钢结构锈蚀的精确识别，并可提供客观的识别结果，为钢结构的锈蚀识别提供了新的解决途径。
Description
技术领域
本发明属于图像处理及模式识别技术领域，具体涉及一种基于卷积神经网络的钢结构锈蚀识别方法。
背景技术
锈蚀是钢结构中一种频繁出现的缺陷。当构件发生锈蚀时，构件的力学性能会退化，结构的承载能力也会随之降低。定期地对结构进行锈蚀检查，有助于我们了解结构的健康状况，并及时地采取除锈措施，以保障结构安全。
基于人工的视觉检查是目前最常用的锈蚀检测方法，虽然执行方便，但是检测效率低，而且检测费用高。基于机器视觉的方法可以高效地进行锈蚀图像识别。但是，传统方法的识别精度取决于所设计的特征的质量。而高质量特征通常需要具有专业知识的人员反复进行特征设计实验才能得到。并且，人工设计的特征的普适性差。
随着深度学习技术的发展，钢结构锈蚀检测问题有了更好的解决方法。深度学习算法可以自动地从图像中提取类别特征，从而避免复杂繁琐的特征设计工作。而且，基于深度学习算法的识别精度往往要高于基于传统方法的识别精度。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种基于卷积神经网络的钢结构锈蚀识别方法。与现有技术相比，本发明能够显著提高钢结构锈蚀检测效率和识别精度，降低检测费用，并提供客观的检测结果。同时，该方法适用性高，能够实现快速、高效、精确地钢结构锈蚀识别。
本发明的目的是通过以下技术方案实现的：
一种基于卷积神经网络的钢结构锈蚀识别方法，包括以下步骤：
步骤1：建立钢结构锈蚀图片数据集，划分训练集和测试集；
步骤2：建立用于钢结构锈蚀识别的卷积神经网络模型；
步骤3：训练卷积神经网络模型：首先使用交叉验证对卷积神经网络超参数进行优化；然后使用训练集中的图片训练卷积神经网络模型，得到卷积神经网络模型的参数；
步骤4：钢结构锈蚀识别：将测试集中的图片输入到由步骤3得到的卷积神经网络模型中，得到卷积神经网络模型的识别结果。
进一步的，步骤1具体包括以下步骤：
(101)通过图像采集设备采集钢结构在不同时间段及不同光照条件下的图片；
(102)将图片切割为指定像素大小的图片；
(103)进行数据清洗，剔除背景图片和严重模糊的图片；将切割后得到的图片标记为锈蚀或无锈蚀；对切割后的图片进行翻转、缩放操作，以扩增数据集；
(104)按照8：2的比例，将数据集划分为训练集和测试集。
进一步的，步骤2包括：
卷积神经网络模型能够自动从图像中学习到用于分类的特征，并保持对图像的平移、缩放和翻转等操作的不变性；。通过对现有卷积神经网络模型的结构进行调整，将现有卷积神经网络模型的输出层结点数量设置为2，得到用于钢结构锈蚀识别的卷积神经网络模型结构。
进一步的，步骤3包括以下步骤：
(301)优化卷积神经网络模型超参数
将步骤1中得到训练集平均划分为五份，每次使用一份作为验证集，使用四份训练步骤2中所建立的卷积神经网络模型；重复五次，每次使用不同的数据作为验证集；将同一超参数组合下，卷积神经网络模型在验证集上的精度的均值作为该组超参数对应的精度；将最高精度对应的超参数作为卷积神经网络模型的超参数。
(302)训练卷积神经网络模型参数
对卷积神经网络模型的参数进行随机初始化，每次使用训练集中图片进行正向传播，使用交叉熵函数计算正向传播产生的损失函数，基于随机梯度下降计算梯度，使用链式法则进行反向传播，更新卷积神经网络模型参数；设置训练停止条件，完成卷积神经网络模型训练。训练完成后，将训练数据输入到卷积神经网络模型中，得到卷积神经网络模型对训练数据的预测结果，通过与训练数据的真实类别进行比较，得到训练精度。
进一步的，步骤4包括以下步骤：
(401)将测试集中的图片输入到步骤3训练好的卷积神经网络模型中，得到卷积神经网络模型对测试集中图片的识别结果；
(402)与测试集中图片的真实类别进行比较，获得卷积神经网络模型的预测精度；
(403)通过比较训练精度、预测精度和预期精度，预期精度由人为设置，确定是否需要添加样本或者改善卷积神经网络模型继续进行训练。
与现有技术相比，本发明的技术方案所带来的有益效果是：
1、本发明提供的基于卷积神经网络的钢结构锈蚀程度识别方法，首先使用钢结构锈蚀图片训练深度学习模型，然后利用训练好的卷积神经网络模型对测试集中的图片进行锈蚀识别。在训练过程中，卷积神经网络模型能够自动从图像中学习到用于结构锈蚀识别的特征，从而避免了人工设计特征的过程，提高了特征工程的效率。卷积神经网络在学习特征过程中不受主观因素的影响，从而能够从训练集中学习到用于锈蚀分类的全局特征，使得卷积神经网络模型具有更高的识别精度和更强的泛化性能。同时，使用卷积神经网络能够得到更客观的识别结果。基于卷积神经网络的钢结构锈蚀识别方法比基于传统的方法具有更高的精度和效率，为结构锈蚀识别提供了新的解决途径。
2、本发明提供的基于卷积神经网络的钢结构锈蚀程度识别方法，能够以高精度实现钢结构的锈蚀识别。并且可以根据检测要求，动态调整卷积神经网络模型输出层的节点数，实现钢结构的锈蚀程度识别。结合深度学习框架进行开发，可将钢结构锈蚀识别模型部署到云端、PC端或移动端，可实现随时进行钢结构锈蚀检测，并快速获得检测结果的目的。
附图说明
图1为本发明中基于卷积神经网络的钢结构锈蚀程度识别的流程图；
图2为本发明实施例中的卷积神经网络模型的结构示意图；
图3为本发明实施例中训练卷积神经网络模型的流程图；
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明基于卷积神经网络的钢结构锈蚀程度识别的流程图，包括以下步骤：
步骤1：采集钢结构锈蚀图片并建立钢结构锈蚀图片数据集，划分训练集和测试集；
