CN110264466B - 一种基于深度卷积神经网络的钢筋检测方法 - Google Patents

一种基于深度卷积神经网络的钢筋检测方法 Download PDF

Info

Publication number
CN110264466B
CN110264466B CN201910572988.1A CN201910572988A CN110264466B CN 110264466 B CN110264466 B CN 110264466B CN 201910572988 A CN201910572988 A CN 201910572988A CN 110264466 B CN110264466 B CN 110264466B
Authority
CN
China
Prior art keywords
network
steel bar
detection
training set
model
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.)
Active
Application number
CN201910572988.1A
Other languages
English (en)
Other versions
CN110264466A (zh
Inventor
黄少遇
徐雪妙
叶超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Yichuang Information Technology Co ltd
Original Assignee
Guangzhou Yichuang Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Yichuang Information Technology Co ltd filed Critical Guangzhou Yichuang Information Technology Co ltd
Priority to CN201910572988.1A priority Critical patent/CN110264466B/zh
Publication of CN110264466A publication Critical patent/CN110264466A/zh
Application granted granted Critical
Publication of CN110264466B publication Critical patent/CN110264466B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度卷积神经网络的钢筋检测方法，包括步骤：1)数据获取；2)数据处理；3)模型构建与训练；4)模型评估；5)模型部署。本发明将基于深度卷积神经网络的目标检测算法应用至钢筋检测与计数中，并提出了一种多尺度与形变容忍的钢筋检测网络框架。该框架集成了检测性能较好的级联R‑CNN、可有效解决多尺度检测问题的特征金字塔网络、更加稳定的的组归一化以及可提高网络学习空间几何形变能力的可变形卷积等模块。该网络框架相比于传统钢筋检测方法，检测精度更高，泛化性更好，并可部署于远程服务器或可移动设备。

Description

一种基于深度卷积神经网络的钢筋检测方法
技术领域
本发明涉及计算机图像处理的技术领域，尤其是指一种基于深度卷积神经网络的钢筋检测方法。
背景技术
目标检测是计算机视觉领域的基本问题之一，其任务是确定给定图像中目标的类别、大小与位置。作为计算机视觉和图像语义理解的核心之一，目标检测的发展将有助于实现更复杂和更高级别的视觉任务，如语义分割、场景理解、目标跟踪以及行为识别等。正因如此，目标检测一直以来都是计算机视觉活跃的研究领域，具有极高的学术研究价值与工业应用价值。
近年来，随着深度学习的迅速发展与硬件计算能力的不断提高，卷积神经网络得以广泛地应用于计算机视觉领域。得益于此，目标检测取得了前所未有的重大突破。传统基于手工提取特征的方法已被新兴的基于深度卷积神经网络特征提取的检测算法所取代。现如今，学术界涌现出许多优秀的目标检测算法，这些算法在公开的目标检测数据集上取得了优异的成绩。
基于深度学习的目标检测算法取得的突破引起了工业界的关注。近年来，目标检测技术越来越广泛地应用于各行各业，如人脸识别、车牌识别、无人驾驶等。其中，钢筋检测就是目标检测技术在建筑行业里一个较好的应用场景。
传统钢筋检测主要采用的是人工计数的方式。在工地现场，验收人员需要通过使用粉笔或油墨笔对货车上的每一根钢筋进行手动标记，只有在人工核实数量后，货车方可进场完成卸货。通常情况下，一次进场盘点过程至少需要三名验收人员，数小时的工作方可完成。上述传统工作方式不仅速度慢、效率低、大量地耗费人力资源，而且难以保证盘点的准确性，较难避免漏数、偷盗等情况，从而给带来企业一定的经济损失。而现有自动钢筋检测方法主要采用基于传统手工特征的目标检测算法。该方法受限于精度与鲁棒性的不足，难以投入实际使用。
将基于深度卷积神经网络的目标检测算法引入到钢筋计数场景中，将有助于实现精度更高、鲁棒性更好的智能钢筋检测算法。而结合手机APP的使用，则更是可以通过随手拍照的方式高效完成计数任务。高精度的钢筋检测算法将有助于验收人员从极其枯燥繁琐的盘点工作中解脱出来，为企业节省大量的人力资源，并大幅度提升建筑行业关键物料钢筋的进场盘点速度与精度。而从更深层次看，智能钢筋检测算法可较好地与物资等业务系统相结合，有助于实现建筑材料在进出场和盘点过程的数字化管理，从而提升工地整体的精细化管理水平。
发明内容
本发明的目的在于克服现有技术的不足，提出了一种基于深度卷积神经网络的钢筋检测方法，该方法针对钢筋识别任务提出了多尺度与形变容忍的钢筋检测网络框架，该网络训练后的模型可部署于服务器或可移动设备上，用户只需拍照即可完成高精度的钢筋检测。
为实现上述目的，本发明所提供的技术方案为：一种基于深度卷积神经网络的钢筋检测方法，包括以下步骤：
1)数据获取
基于深度卷积神经网络的钢筋检测方法需要大量关于钢筋的数据，对实际工地中的钢筋进行图片采集，并完成相应的人工标注，最后划分为训练集与测试集；
2)数据处理
为了充分利用有限的钢筋数据集，解决部分钢筋图片中存在的钢筋捆区域较小、钢筋直径变化较大、钢筋图片背景较为单一等问题，对训练集采用集成了图片裁剪、多尺度缩放、亮度变化以及图像融合等操作的针对性数据增强；
3)模型构建与训练
为了减小钢筋尺度变化较大、钢筋截面不规则对检测造成的影响，实现高精度的钢筋识别与计数，提出一种集成了级联R-CNN、特征金字塔网络、可变形卷积网络与组归一化的钢筋检测网络框架，即钢筋检测网络模型，并使用数据增强后的训练集对其进行训练；
4)模型评估
使用测试集对训练得到的钢筋检测网络模型进行评估，验证其在钢筋检测与计数任务中的检测精度；
5)模型部署
将训练好的钢筋检测网络模型部署在服务器或可移动设备，以供用户使用。
在步骤2)中，对训练集采用了针对性数据增强，其包含以下操作：
图片裁剪：训练集中存在部分图片钢筋区域较小、非钢筋背景较大的问题，这将导致图片压缩后送入网络时有效区域过小，从而影响模型训练效果；针对性数据增强中将对训练集进行裁剪，裁去非钢筋区域，并相应修改标注；
多尺度缩放：由于钢筋直径变化较大且拍摄距离不完全受控，故训练集中目标尺度变化较为明显，针对性数据增强中将对训练集进行多尺度缩放，如缩放至短边为1000像素、1400像素、1600像素等，有助于提高模型多尺度钢筋检测精度；
翻转与旋转：由于钢筋形状的特殊性，翻转与旋转任意角度都不影响其检测，故在针对性数据增强中将对训练集进行水平与垂直翻转，并旋转特定角度，如90°、180°或270°，以获取更多训练数据；
亮度变化：由于采集钢筋图片的环境较为复杂，光线条件不可控，训练集中亮度变化较为明显，存在有较亮或较暗的情况，针对性数据增强中将对训练集进行随机亮度变化，有助于提高模型对明暗条件下的适应能力；
图像融合：为了一进步丰富数据集，缓解裁剪后训练集背景较为单一的问题，针对性数据增强通过逐像素相加，随机将训练集与不出现钢筋截面的工地背景相融合，以扩充数据集，提高模型的泛化能力。
进一步，图像融合的具体做法如下：
a、选择一张训练集图片，记为图1，随机选择一张背景图片，记为图2；
b、按照以下公式，将图1与图2融合并得到图3；
pk＝λpi+(1-λ)pj
式中，pk为图3像素值，pi为图1像素值，pj为图2像素值，λ由随机数生成器控制，符合参数为(α,α)的β分布，默认取α＝1。
在步骤3)中，提出的钢筋检测网络框架，集成了以下部分：
级联R-CNN：为了实现高精度的钢筋检测，新的框架集成了级联R-CNN作为网络主体，级联R-CNN将Faster R-CNN原始网络头部更改为级联形式，并采用不同的IOU阈值，同时，每一个级联阶段的输入都是上一阶段进行边框回归后的结果，从而实现对框架的优化与改进，以达到更高精度的目标检测；
特征金字塔网络：为了降低实际检测场景中钢筋直径变化范围较大对精度的影响，新框架集成了特征金字塔网络；在卷积神经网络中，底层的特征图分辨率高但语义化程度低，顶层的语义程度高但分辨率最低，特征图上分辨率与语义程度的矛盾导致了网络在小目标检测中较差的性能；特征金字塔网络正是一种有效解决该矛盾的结构；特征金字塔网络通过对语义程度较高的顶层特征图进行上采样，并与有较高分辨率的底层特征图相融合，从而得到既有较高语义程度，又有较高分辨率的特征图，从而提高网络在多尺度目标上的检测效果；
可变形卷积网络：由于卷积网络固定的几何结构，现有网络模型对物体几何形变的适应能力较差，从而导致了模型检测精度易受实际钢筋检测中钢筋截面大小、形状、视角变化等复杂因素的影响；为了提高对截面不规则、被严重遮挡钢筋的检测精度，新框架中集成了可变形卷积网络，可变形卷积网络在卷积神经网络中引入了学习空间几何形变的能力，是对卷积核中每个采样点的位置都增加了一个偏移的变量，通过这些变量卷积核就可以在当前位置附近随意地采样，而不再局限于规则格点，其有效地解决了标准卷积网络难以适应几何形变的局限，有助于模型更好地识别截面形状不一的钢筋，从而提高检测精度；
组归一化：新框架中集成了组归一化以代替常规使用的批数量归一化，为了提高对小目标的检测精度，模型训练时采用了更大的训练图片尺寸，然而受限于硬件条件，这导致训练中只能采用更小的批数量，当批数量变小时，批数量归一化则变得不稳定，并逐渐失效，这时使用组归一化代替批数量归一化能够确保模型训练效果不受批数量减小的影响。
进一步，所述钢筋检测网络框架使用的级联R-CNN中，共采用了3个级联阶段，相应的IoU阈值设置为递增的0.5，0.6和0.7。
本发明与现有技术相比，具有如下优点与有益效果：
将基于深度卷积神经网络的目标检测算法应用至钢筋检测与计数中，并提出了多尺度与形变容忍的钢筋检测网络框架，框架中集成了检测精度较高的级联R-CNN、有效解决多尺度目标检测的特征金字塔网络模块、提高网络学习空间几何形变能力的可变形卷积模块以及更加稳定的组归一化。该网络框架相比于传统钢筋检测方法，检测精度更高，泛化性更好，并可部署于远程服务器或可移动设备，具有实际推广价值。
附图说明
图1为本发明方法流程图。
图2为特征提取网络示意图。
图3为决策网络示意图。
图4为本发明部署在服务器上的使用流程图。
图5为本发明部署在可移动设备上的使用流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示，本实施例所提供的基于深度卷积神经网络的钢筋检测方法，其具体情况如下：
步骤1，对实际工地中的钢筋进行图片采集，进行人工标注，划分为训练集与测试集。
步骤2，对训练集进行数据增强，包括以下步骤：
步骤2.1，对训练集进行中心裁剪，裁去四周边缘，只保留原图中心85％或90％或95％；
步骤2.2，对裁剪过后的训练集进行多尺度缩放，如缩放至短边为1000像素、1400像素、1600像素等；
步骤2.3，对多尺度缩放后的图片进行水平与垂直翻转；
步骤2.4，对多尺度缩放后的图片进行旋转90°，180°，270°；
步骤2.5，对多尺度缩放后的图片进行随机亮度变化；
步骤2.6，将多尺度缩放后的图片与工地中不出现钢筋截面的背景图片进行图像融合，具体做法如下：
步骤2.6.1、选择一张训练集图片，记为图1，随机选择一张背景图片，记为图2；
步骤2.6.2、按照以下公式，将图1与图2融合并得到图3；
pk＝λpi+(1-λ)pj
式中，pk为图3像素值，pi为图1像素值，pj为图2像素值，λ由随机数生成器控制，符合参数为(α,α)的β分布，默认取α＝1。
步骤3，构造钢筋检测网络框架，即钢筋检测网络模型，包括特征提取网络与决策网络。
a、构造特征提取网络
如图2所示，特征提取网络中采用深度残差网络101作为骨干网络，并集成了可变形卷积网络、特征金字塔网络与组归一化。本例中骨干网络中采用组归一化代替批量归一化，并将卷积层第三阶段至第五阶段的所有3×3卷积替换为可变形卷积。同时，网络中集成的特征金字塔网络通过自顶向下路径对骨干网络提取出的分辨率较低、语义程度较高的顶层特征图做上采样，并用横向连接将上采样后的特征图与分辨率较高、语义程度较低的低层特征图相融合，从而得到语义程度高、分辨率高的融合特征图。
b、构造决策网络
如图3所示，本例中的决策网络采用了3个级联网络头部，其IoU阈值设定为递增的0.5，0.6和0.7，而每一个级联分支的输入都是上一个分支的进行边框回归后的结果。
步骤4，使用测试集对训练得到的模型进行测试，验证其在钢筋检测任务中的检测精度与泛化性能。
步骤5，将钢筋检测网络模型部署于服务器或者可移动设备上。
若模型部署于服务器上，使用流程如图4所示，用户可通过手机APP上传需要检测的钢筋图片，最后获取服务器的检测结果。
若模型部署于可移动设备上，如NVIDIA Jetson Nano等AI计算机，使用流程如图5所示，用户可通过使用该设备对需要检测的钢筋进行拍摄，最后获取移动设备的检测结果。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.一种基于深度卷积神经网络的钢筋检测方法，其特征在于，包括以下步骤：
1)数据获取
对实际工地中的钢筋进行图片采集，并完成相应的人工标注，最后划分为训练集与测试集；
2)数据处理
对训练集采用图片裁剪、多尺度缩放、亮度变化以及图像融合操作的针对性数据增强；
3)模型构建与训练
提出一种集成了级联R-CNN、特征金字塔网络、可变形卷积网络与组归一化的钢筋检测网络框架，即钢筋检测网络模型，并使用数据增强后的训练集对其进行训练；所述钢筋检测网络框架，集成了以下部分：
级联R-CNN：级联R-CNN作为网络主体，级联R-CNN将Faster R-CNN原始网络头部更改为级联形式，并采用不同的IOU阈值，同时，每一个级联阶段的输入都是上一阶段进行边框回归后的结果；
特征金字塔网络：特征金字塔网络通过对语义程度高的顶层特征图进行上采样，并与有高分辨率的底层特征图相融合；
可变形卷积网络：可变形卷积网络在卷积神经网络中引入学习空间几何形变的能力，是对卷积核中每个采样点的位置都增加一个偏移的变量；
组归一化：所述钢筋检测网络框架集成了组归一化以代替常规使用的批数量归一化；
4)模型评估
使用测试集对训练得到的钢筋检测网络模型进行评估，验证其在钢筋检测与计数任务中的检测精度；
5)模型部署
将训练好的钢筋检测网络模型部署在服务器或可移动设备，以供用户使用。
2.根据权利要求1所述的一种基于深度卷积神经网络的钢筋检测方法，其特征在于，在步骤2)中，对训练集采用了针对性数据增强，其包含以下操作：
图片裁剪：针对性数据增强中将对训练集进行裁剪，裁去非钢筋区域，并相应修改标注；
多尺度缩放：针对性数据增强中将对训练集进行多尺度缩放；
翻转与旋转：针对性数据增强中将对训练集进行水平与垂直翻转，并旋转特定角度；
亮度变化：针对性数据增强中将对训练集进行随机亮度变化；
图像融合：针对性数据增强通过逐像素相加，随机将训练集与不出现钢筋截面的工地背景相融合。
3.根据权利要求2所述的一种基于深度卷积神经网络的钢筋检测方法，其特征在于，图像融合的具体做法如下：
a、选择一张训练集图片，记为图1，随机选择一张背景图片，记为图2；
b、按照以下公式，将图1与图2融合并得到图3；
pk＝λpi+(1-λ)pj
式中，pk为图3像素值，pi为图1像素值，pj为图2像素值，λ由随机数生成器控制，符合β分布。
4.根据权利要求1所述的一种基于深度卷积神经网络的钢筋检测方法，其特征在于：所述钢筋检测网络框架使用的级联R-CNN中，共采用了3个级联阶段，相应的IOU阈值设置为递增的0.5，0.6和0.7。
CN201910572988.1A 2019-06-28 2019-06-28 一种基于深度卷积神经网络的钢筋检测方法 Active CN110264466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910572988.1A CN110264466B (zh) 2019-06-28 2019-06-28 一种基于深度卷积神经网络的钢筋检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910572988.1A CN110264466B (zh) 2019-06-28 2019-06-28 一种基于深度卷积神经网络的钢筋检测方法

Publications (2)

Publication Number Publication Date
CN110264466A CN110264466A (zh) 2019-09-20
CN110264466B true CN110264466B (zh) 2021-08-06

Family

ID=67922797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910572988.1A Active CN110264466B (zh) 2019-06-28 2019-06-28 一种基于深度卷积神经网络的钢筋检测方法

Country Status (1)

Country Link
CN (1) CN110264466B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781755A (zh) * 2019-09-28 2020-02-11 深圳中物智建科技有限公司 一种建筑钢筋智能识别计量方法及系统
CN110969630A (zh) * 2019-11-11 2020-04-07 东北大学 一种基于RDU-net网络模型的矿石大块率检测方法
CN110853015A (zh) * 2019-11-12 2020-02-28 中国计量大学 基于改进Faster-RCNN的铝型材缺陷检测方法
CN111191696B (zh) * 2019-12-20 2023-04-07 山东大学 一种基于深度学习算法的钢筋分层方法及系统
CN111144407A (zh) * 2019-12-22 2020-05-12 浪潮(北京)电子信息产业有限公司 一种目标检测方法、系统、装置及可读存储介质
CN111127457A (zh) * 2019-12-25 2020-05-08 上海找钢网信息科技股份有限公司 钢筋数目统计模型训练方法、统计方法、装置及设备
CN111210443B (zh) * 2020-01-03 2022-09-13 吉林大学 基于嵌入平衡的可变形卷积混合任务级联语义分割方法
CN111310723A (zh) * 2020-03-12 2020-06-19 智洋创新科技股份有限公司 基于深度学习技术的变电站人员穿戴规范分析方法
CN111524112B (zh) * 2020-04-17 2023-04-07 中冶赛迪信息技术(重庆)有限公司 追钢识别方法、系统、设备及介质
CN112053317A (zh) * 2020-04-26 2020-12-08 张辉 一种基于级联神经网络的工件表面缺陷检测方法
CN111639740A (zh) * 2020-05-09 2020-09-08 武汉工程大学 一种基于多尺度卷积神经网络的钢筋计数方法
CN111815594A (zh) * 2020-06-29 2020-10-23 浙江大华技术股份有限公司 钢筋检测方法以及相关设备、装置
CN112183474B (zh) * 2020-10-28 2021-07-02 欧冶云商股份有限公司 一种钢铁行业基于5g+人工智能的视频盘库方法及系统
CN112489008A (zh) * 2020-11-27 2021-03-12 上海建工四建集团有限公司 钢筋识别系统、钢筋识别方法、以及钢筋计数验收系统
CN112580474B (zh) * 2020-12-09 2021-09-24 云从科技集团股份有限公司 基于计算机视觉的目标对象检测方法、系统、设备及介质
CN112529005B (zh) * 2020-12-11 2022-12-06 西安电子科技大学 基于语义特征一致性监督金字塔网络的目标检测方法
CN112651346A (zh) * 2020-12-29 2021-04-13 青海三新农电有限责任公司 一种基于深度学习的流媒体视频识别与检测方法
CN113888513A (zh) * 2021-09-30 2022-01-04 电子科技大学 一种基于深度神经网络模型的钢筋检测计数方法
CN114777642B (zh) * 2022-03-16 2023-07-28 交通运输部公路科学研究所 一种在役混凝土路面板传荷构件三维空间位置检测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118044A (zh) * 2015-06-16 2015-12-02 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN106841216A (zh) * 2017-02-28 2017-06-13 浙江工业大学 基于全景图像cnn的隧道病害自动识别装置
CN107578436A (zh) * 2017-08-02 2018-01-12 南京邮电大学 一种基于全卷积神经网络fcn的单目图像深度估计方法
CN108053387A (zh) * 2017-12-06 2018-05-18 神思电子技术股份有限公司 一种图像融合方法及图像分离方法
CN108921169A (zh) * 2018-07-12 2018-11-30 珠海上工医信科技有限公司 一种眼底图像血管分割方法
CN109815950A (zh) * 2018-12-28 2019-05-28 汕头大学 一种基于深度卷积神经网络的钢筋端面识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107253485B (zh) * 2017-05-16 2019-07-23 北京交通大学 异物侵入检测方法及异物侵入检测装置
CN109034210B (zh) * 2018-07-04 2021-10-12 国家新闻出版广电总局广播科学研究院 基于超特征融合与多尺度金字塔网络的目标检测方法
CN109741301A (zh) * 2018-12-19 2019-05-10 北京理工大学 一种更快的基于深度学习的密集目标计数方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118044A (zh) * 2015-06-16 2015-12-02 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN106841216A (zh) * 2017-02-28 2017-06-13 浙江工业大学 基于全景图像cnn的隧道病害自动识别装置
CN107578436A (zh) * 2017-08-02 2018-01-12 南京邮电大学 一种基于全卷积神经网络fcn的单目图像深度估计方法
CN108053387A (zh) * 2017-12-06 2018-05-18 神思电子技术股份有限公司 一种图像融合方法及图像分离方法
CN108921169A (zh) * 2018-07-12 2018-11-30 珠海上工医信科技有限公司 一种眼底图像血管分割方法
CN109815950A (zh) * 2018-12-28 2019-05-28 汕头大学 一种基于深度卷积神经网络的钢筋端面识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Cascade R-CNN: Delving into High Quality Object Detection;Zhaowei Cai 等;《arXiv》;20171203;正文第2-5节 *
Deformable Convolutional Networks;Jifeng Dai等;《arXiv》;20170605;全文 *
Group Normalization;Yuxin Wu等;《arXiv》;20180322;全文 *
YOLOv3：An Incremental Improvement;Joseph Redmon 等;《arXiv》;20180408;全文 *
智能盘点-钢筋数量AI识别-目标检测实践;盘子;《知乎》;20190116;正文第1-16页 *

Also Published As

Publication number Publication date
CN110264466A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110264466B (zh) 一种基于深度卷积神经网络的钢筋检测方法
US20210319561A1 (en) Image segmentation method and system for pavement disease based on deep learning
Jiang et al. A deep learning approach for fast detection and classification of concrete damage
Tan et al. Automatic detection of sewer defects based on improved you only look once algorithm
CN111307727B (zh) 基于时序遥感影像的水体水色异常识别方法和装置
CN111899227A (zh) 基于无人机作业的铁路扣件缺陷自动采集辨识方法
CN111127449B (zh) 一种基于编码器-解码器的自动化裂缝检测方法
Li et al. Sewer pipe defect detection via deep learning with local and global feature fusion
CN111753682B (zh) 一种基于目标检测算法的吊装区域动态监控方法
CN114663436A (zh) 一种基于深度学习的跨尺度缺陷检测方法
CN110544231A (zh) 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法
CN111523439B (zh) 一种基于深度学习的目标检测的方法、系统、设备及介质
CN115205264A (zh) 一种基于改进YOLOv4的高分辨率遥感船舶检测方法
CN114266299A (zh) 基于无人机作业的铁路桥梁钢结构缺陷检测方法及系统
CN112132216B (zh) 车型识别方法、装置、电子设备及存储介质
CN112967255A (zh) 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法
CN112580542A (zh) 一种基于目标检测的钢筋计数方法
CN111639668A (zh) 一种基于深度学习的人群密度检测方法
CN103743750A (zh) 一种大口径光学元件表面损伤分布图的生成方法
CN111524121A (zh) 一种基于机器视觉技术的路桥病害自动检测方法
Jiang et al. A robust bridge rivet identification method using deep learning and computer vision
CN112785610B (zh) 一种融合低层特征的车道线语义分割方法
CN113177956A (zh) 一种面向无人机遥感影像的语义分割方法
CN113326846A (zh) 一种基于机器视觉的桥梁表观病害快速检测方法
CN110378916B (zh) 一种基于多任务深度学习的tbm图像出渣分割方法

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
GR01 Patent grant
GR01 Patent grant