CN110334727A - 一种隧道裂缝智能匹配检测方法 - Google Patents

一种隧道裂缝智能匹配检测方法 Download PDF

Info

Publication number
CN110334727A
CN110334727A CN201910360395.9A CN201910360395A CN110334727A CN 110334727 A CN110334727 A CN 110334727A CN 201910360395 A CN201910360395 A CN 201910360395A CN 110334727 A CN110334727 A CN 110334727A
Authority
CN
China
Prior art keywords
crack
picture
tunnel slot
value
spoke
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.)
Granted
Application number
CN201910360395.9A
Other languages
English (en)
Other versions
CN110334727B (zh
Inventor
田伟
游光华
万正喜
郑小刚
姜泽界
赵毅锋
项杰
楼勇
曾辉
朱中山
王鑫
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.)
Huadong Tianhuangping Pump Storage Co Ltd
State Grid Corp of China SGCC
State Grid Xinyuan Co Ltd
Original Assignee
Huadong Tianhuangping Pump Storage Co Ltd
State Grid Corp of China SGCC
State Grid Xinyuan 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 Huadong Tianhuangping Pump Storage Co Ltd, State Grid Corp of China SGCC, State Grid Xinyuan Co Ltd filed Critical Huadong Tianhuangping Pump Storage Co Ltd
Priority to CN201910360395.9A priority Critical patent/CN110334727B/zh
Publication of CN110334727A publication Critical patent/CN110334727A/zh
Application granted granted Critical
Publication of CN110334727B publication Critical patent/CN110334727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种隧道裂缝智能匹配检测方法,包括以下步骤：对提取得到的每个裂缝区域进行ID编号，然后提取该裂缝区域中的裂缝特征值，建立隧道裂缝数据库，然后将采集到的隧道裂缝图片进行预处理，再对B图片进行裂缝检测得到裂缝区域的坐标，然后通过裂缝匹配网络对该裂缝区域进行快速定位和特征值提取得到特征值向量，再将该特征值向量与数据库中每个ID编号对应的裂缝特征值进行比对，确认输出特征值的ID编号，最后提取C裂缝区域的裂缝二值图和裂缝宽度，将其与ID编号一同存入数据库中，完成对隧道裂缝的匹配检测。本发明具有匹配效率高、匹配准确性好的特点。