步骤2：根据数据集大小、图片尺寸和图片类别数量设计卷积神经网络模型架构；
步骤3：通过交叉验证进行超参数寻优，使用训练集数据训练卷积神经网络模型，得到卷积神经网络模型参数；
步骤4：将测试集中的图片输入到步骤3得到的卷积神经网络模型，输出卷积神经网络模型对测试集中图片的识别结果。
具体的，步骤1包括：
步骤1.1：通过利用无人机、手机或相机等图像采集设备采集钢结构不同高度处的图片，将采集到的图片切分成224*224大小的图片，剔除背景图片及模糊的图片。为避免图片切分导致图片信息损失，将图片长度和宽度方向的像素数压缩到224到整倍数。本实施例中将像素为4096*3072的图片缩放到4032*2912；
步骤1.2：对经过数据清洗后得到的图片进行标记，没有出现锈蚀的标记为0，否则标记为1。本实施例中按照8：2的比例进行划分训练集和测试集。
步骤1.3：深度学习模型通常需要大量的数据进行训练。当训练数据过少时候，训练的模型容易出现过拟合的情况，即在测试集上的分类精度远低于在训练集上的分类精度。对训练集进行数据增强是一个有效地缓解过拟合的策略。本发明中对图片进行了水平翻转，垂直翻转和随机转动，用以扩充数据集。
具体的，步骤2包括：
卷积神经网络能够从图片中自动学习到类别特征。可以通过改变卷积层和池化层的位置、数量、卷积核的大小与数量等参数设计网络结构。本实例采用微调现有的卷积神经网络的方法，得到用于钢结构锈蚀识别的卷积神经网络。ZFNet是一种常用的卷积神经网络模型，本实例将ZFNet输出层的节点调整为2个，保持其他层不变。微调后的ZFNet的结构如图2所示。
具体的，步骤3包括：
卷积神经网络模型的训练包括两步：训练网络的超参数和训练网络参数。本实例采用的网络结构为ZFNet，需要训练的超参数主要是学习率、批次训练量大小、随机丢弃率、优化器。
步骤3.1：采用五次五折交叉验证方法训练超参数。每轮将训练集平均划分为五份，使用其中的1份作为验证集，其余4份作为训练集，使用指定的一组超参数进行训练卷积神经网络，得到卷积神经网络在验证集上的精度。依次改变验证集和训练集，可得到5个不同的网络在验证集上的精度。重复5轮，取25个精度值的均值作为该组超参数对应的精度。
步骤3.2：网络参数训练的流程见图3。首先加载步骤2中设计的卷积神经网络结构，然后对卷积神经网络的参数进行随机初始化，并将网络的超参数设置为步骤3.1中确定的值。读入训练集数据，通过正向传播得到模型对训练集数据的预测类别，与训练集的真实类别进行对比，采用交叉熵损失函数计算本次正向传播的误差；利用批量随机梯度下降算法将误差进行反向传播，逐层更新卷积神经网络模型的参数。当达到设置的训练停止条件后，停止训练并保存模型参数。
具体的，步骤4包括：
加载测试集、网络结构和参数，选择分类性能评估标准，包括召回率、精确度和F度量。可得到卷积神经网络模型在测试集上的识别结果及性能指标。
综上，本发明通过使用卷积神经网络模型，为钢结构的锈蚀识别提供了一种简便的方法，极大地提高了钢结构锈蚀识别的效率，降低了钢结构检测的费用，并可以提供更精确、客观的检测结果。
本发明并不限于上文描述的实施方式及用到的深度学习模型。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。
Claims (5)
1.一种基于卷积神经网络的钢结构锈蚀识别方法，其特征在于，包括以下步骤：
步骤1：建立钢结构锈蚀图片数据集，划分训练集和测试集；
步骤2：建立用于钢结构锈蚀识别的卷积神经网络模型；
步骤3：训练卷积神经网络模型：首先使用交叉验证对卷积神经网络超参数进行优化；然后使用训练集中的图片训练卷积神经网络模型，得到卷积神经网络模型的参数；
步骤4：钢结构锈蚀识别：将测试集中的图片输入到由步骤3得到的卷积神经网络模型中，得到卷积神经网络模型的识别结果。
2.根据权利要求1所述一种基于卷积神经网络的钢结构锈蚀识别方法，其特征在于，步骤1具体包括以下步骤：
(101)通过图像采集设备采集钢结构在不同时间段及不同光照条件下的图片；
(102)将图片切割为指定像素大小的图片；
(103)进行数据清洗，剔除背景图片和严重模糊的图片；将切割后的图片标记为锈蚀或无锈蚀；对切割后的图片进行翻转、缩放操作，以扩增数据集；
(104)按照8：2的比例，将数据集划分为训练集和测试集。
3.根据权利要求1所述一种基于卷积神经网络的钢结构锈蚀识别方法，其特征在于，步骤2包括：
卷积神经网络模型能够自动从图片中学习到用于分类的特征，并保持对图像的平移、缩放和翻转操作的不变性；通过对现有卷积神经网络模型的结构进行调整，将现有卷积神经网络模型的输出层结点数量设置为2，得到用于钢结构锈蚀识别的卷积神经网络模型结构。
4.根据权利要求1所述一种基于卷积神经网络的钢结构锈蚀识别方法，其特征在于，步骤3包括以下步骤：
(301)优化卷积神经网络模型超参数
将步骤1中得到训练集平均划分为五份，每次使用一份作为验证集，使用四份训练步骤2中所建立的卷积神经网络模型；重复五次，每次使用不同的数据作为验证集；将同一超参数组合下，卷积神经网络模型在验证集上的精度的均值作为该组超参数对应的精度；将最高精度对应的超参数作为卷积神经网络模型的超参数。
(302)训练卷积神经网络模型参数
对卷积神经网络模型的参数进行随机初始化，每次使用训练集中的图片进行正向传播，使用交叉熵函数计算正向传播产生的损失函数，基于随机梯度下降计算梯度，使用链式法则进行反向传播，更新卷积神经网络模型参数；设置训练停止条件，完成卷积神经网络模型训练。训练完成后，将训练数据输入到卷积神经网络模型中，得到卷积神经网络模型对训练数据的预测结果，通过与训练数据的真实类别进行比较，得到训练精度。
