CN110321815A - 一种基于深度学习的道路裂缝识别方法 - Google Patents
一种基于深度学习的道路裂缝识别方法 Download PDFInfo
- Publication number
- CN110321815A CN110321815A CN201910526241.2A CN201910526241A CN110321815A CN 110321815 A CN110321815 A CN 110321815A CN 201910526241 A CN201910526241 A CN 201910526241A CN 110321815 A CN110321815 A CN 110321815A
- Authority
- CN
- China
- Prior art keywords
- crack
- anchor
- road
- image
- characteristic pattern
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的道路裂缝识别方法。该方法步骤如下:首先采集道路裂缝图像并建立训练集,构建卷积神经网络提取图像中的特征生成特征图;然后训练Faster R‑CNN模型,该模型包括依次连接的RPN网络、RoI Pooling网络和全连接层,RPN网络获得检测目标和图像背景并得到候选框位置,最后生成候选区域,RoI Pooling网络输出固定尺寸的RoI特征图,综合卷积神经网络生成的特征图与RoI特征图,判别检测目标的物体类别并回归物体的精确位置;最后将待识别的道路图像输入到训练好的Faster R‑CNN模型中,判别该图像是否为道路裂缝图像。本发明的优点是检测速度快、识别准确率高。
Description
技术领域
本发明涉及裂缝识别技术领域,尤其涉及到一种基于深度学习的道路裂缝识别方法。
背景技术
近几十年高速公路在中国得到蓬勃发展,而随之而来的建后保养维护也日益成为一个问题,需要定期对高速公路路面状况进行检查,以便制定相应的维护策略,其中重要的一项指标是道路裂缝。若能在裂缝的出现初期就能发现,并及时跟踪它的发展情况,那么它的维护费用将大大降低。如何在不影响正常的交通情况下,对整段路面进行实时的检测,成为亟待解决的一大难题。传统的基于人工视觉的检测方法越来越不能适应高速公路发展的要求,其耗人力、耗时、危险、花费高、效率低,还影响正常的交通。计算机高性能处理器、大容量存储器以及图像处理技术的快速发展,使得道路裂缝自动检测与识别技术成为可能。本发明提出一种基于Faster-RCNN的道路裂缝识别方法,不仅可以自动提取裂缝特征,而且在检测精度方面也取得了良好的效果。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于深度学习的道路裂缝识别方法,可以对重要路段的道路路面状况进行检测识别,如果道路路面出现裂缝可以及时发现,进行修补。
本发明的目的是通过以下技术方案来实现的:一种基于深度学习的道路裂缝识别方法,具体步骤如下:
(1)采集道路裂缝图像并进行标注,建立道路裂缝图像训练集,该训练集用于训练Faster R-CNN模型;
(2)构建VGG-16卷积神经网络,输入道路裂缝图像训练集,提取道路裂缝图像中的特征,输出为特征图;
(3)训练Faster R-CNN模型,该模型包括依次连接的RPN网络、RoI Pooling网络和全连接层;
(3.1)将VGG-16卷积神经网络生成的特征图输入到RPN网络,每个特征图的像素点生成9个锚点anchor,RPN网络分为分类层和回归层2条路线,分类层和回归层的输出均连接到Proposal层,在分类层中,通过softmax函数分类anchor获得检测目标foreground和图像背景background,在回归层中,通过回归anchor得到候选框位置,最后Proposal层综合foreground和侯选框位置生成候选区域proposals;
(3.2)将VGG-16卷积神经网络生成的特征图和proposals输入到RoI Pooling网络,输出固定尺寸的RoI特征图;RoI特征图输入到全连接层;
(4)综合VGG-16卷积神经网络生成的特征图与RoI特征图,通过全连接层与softmax函数计算输出每个proposals具体属于哪个物体类别的概率向量,同时用平滑函数进行边框回归bounding box regression并获得每个候选区域proposals的位置偏移量,用于回归物体的精确位置;
(5)将待识别的道路图像输入到训练好的Faster R-CNN模型中,判别该图像是否为道路裂缝图像。
进一步地,所述步骤(1)中的道路裂缝图像数据集来自道路现场的拍照和网络获取,包括不同的环境、光照、路面、形状。
进一步地,在步骤(1)中,使用LabelImg工具标记道路裂缝图像中的裂缝信息,按照Faster R-CNN模型使用的Pascal VOC数据集格式制作道路裂缝图像数据集。用矩形框标注图像中的裂缝,生成XML文件用于Faster R-CNN模型的训练。XML文件包含图像的名称、图像的尺寸、标注的裂缝的名称以及标注框的左上角和右下角坐标(xmin,ymin,xmax,ymax)。
进一步地,所述步骤(3.1)的回归层中,通过调整anchor的中心坐标与长宽,拟合出候选框位置。