Description

一种隧道裂缝智能匹配检测方法
技术领域
本发明涉及一种隧道裂缝的检测方法，特别是一种隧道裂缝智能匹配检测方法。
背景技术
隧道是交通基础设施的重要组成成分，但其在投入使用后会因人为或自然因素产生大量不同形状的裂缝，作业人员则需要对这些裂缝进行鉴定和检测，以判断该裂缝是否会对隧道洞体内部造成进一步破坏并威胁行车安全。
但目前对裂缝的检测方法均存在不同程度的缺陷，如专利201610551362.9《裂缝智能识别分类的方法》中提出了利用OpenCV读取灰度图片后将其转化为直方图，再通过直方图分割出裂缝区域并裂缝模版，再将该裂缝模版与数据库进行比对，确定裂缝种类。但这方法在转化背景复杂、干扰噪点多的图片时，会将背景环境中的干扰也当做裂缝进行提取，从而增加了裂缝的匹配难度；并且由于直方图和图片是多对一的关系，即不同的图片可以对应同一张直方图，从而降低了对裂缝的匹配准确性。
专利201611090020.8《隧道内裂缝匹配方法和系统》中提出了将裂缝图像进行预处理后得到裂缝骨架图，然后对裂缝骨架图的走向提取角点进行连接确定每个角点折线上所有的像素点，然后将提取得到的特征点和数据库中的裂缝图像特征点进行匹配，以确定图像的具体裂缝类型。但这种匹配方法需要将当前图片的所有特征点与数据库中每张图片的特征点进行匹配，导致每次匹配都需要耗费大量的时间和资源，难以满足使用者的需求。
专利201410275604.7《一种隧道病害的识别方法》中提出了将线阵CCD相机与位移传感器固定于同一检测平台，使CCD相机在位移过程中获取隧道裂缝的数字图像，再通过数字图像提取隧道表面正常轮廓特征以及病害轮廓特征，然后将其与数据库进行特征配准分析，以确定隧道病害位置和类型。但这种方法需要线阵CCD相机在获取二维图像时配以扫描运动，并以光栅等器件以记录CCD相机每一扫描行的坐标，为图像毎一像素点确定在被测件上的对应位置，从而导致整体图像获取时间长，测量效率低的问题；并且由于在扫描运动及相应的位置反馈环节的存在増加了系统复杂性和成本，使图像精度可能受扫描运动精度的影响而降低，导致在隧道内部高低不平或有台阶的情况时，很难准确的获取位置信息，无法达到测量效果。
因此，现有对隧道裂缝的匹配检测方法存在匹配效率低、匹配准确性差的问题。
发明内容
本发明的目的在于，提供一种隧道裂缝智能匹配检测方法。它具有匹配效率高、匹配准确性好的特点。
本发明的技术方案：一种隧道裂缝智能匹配检测方法，包括以下步骤：
①建立隧道裂缝数据库，该隧道裂缝数据库中包含多种ID编号的裂缝区域的裂缝特征值，得A数据库；
②将采集到的隧道裂缝图片进行预处理，得B图片；
③对B图片进行裂缝检测，当检测到裂缝标志后，输出裂缝区域的坐标，得C裂缝区域；
④通过裂缝匹配网络对C裂缝区域进行快速定位和特征值提取，使C裂缝区域提取成一个固定低维度的特征值向量，得D输出特征值；
⑤将D输出特征值与A数据库中每个ID编号对应的裂缝特征值进行比对，确认D输出特征值的ID编号，得E裂缝区域ID；
⑥提取C裂缝区域的裂缝二值图，再计算出C裂缝区域的裂缝宽度，然后将计算得到的裂缝二值图、裂缝宽度与E裂缝区域ID一同存入数据库中，完成对隧道裂缝的匹配检测。
前述的一种隧道裂缝智能匹配检测方法中，所述步骤②中隧道裂缝图片的具体预处理方法为：对隧道裂缝图片进行平衡光照工作，通过高斯低通滤波器保留低频信息得到背景分量，再通过该图片与背景分量做差，通过差值对该图片加上一个合适的灰度偏移量，最后对图片进行拉伸，得到处理效果。
前述的一种隧道裂缝智能匹配检测方法中，所述裂缝匹配网络包括一个双支对称网络，双支对称网络计算得到的输出值作为2分类问题算法的输入项；该双支对称网络由共享网络权重的分支1和分支2组成，分支1和分支2均包括CNN卷积部分、SPP金字塔池化层和FC全连接层。
前述的一种隧道裂缝智能匹配检测方法中，所述步骤④中裂缝匹配网络的具体特征值提取方法为：通过分支1或分支2对C裂缝区域依次提取图像特征、实现统一尺度和压缩特征值，得到D输出特征值。
前述的一种隧道裂缝智能匹配检测方法中，所述步骤⑤中D输出特征值的具体比对方式为：将提取得到的特征值与A数据库中每个ID对应的裂缝特征进行比较，计算其余弦相似度；当计算结果低于阈值时，新建ID并储存特征值；当计算结果高于阈值时，选择相似度最大的ID作为C裂缝区域的ID。
前述的一种隧道裂缝智能匹配检测方法中，所述分支1和分支2的网络结构参数为：C(64,3,1)-ReLU-P(2,2)-C(64,3,1)-ReLU-P(2,2)-C(128,3,1)-ReLU-P(2,2)-C(128,3,1)-ReLU-P(2,2)-C(256,3,1)-ReLU-SPP(4*4,2*2,1*1)-F(10)，其中C(n,k,s)为n通道输出，k*k大小卷积核，s步长的卷积层；P(k,s)为k*k大小卷积核，s步长的最大池化层；SPP(4*4,2*2,1*1)代表以4*4,2*2,1*1为刻度的空间金字塔最大池化层；F(n)代表输出为n维的全连接层。
前述的一种隧道裂缝智能匹配检测方法中，所述裂缝匹配网络的训练方法为：将一张裂缝图片进行多次旋转和/或拉伸变化，生成一系列相同ID编号的裂缝图片，取每两个作为正样本分别输入分支1和分支2中，再将分支1和分支2计算得到的输出值做差取绝对值后作为2分类问题算法的输入项；然后随机在不同ID编号的裂缝图片中抽取两张作为负样本按上述方式输入，生成权重和偏置量。
与现有技术相比，本发明通过神经网络将预处理后的裂缝图片提取形成一个固定低维度的特征值向量，再通过特征值向量与数据库中的特征值进行匹配，相比现有方法中利用整体图所有点匹配的方式能够大大减少匹配所需的计算量，提高本发明的匹配效率；通过权重共享的双支对称网络进行提取特征值，能够实现任意尺度的裂缝区域中特征值向量的提取，从而使本发明在检测相同类型不同尺寸的裂缝区域时能够具有良好的匹配准确性；通过对裂缝图像进行特征值提取的匹配方式，与扫描直接得到数字图像的方式相比能够减少获取图像所需的时间，从而进一步提高本发明的整体匹配效率；本发明通过在提取特征值前对裂缝图片的预处理，能够有效避免背景环境和噪点对提取效果形成的干扰，进一步提高本发明的匹配准确度。此外，本发明具体设置了双支对称网络的网络结构参数，进一步提高了双支对称网络的提取效果；通过对裂缝匹配网络训练方法的优化，能够准确得到特征值在匹配时所需的权重和偏置量，进一步提高了本发明的匹配准确度。所以，本发明具有匹配效率高、匹配准确性好的特点。
附图说明
图1是本发明的流程图；
图2是裂缝匹配网络的结构示意图。
具体实施方式
下面结合图片和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例。一种隧道裂缝智能匹配检测方法，如图1所示，包括以下步骤：
①通过步骤②-④的提取方法建立隧道裂缝数据库，该隧道裂缝数据库中包含多种不同ID编号的裂缝区域的裂缝特征值，在每次检测匹配过程中该隧道裂缝数据库中的ID编号不断累加，该裂缝特征包括裂缝区域特征值向量和裂缝数据，得A数据库；
②通过CCD相机对隧道裂缝进行拍摄得到隧道裂缝图片，然后将该隧道裂缝图片进行预处理，得B图片；
③采用yolov3目标检测网络对B图片进行裂缝检测，当检测到裂缝标志后，输出裂缝区域的坐标，当无法检测到裂缝标志时，回到步骤②重新采集图片，得C裂缝区域；
④通过裂缝匹配网络对C裂缝区域进行快速定位和特征值提取，使C裂缝区域提取成一个固定低维度的特征值向量，得D输出特征值；
⑤将D输出特征值与A数据库中每个ID编号对应的裂缝特征值进行比对，确认D输出特征值的ID编号，得E裂缝区域ID；
⑥采用FCN网络提取C裂缝区域的裂缝二值图，再通过边缘点法计算出C裂缝区域的裂缝宽度，然后将计算得到的裂缝二值图、裂缝宽度与E裂缝区域ID一同存入数据库中，完成对隧道裂缝的匹配检测。
所述步骤②中隧道裂缝图片的具体预处理方法为：利用mask匀光算法对隧道裂缝图片进行平衡光照工作，通过高斯低通滤波器保留低频信息得到背景分量，再通过该图片与背景分量做差，通过差值对该图片加上一个合适的灰度偏移量，最后对图片进行拉伸，得到处理效果。
所述裂缝匹配网络如图2所示(图中C1、C2为分支1、分支2的输出值)，包括一个双支对称网络，双支对称网络计算得到的输出值作为2分类问题算法的输入项；该双支对称网络由共享网络权重的分支1和分支2组成，分支1和分支2均包括CNN卷积部分、SPP金字塔池化层和FC全连接层。
所述步骤④中裂缝匹配网络的具体特征值提取方法为：通过分支1或分支2对C裂缝区域依次提取图像特征、实现统一尺度和压缩特征值，得到D输出特征值。
所述步骤⑤中D输出特征值的具体比对方式为：将提取得到的特征值与A数据库中每个ID对应的裂缝特征进行比较，计算其余弦相似度；当计算结果低于阈值时，新建ID并储存特征值；当计算结果高于阈值时，选择相似度最大的ID作为C裂缝区域的ID。
所述分支1和分支2的网络结构参数相同，均为：C(64,3,1)-ReLU-P(2,2)-C(64,3,1)-ReLU-P(2,2)-C(128,3,1)-ReLU-P(2,2)-C(128,3,1)-ReLU-P(2,2)-C(256,3,1)-ReLU-SPP(4*4,2*2,1*1)-F(10)，其中C(n,k,s)为n通道输出，k*k大小卷积核，s步长的卷积层；P(k,s)为k*k大小卷积核，s步长的最大池化层；SPP(4*4,2*2,1*1)代表以4*4,2*2,1*1为刻度的空间金字塔最大池化层；F(n)代表输出为n维的全连接层。
所述裂缝匹配网络的训练方法为：将一张裂缝图片进行多次旋转和/或拉伸变化，生成一系列相同ID编号的裂缝图片，取每两个该ID编号的裂缝图片作为正样本，检测裂缝区域后分别输入分支1和分支2中，再将分支1和分支2计算得到的输出值做差取绝对值后作为2分类问题算法的输入项；然后随机在不同ID编号的裂缝图片中抽取两张作为负样本按上述方式输入，生成权重和偏置量。
本发明的工作原理：本发明通过裂缝匹配网络对采集到的裂缝区域进行特征值提取，使不定尺度的裂缝区域能够统一提取形成一个固定低维度的特征值向量；然后再计算该特征值向量与数据库中特征值向量的相似度，实现对该裂缝图片的匹配，匹配过程中大大减少了所需的计算量，加快了匹配速度。并且通过计算低维特征向量实现匹配的方法，使作业人员在采集裂缝图片时可以直接对裂缝拍摄整幅图像，并避免隧道表面凹凸不平或复杂背景对图片匹配造成的干扰，方便了作业人员的采集并提高本发明对裂缝图片的匹配准确度。本发明还进一步优化了裂缝匹配网络的结构参数和相应的训练方法，使裂缝匹配网络能够提高对裂缝特征值的提取稳定性和匹配准确度，保证了本发明的稳定检测和匹配。本发明在检测完成后，对不同于数据库的新裂缝特征值还能够新建ID编号并储存，使数据库在匹配过程中能够逐渐完善，进一步提高了对裂缝图片的匹配精度。

Claims (7)

1.一种隧道裂缝智能匹配检测方法，其特征在于，包括以下步骤：
①建立隧道裂缝数据库，该隧道裂缝数据库中包含多种ID编号的裂缝区域的裂缝特征值，得A数据库；
②将采集到的隧道裂缝图片进行预处理，得B图片；
③对B图片进行裂缝检测，当检测到裂缝标志后，输出裂缝区域的坐标，得C裂缝区域；
④通过裂缝匹配网络对C裂缝区域进行快速定位和特征值提取，使C裂缝区域提取成一个固定低维度的特征值向量，得D输出特征值；
⑤将D输出特征值与A数据库中每个ID编号对应的裂缝特征值进行比对，确认D输出特征值的ID编号，得E裂缝区域ID；
⑥提取C裂缝区域的裂缝二值图，再计算出C裂缝区域的裂缝宽度，然后将计算得到的裂缝二值图、裂缝宽度与E裂缝区域ID一同存入数据库中，完成对隧道裂缝的匹配检测。
2.根据权利要求1所述的一种隧道裂缝智能匹配检测方法，其特征在于，所述步骤②中隧道裂缝图片的具体预处理方法为：对隧道裂缝图片进行平衡光照工作，通过高斯低通滤波器保留低频信息得到背景分量，再通过该图片与背景分量做差，通过差值对该图片加上一个合适的灰度偏移量，最后对图片进行拉伸，得到处理效果。
3.根据权利要求1所述的一种隧道裂缝智能匹配检测方法，其特征在于：所述裂缝匹配网络包括一个双支对称网络，双支对称网络计算得到的输出值作为2分类问题算法的输入项；该双支对称网络由共享网络权重的分支1和分支2组成，分支1和分支2均包括CNN卷积部分、SPP金字塔池化层和FC全连接层。
4.根据权利要求3所述的一种隧道裂缝智能匹配检测方法，其特征在于，所述步骤④中裂缝匹配网络的具体特征值提取方法为：通过分支1或分支2对C裂缝区域依次提取图像特征、实现统一尺度和压缩特征值，得到D输出特征值。
5.根据权利要求4所述的一种隧道裂缝智能匹配检测方法，其特征在于，所述步骤⑤中D输出特征值的具体比对方式为：将提取得到的特征值与A数据库中每个ID对应的裂缝特征进行比较，计算其余弦相似度；当计算结果低于阈值时，新建ID并储存特征值；当计算结果高于阈值时，选择相似度最大的ID作为C裂缝区域的ID。
6.根据权利要求3所述的一种隧道裂缝智能匹配检测方法，其特征在于，所述分支1和分支2的网络结构参数为：C(64,3,1)-ReLU-P(2,2)-C(64,3,1)-ReLU-P(2,2)-C(128,3,1)-ReLU-P(2,2)-C(128,3,1)-ReLU-P(2,2)-C(256,3,1)-ReLU-SPP(4*4,2*2,1*1)-F(10)，其中C(n,k,s)为n通道输出，k*k大小卷积核，s步长的卷积层；P(k,s)为k*k大小卷积核，s步长的最大池化层；SPP(4*4,2*2,1*1)代表以4*4,2*2,1*1为刻度的空间金字塔最大池化层；F(n)代表输出为n维的全连接层。
7.根据权利要求3所述的一种隧道裂缝智能匹配检测方法，其特征在于，所述裂缝匹配网络的训练方法为：将一张裂缝图片进行多次旋转和/或拉伸变化，生成一系列相同ID编号的裂缝图片，取每两个作为正样本分别输入分支1和分支2中，再将分支1和分支2计算得到的输出值做差取绝对值后作为2分类问题算法的输入项；然后随机在不同ID编号的裂缝图片中抽取两张作为负样本按上述方式输入，生成权重和偏置量。
CN201910360395.9A 2019-04-30 2019-04-30 一种隧道裂缝智能匹配检测方法 Active CN110334727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910360395.9A CN110334727B (zh) 2019-04-30 2019-04-30 一种隧道裂缝智能匹配检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910360395.9A CN110334727B (zh) 2019-04-30 2019-04-30 一种隧道裂缝智能匹配检测方法

Publications (2)

Publication Number Publication Date
CN110334727A true CN110334727A (zh) 2019-10-15
CN110334727B CN110334727B (zh) 2021-04-27

Family

ID=68139826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910360395.9A Active CN110334727B (zh) 2019-04-30 2019-04-30 一种隧道裂缝智能匹配检测方法

Country Status (1)

Country Link
CN (1) CN110334727B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563888A (zh) * 2020-05-06 2020-08-21 清华大学 一种定量裂缝生长监测方法
CN112036425A (zh) * 2020-05-09 2020-12-04 中铁四局集团有限公司 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法
CN112113978A (zh) * 2020-09-22 2020-12-22 成都国铁电气设备有限公司 一种基于深度学习的车载隧道缺陷在线检测系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915764A (zh) * 2010-08-10 2010-12-15 武汉武大卓越科技有限责任公司 基于动态规划的路面裂缝检测方法
CN104636750A (zh) * 2014-12-17 2015-05-20 长安大学 一种基于双尺度聚类算法的路面裂缝识别算法及系统
US20170091879A1 (en) * 2015-09-28 2017-03-30 Smartvid.io, Inc. Media management system
CN106778844A (zh) * 2016-11-30 2017-05-31 北京交通大学 隧道内裂缝匹配方法和系统
CN109029381A (zh) * 2018-10-19 2018-12-18 石家庄铁道大学 一种隧道裂缝的检测方法、系统及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915764A (zh) * 2010-08-10 2010-12-15 武汉武大卓越科技有限责任公司 基于动态规划的路面裂缝检测方法
CN104636750A (zh) * 2014-12-17 2015-05-20 长安大学 一种基于双尺度聚类算法的路面裂缝识别算法及系统
US20170091879A1 (en) * 2015-09-28 2017-03-30 Smartvid.io, Inc. Media management system
CN106778844A (zh) * 2016-11-30 2017-05-31 北京交通大学 隧道内裂缝匹配方法和系统
CN109029381A (zh) * 2018-10-19 2018-12-18 石家庄铁道大学 一种隧道裂缝的检测方法、系统及终端设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KRISADA CHAIYASARN 等: "Tunnel crack detection using coarse‐to‐fine region localization and edge detection", 《INTERNATIONAL JOURNAL OF GEOMATE》 *
王鑫: "基于图像处理路面裂缝自动化检测及识别关键问题研究", 《北华航天工业学院学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563888A (zh) * 2020-05-06 2020-08-21 清华大学 一种定量裂缝生长监测方法
CN112036425A (zh) * 2020-05-09 2020-12-04 中铁四局集团有限公司 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法
CN112113978A (zh) * 2020-09-22 2020-12-22 成都国铁电气设备有限公司 一种基于深度学习的车载隧道缺陷在线检测系统及方法

Also Published As

Publication number Publication date
CN110334727B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN104318548B (zh) 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法
CN108573222B (zh) 基于循环对抗生成网络的行人图像遮挡检测方法
CN108364280A (zh) 结构裂缝自动化描绘及宽度精准测量方法与设备
CN109035204A (zh) 一种焊缝目标实时检测方法
CN110334727A (zh) 一种隧道裂缝智能匹配检测方法
Dhaya CCTV surveillance for unprecedented violence and traffic monitoring
CN110348263A (zh) 一种基于图像识别的二维随机码图像识别与提取方法
CN111402330B (zh) 一种基于平面靶标的激光线关键点提取方法
CN108830856B (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
CN112163588A (zh) 基于智能进化的异源图像目标检测方法、存储介质及设备
CN113393439A (zh) 一种基于深度学习的锻件缺陷检测方法
CN109308713A (zh) 一种基于前视声纳的改进核相关滤波水下目标跟踪方法
CN105405138A (zh) 基于显著性检测的水面目标跟踪方法
CN106407975B (zh) 基于空间-光谱结构约束的多尺度分层目标检测方法
CN107689058A (zh) 一种基于surf特征提取的图像配准算法
CN108182700B (zh) 一种基于两次特征检测的图像配准方法
CN113781532A (zh) Sar卫星图像与光学图像自动匹配检索方法
CN111161227B (zh) 一种基于深度神经网络的靶心定位方法及系统
CN113628170A (zh) 一种基于深度学习的激光线提取方法及系统
CN117274627A (zh) 一种基于图像转换的多时相积雪遥感图像匹配方法及系统
CN113160210A (zh) 基于深度相机的排水管道缺陷检测方法及装置
CN107273793A (zh) 一种用于人脸识别的特征提取方法
CN116385477A (zh) 一种基于图像分割的杆塔图像配准方法
CN116051808A (zh) 一种基于YOLOv5的轻量化零件识别定位方法
Bao Road distress analysis using 2D and 3D information

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