5.根据权利要求1所述一种基于卷积神经网络的钢结构锈蚀识别方法，其特征在于，步骤4包括以下步骤：
(401)将测试集中的图片输入到步骤3训练好的卷积神经网络模型中，得到卷积神经网络模型对测试集中图片的识别结果；
(402)与测试集中图片的真实类别进行比较，获得卷积神经网络模型的预测精度；
(403)通过比较训练精度、预测精度和预期精度，所述预期精度由人为设置，确定是否需要添加样本或者改善卷积神经网络模型继续进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910443135.8A CN110232334A (zh) | 2019-05-26 | 2019-05-26 | 一种基于卷积神经网络的钢结构锈蚀识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910443135.8A CN110232334A (zh) | 2019-05-26 | 2019-05-26 | 一种基于卷积神经网络的钢结构锈蚀识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110232334A true CN110232334A (zh) | 2019-09-13 |
Family
ID=67861099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910443135.8A Pending CN110232334A (zh) | 2019-05-26 | 2019-05-26 | 一种基于卷积神经网络的钢结构锈蚀识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110232334A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782078A (zh) * | 2019-10-18 | 2020-02-11 | 武汉科技大学 | 一种耙吸式挖泥船出泥率预测的学习方法 |
| CN111583197A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 结合SSD及Resnet50网络的电力箱图片锈蚀破损识别方法 |
| CN112862763A (zh) * | 2021-01-25 | 2021-05-28 | 中国石油天然气集团有限公司 | 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 |
| CN113986561A (zh) * | 2021-12-28 | 2022-01-28 | 苏州浪潮智能科技有限公司 | 人工智能任务处理方法、装置、电子设备及可读存储介质 |
| CN117067226A (zh) * | 2023-08-17 | 2023-11-17 | 兰州交通大学 | 钢桥锈蚀检测机器人及锈蚀检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
| US20190017911A1 (en) * | 2017-07-11 | 2019-01-17 | Qatar University | Real-time structural damage detection by convolutional neural networks |
| CN109255345A (zh) * | 2018-08-21 | 2019-01-22 | 国网浙江省电力有限公司电力科学研究院 | 一种基于卷积神经网络的电缆隧道铁锈识别方法 |
| US20190094124A1 (en) * | 2017-09-22 | 2019-03-28 | Saudi Arabian Oil Company | Thermography image processing with neural networks to identify corrosion under insulation (cui) |
-
2019
- 2019-05-26 CN CN201910443135.8A patent/CN110232334A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190017911A1 (en) * | 2017-07-11 | 2019-01-17 | Qatar University | Real-time structural damage detection by convolutional neural networks |
| 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 |
| US20190094124A1 (en) * | 2017-09-22 | 2019-03-28 | Saudi Arabian Oil Company | Thermography image processing with neural networks to identify corrosion under insulation (cui) |
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