进一步地,在训练过程中,使用随机梯度下降法并按照批大小batch_size选取1幅图像,图像会生成大量的anchor,IoU(预测框与真实框交并比值)大于0.7的anchor标记为正锚点positive anchor,即foreground,IoU小于0.3的标记为负锚点negative anchor,即background,丢弃0.3<IoU<0.7的anchor,positive anchor标签为1,negative anchor标签为0;在该图像中随机采样256个anchor,且positive anchor和negative anchor的比例为1:1。这些带标签的样本和标注框的坐标被用于RPN网络的有监督的训练。
进一步地,在训练过程中,整个RPN网络的总损失函数分为2部分,分类层损失函数与回归层损失函数,RPN网络的总损失函数计算如下:
L({pi},{ti})是RPN网络的总损失函数,是分类层损失,是回归层损失,i是anchor index,Pi是foreground概率,是anchor判别值,Ncls是分类样本数量,Nreg是回归样本数量,ti是预测边界框坐标向量,是foregroundanchor对应的真实边界框坐标向量,是平滑函数,λ是权重参数。
进一步地,所述步骤(5)中,利用训练好的Faster R-CNN模型检测输入的道路图像是否有裂缝以及框出裂缝的位置。
本发明的有益效果是:
1.利用卷积神经网络可以自动提取图像特征,避免了人工提取特征的盲目性。
2.与其它的目标检测算法相比,本发明方法在检测速度上更快,准确率也更高。
3.在某些高危路段可以代替人工进行检测,减小发生伤亡的可能。
附图说明
图1为本发明方法的实施流程图;
图2(a)-图2(d)为本发明方法的部分样本示例图;
图3为本发明方法的Faster R-CNN架构图;
图4为本发明方法的RPN网络结构图;
图5为发明方法的识别定位结构图
图6为本发明方法的分类损失变化曲线;
图7为本发明方法的回归损失变化曲线
图8为本发明方法的总损失变化曲线
图9为本发明方法的AP值变化曲线;
图10(a)和图10(b)为本发明方法的结果展示图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示,一种基于深度学习的道路裂缝识别方法,其具体步骤如下:
步骤1,道路裂缝图像来自道路现场的拍照和网络获取,包括不同的环境、光照、路面、形状,以9:1的比例划分为训练数据集和测试数据集,部分样本示例如图2(a)-图2(d)所示,训练数据集用来训练Faster R-CNN模型,测试数据集用来验证Faster R-CNN模型的好坏。用LabelImg工具标记道路裂缝图像中的裂缝信息。按照Faster R-CNN所使用的PascalVOC数据集格式制作道路裂缝图像数据集。标注图像中的裂缝,生成XML文件,用作后续Faster R-CNN训练,XML文件包含图像的名称、图像的尺寸、标注的裂缝的名称和标注框的左上角和右下角坐标(xmin,ymin,xmax,ymax)。
步骤2,构建VGG-16卷积神经网络,输入道路裂缝图像训练集,提取道路裂缝图像中的特征,输出为特征图;
步骤3,训练Faster R-CNN模型,该模型包括依次连接的RPN网络、RoI Pooling网络和全连接层.如图3所示是Faster R-CNN架构图。
步骤3.1,如图4所示是RPN网络结构图,将VGG-16卷积神经网络生成的特征图输入到RPN网络,每个特征图的像素点生成9个锚点anchor,RPN网络分为分类层和回归层2条路线,分类层和回归层的输出均连接到Proposal层,在分类层中,使用softmax分类器对anchor进行检测目标foreground和图像背景background判断;在回归层中,通过调整anchor的中心坐标与长宽,拟合出候选框位置,Proposal层负责综合foreground和候选框位置生成proposals(候选区域)。在训练过程中,使用随机梯度下降法并按照批大小batch_size选取1幅图像,图像会生成大量的anchor,IoU(预测框与真实框交并比值)大于0.7的anchor标记为positive anchor,即foreground,IoU小于0.3的标记为negative anchor,即background,丢弃0.3<IoU<0.7的anchor,positive anchor标签为1,negative anchor标签为0。在该图像中随机采样256个anchor,且positive anchor和negative anchor的比例为1:1。这些带标签的样本和标注框的坐标被用于RPN的有监督的训练。在训练过程中,整个RPN网络的总损失函数分为2部分,分类层损失函数与回归层损失函数,RPN网络的总损失函数计算如下:
L({pi},{ti})是RPN网络的总损失函数,是分类层损失,是回归层损失,i是anchor index,Pi是foreground概率,是anchor判别值,Ncls是分类样本数量,Nreg是回归样本数量,ti是预测边界框坐标向量,是foreground anchor对应的真实边界框坐标向量,是平滑函数,λ是权重参数。
步骤3.2,如图3所示,RoI Pooling层的输入来自特征图和proposals(候选区域)两部分,输出为固定尺寸的RoI特征图用作后续全连接层的输入。
步骤4,如图5所示,利用RoI Pooling层获得的RoI特征图,综合VGG-16卷积神经网络生成的特征图与RoI特征图,通过全连接层与softmax函数计算每个proposals(候选区域)具体属于哪个物体类别,输出类别概率向量;同时利用函数进行边框回归bounding box regression获得每个proposals(候选区域)的位置偏移量,用于回归更加精确的目标检测框。
步骤5,利用训练好的Faster R-CNN模型对采集到的道路图像进行识别,判断是否是道路裂缝图像,并识别出裂缝的位置。如图10(a)和图10(b)所示是对道路裂缝的识别结果。
本发明的实验环境为windows10(64位)的intel COREi5,显卡是NVIDIA GTX60M,主频3.7GHz,内存8GB,IDE是pycharm,编程语言是Python。基于谷歌开发的TensorFlow深度学习框架下,使用算法Faster R-CNN对道路裂缝数据集进行训练。设置训练的次数为20000次,如图6、图7、图8所示,x轴代表迭代次数,y轴分别是训练过程中分类层损失、回归层损失和总损失,损失越小,模型收敛效果越好。如图9所示是AP值变化曲线,AP(AveragePrecision)作为目标检测的评价指标,AP体现模型识别效果的优劣程度,其值越大效果越好,反之越差。最终的训练结果如表1所示。
表1各类损失结果
性能评估参数 | 训练20000次结果 |
分类层损失 | 0.0255 |
回归层损失 | 0.0279 |
总损失 | 0.1885 |
AP值 | 0.7802 |
从表1中可以看到,各类损失都是一个很小的值,模型收敛良好,最后的AP值为0.7802。
上述例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (7)
1.一种基于深度学习的道路裂缝识别方法,其特征在于,具体步骤如下:
(1)采集道路裂缝图像并进行标注,建立道路裂缝图像训练集,该训练集用于训练Faster R-CNN模型;
(2)构建VGG-16卷积神经网络,输入道路裂缝图像训练集,提取道路裂缝图像中的特征,输出为特征图;
(3)训练Faster R-CNN模型,该模型包括依次连接的RPN网络、RoI Pooling网络和全连接层;
(3.1)将VGG-16卷积神经网络生成的特征图输入到RPN网络,每个特征图的像素点生成9个锚点anchor,RPN网络分为分类层和回归层2条路线,分类层和回归层的输出均连接到Proposal层,在分类层中,通过softmax函数分类anchor获得检测目标foreground和图像背景background,在回归层中,通过回归anchor得到候选框位置,最后Proposal层综合foreground和侯选框位置生成候选区域proposals;
(3.2)将VGG-16卷积神经网络生成的特征图和proposals输入到RoI Pooling网络,输出固定尺寸的RoI特征图;RoI特征图输入到全连接层;
(4)综合VGG-16卷积神经网络生成的特征图与RoI特征图,通过全连接层与softmax函数计算输出每个proposals具体属于哪个物体类别的概率向量,同时用平滑函数进行边框回归bounding box regression并获得每个候选区域proposals的位置偏移量,用于回归物体的精确位置;
(5)将待识别的道路图像输入到训练好的Faster R-CNN模型中,判别该图像是否为道路裂缝图像。
2.根据权利要求1所述的一种基于深度学习的道路裂缝识别方法,其特征在于,所述步骤(1)中的道路裂缝图像数据集来自道路现场的拍照和网络获取,包括不同的环境、光照、路面、形状。
3.根据权利要求1所述的一种基于深度学习的道路裂缝识别方法,其特征在于,在步骤(1)中,使用LabelImg工具标记道路裂缝图像中的裂缝信息,按照Faster R-CNN模型使用的Pascal VOC数据集格式制作道路裂缝图像数据集。用矩形框标注图像中的裂缝,生成XML文件用于Faster R-CNN模型的训练。XML文件包含图像的名称、图像的尺寸、标注的裂缝的名称以及标注框的左上角和右下角坐标(xmin,ymin,xmax,ymax)。
4.根据权利要求1所述的一种基于深度学习的道路裂缝识别方法,其特征在于,所述步骤(3.1)的回归层中,通过调整anchor的中心坐标与长宽,拟合出候选框位置。
5.根据权利要求1所述的一种基于深度学习的道路裂缝识别方法,其特征在于,在训练过程中,使用随机梯度下降法并按照批大小batch_size选取1幅图像,图像会生成大量的anchor,IoU(预测框与真实框交并比值)大于0.7的anchor标记为正锚点positive anchor,即foreground,IoU小于0.3的标记为负锚点negative anchor,即background,丢弃0.3<IoU<0.7的anchor,positive anchor标签为1,negative anchor标签为0;在该图像中随机采样256个anchor,且positive anchor和negative anchor的比例为1:1。这些带标签的样本和标注框的坐标被用于RPN网络的有监督的训练。
6.根据权利要求1所述的一种基于深度学习的道路裂缝识别方法,其特征在于,在训练过程中,整个RPN网络的总损失函数分为2部分,分类层损失函数与回归层损失函数,RPN网络的总损失函数计算如下:
L({Pi},{Pi *})=-log[PiPi *+(1-Pi)(1-Pi *)] (2)
L({pi},{ti})是RPN网络的总损失函数,是分类层损失,是回归层损失,i是anchor index,Pi是foreground概率,Pi *是anchor判别值,Ncls是分类样本数量,Nreg是回归样本数量,ti是预测边界框坐标向量,是foreground anchor对应的真实边界框坐标向量,是平滑函数,λ是权重参数。
7.根据权利要求1所述的一种基于深度学习的道路裂缝识别方法,其特征在于,所述步骤(5)中,利用训练好的Faster R-CNN模型检测输入的道路图像是否有裂缝以及框出裂缝的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910526241.2A CN110321815A (zh) | 2019-06-18 | 2019-06-18 | 一种基于深度学习的道路裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910526241.2A CN110321815A (zh) | 2019-06-18 | 2019-06-18 | 一种基于深度学习的道路裂缝识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110321815A true CN110321815A (zh) | 2019-10-11 |
Family
ID=68119684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910526241.2A Pending CN110321815A (zh) | 2019-06-18 | 2019-06-18 | 一种基于深度学习的道路裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321815A (zh) |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110826476A (zh) * | 2019-11-02 | 2020-02-21 | 国网浙江省电力有限公司杭州供电公司 | 识别目标物体的图像检测方法、装置、电子设备和存储介质 |
CN110827273A (zh) * | 2019-11-14 | 2020-02-21 | 中南大学 | 一种基于区域卷积神经网络的茶叶病害检测方法 |
CN110992349A (zh) * | 2019-12-11 | 2020-04-10 | 南京航空航天大学 | 一种基于深度学习的地下管道异常自动化定位与识别方法 |
CN111062437A (zh) * | 2019-12-16 | 2020-04-24 | 交通运输部公路科学研究所 | 一种基于深度学习的桥梁结构病害自动目标检测模型 |
CN111105413A (zh) * | 2019-12-31 | 2020-05-05 | 哈尔滨工程大学 | 一种智能火花塞外观缺陷检测系统 |
CN111127400A (zh) * | 2019-11-29 | 2020-05-08 | 深圳蓝韵医学影像有限公司 | 一种乳腺病变检测方法和装置 |
CN111126505A (zh) * | 2019-12-28 | 2020-05-08 | 北京工业大学 | 一种基于深度学习的路面裂缝快速识别方法 |
CN111144234A (zh) * | 2019-12-10 | 2020-05-12 | 南京航空航天大学 | 一种基于深度学习的视频sar目标检测方法 |
CN111191679A (zh) * | 2019-12-11 | 2020-05-22 | 中国地质大学(武汉) | 一种基于Faster R-CNN的地下未爆炸物检测与识别方法 |
CN111191531A (zh) * | 2019-12-17 | 2020-05-22 | 中南大学 | 一种快速行人检测方法及系统 |
CN111209620A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 |
CN111241994A (zh) * | 2020-01-09 | 2020-06-05 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111310756A (zh) * | 2020-01-20 | 2020-06-19 | 陕西师范大学 | 一种基于深度学习的损伤玉米颗粒检测和分类方法 |
CN111368660A (zh) * | 2020-02-25 | 2020-07-03 | 华南理工大学 | 一种单阶段半监督图像人体目标检测方法 |
CN111402335A (zh) * | 2020-03-18 | 2020-07-10 | 东软睿驰汽车技术(沈阳)有限公司 | 深度学习模型的评价方法、装置、电子设备及存储介质 |
CN111553236A (zh) * | 2020-04-23 | 2020-08-18 | 福建农林大学 | 基于道路前景图像的路面病害目标检测与实例分割方法 |
CN111612747A (zh) * | 2020-04-30 | 2020-09-01 | 重庆见芒信息技术咨询服务有限公司 | 产品表面裂缝快速检测方法及检测系统 |
CN111783590A (zh) * | 2020-06-24 | 2020-10-16 | 西北工业大学 | 一种基于度量学习的多类别小目标检测方法 |
CN112101137A (zh) * | 2020-08-26 | 2020-12-18 | 东南大学 | 用于爬壁机器人导航的焊缝识别与路径提取的方法 |
CN112163667A (zh) * | 2020-09-16 | 2021-01-01 | 闽江学院 | 新型Faster R-CNN网络模型及其训练方法 |
CN112183453A (zh) * | 2020-10-15 | 2021-01-05 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的注水口盖板未锁闭到位故障检测方法及系统 |
CN112184692A (zh) * | 2020-10-13 | 2021-01-05 | 辽宁工程技术大学 | 一种输电线路多目标检测方法 |
CN112241950A (zh) * | 2020-10-19 | 2021-01-19 | 福州大学 | 一种塔式起重机裂缝图像的检测方法 |
CN112598066A (zh) * | 2020-12-25 | 2021-04-02 | 中用科技有限公司 | 一种基于机器视觉的轻量化道路路面检测方法及系统 |
CN113139528A (zh) * | 2021-06-21 | 2021-07-20 | 江西省水利科学院 | 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法 |
CN113255605A (zh) * | 2021-06-29 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路面病害检测方法、装置、终端设备及存储介质 |
CN113312987A (zh) * | 2021-05-11 | 2021-08-27 | 东南大学 | 一种基于无人机航拍路面裂缝图像的识别方法 |
CN113326565A (zh) * | 2021-05-26 | 2021-08-31 | 南京航空航天大学 | 一种三维编织物示迹线间距检测方法 |
CN113378918A (zh) * | 2021-06-09 | 2021-09-10 | 武汉大学 | 一种基于度量学习的绝缘子绑扎线状态检测方法 |
CN113392849A (zh) * | 2021-06-30 | 2021-09-14 | 哈尔滨理工大学 | 一种基于r-cnn的复杂路面裂缝识别方法 |
CN113506269A (zh) * | 2021-07-12 | 2021-10-15 | 东南大学 | 一种基于深度学习的道岔与非道岔轨道紧固件定位方法 |
CN113534276A (zh) * | 2021-07-12 | 2021-10-22 | 西安电子科技大学 | 基于Faster R-CNN的铁路入侵行为检测方法 |
CN113836999A (zh) * | 2021-08-16 | 2021-12-24 | 山东大学 | 基于探地雷达的隧道施工风险智能识别方法及系统 |
CN113870263A (zh) * | 2021-12-02 | 2021-12-31 | 湖南大学 | 一种路面缺陷损伤实时监测方法及系统 |
CN114005001A (zh) * | 2021-11-05 | 2022-02-01 | 西安交通大学 | 一种基于深度学习的x射线图像检测方法及系统 |
KR20220017648A (ko) * | 2020-08-05 | 2022-02-14 | (주)이포즌 | 콘크리트 균열 학습 장치 및 방법 |
CN114170511A (zh) * | 2021-12-07 | 2022-03-11 | 南京中设航空科技发展有限公司 | 基于Cascade RCNN的路面裂缝病害识别方法 |
CN114359147A (zh) * | 2021-12-03 | 2022-04-15 | 深圳大学 | 裂缝检测方法、装置、服务器及存储介质 |
CN114581764A (zh) * | 2021-12-24 | 2022-06-03 | 中交基础设施养护集团有限公司 | 基于深度学习算法的地下结构裂纹病害判别方法 |
CN115410196A (zh) * | 2022-10-31 | 2022-11-29 | 南昌理工学院 | 一种基于复杂背景下的小目标识别系统 |
WO2023060637A1 (zh) * | 2021-10-11 | 2023-04-20 | 深圳硅基智能科技有限公司 | 基于紧框标的深度学习的测量方法及测量装置 |
CN117036348A (zh) * | 2023-10-08 | 2023-11-10 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117952977A (zh) * | 2024-03-27 | 2024-04-30 | 山东泉海汽车科技有限公司 | 一种基于改进yolov5s的路面裂缝识别方法、装置和介质 |
CN117952977B (zh) * | 2024-03-27 | 2024-06-04 | 山东泉海汽车科技有限公司 | 一种基于改进yolov5s的路面裂缝识别方法、装置和介质 |
-
2019
- 2019-06-18 CN CN201910526241.2A patent/CN110321815A/zh active Pending
Non-Patent Citations (1)
Title |
---|
袁明新 等: "基于深度学习方法的海上舰船目标检测", 《舰船科学技术》 * |
Cited By (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110826476A (zh) * | 2019-11-02 | 2020-02-21 | 国网浙江省电力有限公司杭州供电公司 | 识别目标物体的图像检测方法、装置、电子设备和存储介质 |
CN110827273A (zh) * | 2019-11-14 | 2020-02-21 | 中南大学 | 一种基于区域卷积神经网络的茶叶病害检测方法 |
CN111127400A (zh) * | 2019-11-29 | 2020-05-08 | 深圳蓝韵医学影像有限公司 | 一种乳腺病变检测方法和装置 |
CN111144234A (zh) * | 2019-12-10 | 2020-05-12 | 南京航空航天大学 | 一种基于深度学习的视频sar目标检测方法 |
CN110992349A (zh) * | 2019-12-11 | 2020-04-10 | 南京航空航天大学 | 一种基于深度学习的地下管道异常自动化定位与识别方法 |
CN111191679A (zh) * | 2019-12-11 | 2020-05-22 | 中国地质大学(武汉) | 一种基于Faster R-CNN的地下未爆炸物检测与识别方法 |
CN111062437A (zh) * | 2019-12-16 | 2020-04-24 | 交通运输部公路科学研究所 | 一种基于深度学习的桥梁结构病害自动目标检测模型 |
CN111191531A (zh) * | 2019-12-17 | 2020-05-22 | 中南大学 | 一种快速行人检测方法及系统 |
CN111126505A (zh) * | 2019-12-28 | 2020-05-08 | 北京工业大学 | 一种基于深度学习的路面裂缝快速识别方法 |
CN111209620A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 |
CN111105413A (zh) * | 2019-12-31 | 2020-05-05 | 哈尔滨工程大学 | 一种智能火花塞外观缺陷检测系统 |
CN111105413B (zh) * | 2019-12-31 | 2021-05-14 | 哈尔滨工程大学 | 一种智能火花塞外观缺陷检测系统 |
CN111241994A (zh) * | 2020-01-09 | 2020-06-05 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111241994B (zh) * | 2020-01-09 | 2024-02-20 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111310756A (zh) * | 2020-01-20 | 2020-06-19 | 陕西师范大学 | 一种基于深度学习的损伤玉米颗粒检测和分类方法 |
CN111368660A (zh) * | 2020-02-25 | 2020-07-03 | 华南理工大学 | 一种单阶段半监督图像人体目标检测方法 |
CN111402335B (zh) * | 2020-03-18 | 2023-07-28 | 东软睿驰汽车技术(沈阳)有限公司 | 深度学习模型的评价方法、装置、电子设备及存储介质 |
CN111402335A (zh) * | 2020-03-18 | 2020-07-10 | 东软睿驰汽车技术(沈阳)有限公司 | 深度学习模型的评价方法、装置、电子设备及存储介质 |
CN111553236B (zh) * | 2020-04-23 | 2022-06-07 | 福建农林大学 | 基于道路前景图像的路面病害目标检测与实例分割方法 |
CN111553236A (zh) * | 2020-04-23 | 2020-08-18 | 福建农林大学 | 基于道路前景图像的路面病害目标检测与实例分割方法 |
CN111612747A (zh) * | 2020-04-30 | 2020-09-01 | 重庆见芒信息技术咨询服务有限公司 | 产品表面裂缝快速检测方法及检测系统 |
CN111612747B (zh) * | 2020-04-30 | 2023-10-20 | 湖北煌朝智能自动化装备有限公司 | 产品表面裂缝快速检测方法及检测系统 |
CN111783590A (zh) * | 2020-06-24 | 2020-10-16 | 西北工业大学 | 一种基于度量学习的多类别小目标检测方法 |
KR102408406B1 (ko) | 2020-08-05 | 2022-06-14 | (주)이포즌 | 콘크리트 균열 학습 장치 및 방법 |
KR20220017648A (ko) * | 2020-08-05 | 2022-02-14 | (주)이포즌 | 콘크리트 균열 학습 장치 및 방법 |
CN112101137A (zh) * | 2020-08-26 | 2020-12-18 | 东南大学 | 用于爬壁机器人导航的焊缝识别与路径提取的方法 |
CN112163667A (zh) * | 2020-09-16 | 2021-01-01 | 闽江学院 | 新型Faster R-CNN网络模型及其训练方法 |
CN112163667B (zh) * | 2020-09-16 | 2024-01-12 | 闽江学院 | 新型Faster R-CNN网络模型及其训练方法 |
CN112184692A (zh) * | 2020-10-13 | 2021-01-05 | 辽宁工程技术大学 | 一种输电线路多目标检测方法 |
CN112184692B (zh) * | 2020-10-13 | 2024-02-27 | 辽宁工程技术大学 | 一种输电线路多目标检测方法 |
CN112183453B (zh) * | 2020-10-15 | 2021-05-11 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的注水口盖板未锁闭到位故障检测方法及系统 |
CN112183453A (zh) * | 2020-10-15 | 2021-01-05 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的注水口盖板未锁闭到位故障检测方法及系统 |
CN112241950A (zh) * | 2020-10-19 | 2021-01-19 | 福州大学 | 一种塔式起重机裂缝图像的检测方法 |
CN112598066A (zh) * | 2020-12-25 | 2021-04-02 | 中用科技有限公司 | 一种基于机器视觉的轻量化道路路面检测方法及系统 |
CN113312987B (zh) * | 2021-05-11 | 2024-04-16 | 东南大学 | 一种基于无人机航拍路面裂缝图像的识别方法 |
CN113312987A (zh) * | 2021-05-11 | 2021-08-27 | 东南大学 | 一种基于无人机航拍路面裂缝图像的识别方法 |
CN113326565B (zh) * | 2021-05-26 | 2022-11-22 | 南京航空航天大学 | 一种三维编织物示迹线间距检测方法 |
CN113326565A (zh) * | 2021-05-26 | 2021-08-31 | 南京航空航天大学 | 一种三维编织物示迹线间距检测方法 |
CN113378918A (zh) * | 2021-06-09 | 2021-09-10 | 武汉大学 | 一种基于度量学习的绝缘子绑扎线状态检测方法 |
CN113378918B (zh) * | 2021-06-09 | 2022-06-07 | 武汉大学 | 一种基于度量学习的绝缘子绑扎线状态检测方法 |
CN113139528A (zh) * | 2021-06-21 | 2021-07-20 | 江西省水利科学院 | 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法 |
CN113255605A (zh) * | 2021-06-29 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路面病害检测方法、装置、终端设备及存储介质 |
CN113392849A (zh) * | 2021-06-30 | 2021-09-14 | 哈尔滨理工大学 | 一种基于r-cnn的复杂路面裂缝识别方法 |
CN113506269A (zh) * | 2021-07-12 | 2021-10-15 | 东南大学 | 一种基于深度学习的道岔与非道岔轨道紧固件定位方法 |
CN113506269B (zh) * | 2021-07-12 | 2022-11-18 | 东南大学 | 一种基于深度学习的道岔与非道岔轨道紧固件定位方法 |
CN113534276A (zh) * | 2021-07-12 | 2021-10-22 | 西安电子科技大学 | 基于Faster R-CNN的铁路入侵行为检测方法 |
CN113836999A (zh) * | 2021-08-16 | 2021-12-24 | 山东大学 | 基于探地雷达的隧道施工风险智能识别方法及系统 |
WO2023060637A1 (zh) * | 2021-10-11 | 2023-04-20 | 深圳硅基智能科技有限公司 | 基于紧框标的深度学习的测量方法及测量装置 |
CN114005001A (zh) * | 2021-11-05 | 2022-02-01 | 西安交通大学 | 一种基于深度学习的x射线图像检测方法及系统 |
CN114005001B (zh) * | 2021-11-05 | 2024-04-09 | 西安交通大学 | 一种基于深度学习的x射线图像检测方法及系统 |
CN113870263B (zh) * | 2021-12-02 | 2022-02-25 | 湖南大学 | 一种路面缺陷损伤实时监测方法及系统 |
CN113870263A (zh) * | 2021-12-02 | 2021-12-31 | 湖南大学 | 一种路面缺陷损伤实时监测方法及系统 |
CN114359147A (zh) * | 2021-12-03 | 2022-04-15 | 深圳大学 | 裂缝检测方法、装置、服务器及存储介质 |
CN114170511A (zh) * | 2021-12-07 | 2022-03-11 | 南京中设航空科技发展有限公司 | 基于Cascade RCNN的路面裂缝病害识别方法 |
CN114581764A (zh) * | 2021-12-24 | 2022-06-03 | 中交基础设施养护集团有限公司 | 基于深度学习算法的地下结构裂纹病害判别方法 |
CN114581764B (zh) * | 2021-12-24 | 2024-04-26 | 中交基础设施养护集团有限公司 | 基于深度学习算法的地下结构裂纹病害判别方法 |
CN115410196A (zh) * | 2022-10-31 | 2022-11-29 | 南昌理工学院 | 一种基于复杂背景下的小目标识别系统 |
CN115410196B (zh) * | 2022-10-31 | 2023-02-07 | 南昌理工学院 | 一种基于复杂背景下的小目标识别系统 |
CN117036348B (zh) * | 2023-10-08 | 2024-01-09 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117036348A (zh) * | 2023-10-08 | 2023-11-10 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117952977A (zh) * | 2024-03-27 | 2024-04-30 | 山东泉海汽车科技有限公司 | 一种基于改进yolov5s的路面裂缝识别方法、装置和介质 |
CN117952977B (zh) * | 2024-03-27 | 2024-06-04 | 山东泉海汽车科技有限公司 | 一种基于改进yolov5s的路面裂缝识别方法、装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321815A (zh) | 一种基于深度学习的道路裂缝识别方法 | |
CN108537215B (zh) | 一种基于图像目标检测的火焰检测方法 | |
CN103984953B (zh) | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 | |
WO2019140767A1 (zh) | 安检识别系统及其控制方法 | |
CN107423760A (zh) | 基于预分割和回归的深度学习目标检测方法 | |
CN108009509A (zh) | 车辆目标检测方法 | |
CN109766884A (zh) | 一种基于Faster-RCNN的机场跑道异物检测方法 | |
CN111898406B (zh) | 基于焦点损失和多任务级联的人脸检测方法 | |
CN110210362A (zh) | 一种基于卷积神经网络的交通标志检测方法 | |
CN108960198A (zh) | 一种基于残差ssd模型的交通标志检测与识别方法 | |
CN109961049A (zh) | 一种复杂场景下香烟品牌识别方法 | |
CN110135296A (zh) | 基于卷积神经网络的机场跑道fod检测方法 | |
CN107346420A (zh) | 一种基于深度学习的自然场景下文字检测定位方法 | |
CN106875381A (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN109919159A (zh) | 一种针对边缘图像的语义分割优化方法及装置 | |
CN109271895A (zh) | 基于多尺度特征学习和特征分割的行人重识别方法 | |
CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN109598211A (zh) | 一种实时动态人脸识别方法及系统 | |
CN108537264A (zh) | 基于深度学习的异源图像匹配方法 | |
CN109214298A (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN109993803A (zh) | 城市色调的智能分析与评价方法 | |
CN109635636A (zh) | 基于属性特征和加权的分块特征相融合的行人再识别方法 | |
CN112634237A (zh) | 一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及系统 | |
CN105931241A (zh) | 一种自然场景图像的自动标注方法 | |
CN109145846A (zh) | 材料微观结构智能识别分析系统及分析方法 |
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: 20191011 |