| CN109255345A (zh) * | 2018-08-21 | 2019-01-22 | 国网浙江省电力有限公司电力科学研究院 | 一种基于卷积神经网络的电缆隧道铁锈识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| YUCONG MA，ET AL: "Imagebased corrosion recognition for ship steel structures", 《SMART STRUCTURES AND NDE FOR INDUSTRY 4.0》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782078A (zh) * | 2019-10-18 | 2020-02-11 | 武汉科技大学 | 一种耙吸式挖泥船出泥率预测的学习方法 |
| CN110782078B (zh) * | 2019-10-18 | 2023-04-25 | 武汉科技大学 | 一种耙吸式挖泥船出泥率预测的学习方法 |
| CN111583197A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 结合SSD及Resnet50网络的电力箱图片锈蚀破损识别方法 |
| CN111583197B (zh) * | 2020-04-23 | 2022-05-13 | 浙江大学 | 结合SSD及Resnet50网络的电力箱图片锈蚀破损识别方法 |
| CN112862763A (zh) * | 2021-01-25 | 2021-05-28 | 中国石油天然气集团有限公司 | 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 |
| CN113986561A (zh) * | 2021-12-28 | 2022-01-28 | 苏州浪潮智能科技有限公司 | 人工智能任务处理方法、装置、电子设备及可读存储介质 |
| CN113986561B (zh) * | 2021-12-28 | 2022-04-22 | 苏州浪潮智能科技有限公司 | 人工智能任务处理方法、装置、电子设备及可读存储介质 |
| CN117067226A (zh) * | 2023-08-17 | 2023-11-17 | 兰州交通大学 | 钢桥锈蚀检测机器人及锈蚀检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232334A (zh) | 一种基于卷积神经网络的钢结构锈蚀识别方法 | |
| WO2022184088A1 (zh) | 一种基于集成学习的洪水敏感性风险评估方法 | |
| CN108345911A (zh) | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 | |
| CN108595414B (zh) | 基于源汇空间变量推理的土壤重金属企业污染源识别方法 | |
| CN102842045B (zh) | 一种基于组合特征的行人检测方法 | |
| CN108334847A (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
| CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
| CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
| CN112395932B (zh) | 一种金属材料中显微组织全视场定量统计分布表征方法 | |
| CN108154134A (zh) | 基于深度卷积神经网络的互联网直播色情图像检测方法 | |
| CN104766097B (zh) | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 | |
| CN108520114A (zh) | 一种纺织布疵点检测模型及其训练方法和应用 | |
| CN107808358A (zh) | 图像水印自动检测方法 | |
| CN103839078B (zh) | 一种基于主动学习的高光谱图像分类方法 | |
| CN109840873A (zh) | 一种基于机器学习的无资料地区水文模型参数区域化方法 | |
| CN111696632A (zh) | 一种金属材料中γ′相微观组织全视场定量统计分布表征方法 | |
| CN108596038A (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
| CN106779086A (zh) | 一种基于主动学习和模型剪枝的集成学习方法及装置 | |
| CN109858428A (zh) | 基于机器学习和深度学习的ana荧光片自动识别方法 | |
| CN109741301A (zh) | 一种更快的基于深度学习的密集目标计数方法 | |
| CN111462058A (zh) | 一种水稻有效穗快速检测方法 | |
| CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
| CN115204688A (zh) | 排水系统健康性综合评价方法 | |
| CN113469097A (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| CN105678763A (zh) | 一种稳定的直线/圆特征检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |