CN110349122A - 一种基于深度卷积融合神经网络的路面裂缝识别方法 - Google Patents
一种基于深度卷积融合神经网络的路面裂缝识别方法 Download PDFInfo
- Publication number
- CN110349122A CN110349122A CN201910497697.0A CN201910497697A CN110349122A CN 110349122 A CN110349122 A CN 110349122A CN 201910497697 A CN201910497697 A CN 201910497697A CN 110349122 A CN110349122 A CN 110349122A
- Authority
- CN
- China
- Prior art keywords
- crack
- convolutional layer
- image
- recognized
- images
- 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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Abstract
本发明提供了一种基于深度卷积融合神经网络的路面裂缝识别方法,包括以下步骤:步骤1,采集N幅路面图像,并对N幅路面图像进行预处理,对预处理后的N幅路面图像进行图像增广,得到M幅路面图像;步骤2,对M幅路面图像进行裂缝类别标注,并将裂缝标注后的M幅路面图像分为训练集、交叉验证集和测试集;步骤3,训练裂缝分类检测;步骤4,训练裂缝分割模型;步骤5,将待识别图像输入裂缝分割模型中,得到待识别图像中裂缝的类别和置信度;再将待识别图像输入至裂缝分割模型,得到裂缝二值图像;步骤6,计算待识别图像中裂缝面积、长度和宽度;步骤7,将待识别图像中裂缝的类别、置信度、坐标、面积、长度和宽度信息绘制到待识别图像上。
Description
技术领域
本发明属于路面裂缝检测领域,具体涉及一种基于深度卷积融合神经网络的路面裂缝识别方法。
背景技术
随着我国经济的日益繁荣,公路交通运输业得以迅速发展。在二十一世纪日益激烈的国际竞争中,公路的建设与维护情况不仅反映了一个国家的经济水平,而且是衡量一个国家综合国力的重要依据。路面裂缝作为道路常见病害之一,是道路养护工作的重点和难点。传统的基于主动特征提取的路面裂缝识别方法,首先进行裂缝图像分割,且要进行繁琐的噪声点去除及断缝连接的过程,然后根据裂缝的横纵比等参数再进行裂缝分类。这种方式对于复杂的实际路面图像的普遍适用性有待提高,导致路面裂缝的识别准确度不高。随着深度学习的再次兴起,目前已存在应用深度学习的方式进行路面识别,但这些方法使用神经网络进行路面裂缝的分类和定位时,其定位方式是用矩形框确定裂缝位置,这种定位方式不够精确且无法对裂缝的几何参数进行计算,即无法得到裂缝的更完整更精确的信息,其对于路面裂缝识别的实际应用价值还可进一步提高。
发明内容
针对现有技术中存在的不足,本发明的目的在于,提供一种基于深度卷积融合神经网络的路面裂缝识别方法,解决现有技术无法准确、高效对路面裂缝进行分类和分割的技术问题。
为了解决上述技术问题,本申请采用如下技术方案予以实现:
一种基于深度卷积融合神经网络的路面裂缝识别方法,包括以下步骤:
步骤1,采集N幅路面图像,并对N幅路面图像进行预处理,对预处理后的N幅路面图像进行图像增广,得到M幅路面图像,M>N;
步骤2,对M幅路面图像进行裂缝类别标注,并将裂缝标注后的M幅路面图像按照7:3的比例分为训练集和交叉验证集;
步骤3,构建裂缝分类检测模型,将训练集和交叉验证集输入所构建裂缝分类检测模型中进行训练,得到裂缝分类检测模型的最优权重;
步骤4,构建裂缝分割模型,将训练集和交叉验证集输入所构建裂缝分割模型模型中进行训练,得到裂缝分割模型的最优权重;
步骤5,将待识别图像输入裂缝分割模型中,得到待识别图像中裂缝的类别和置信度,将裂缝的类别标注在待识别图像上;
再将待识别图像输入至裂缝分割模型,得到裂缝二值图像,即得到待识别图像中裂缝的坐标;
步骤6,根据裂缝二值图像,计算待识别图像中裂缝的面积、长度和宽度;
步骤7,将待识别图像中裂缝的类别、置信度、坐标、面积、长度和宽度信息绘制到待识别图像上。
进一步地,所述步骤3中所构建裂缝分类检测模型为SSD卷积神经网络模型;
所述SSD卷积神经网络模型包括50个卷积层,所述50个卷积层中的第4个卷积层与第15个卷积层相同,第7个卷积层与第27个卷积层相同,第8个卷积层与第30个卷积层相同,第10个卷积层与第34个卷积层相同,第12个卷积层与第40个卷积层相同,第14个卷积层与第46个卷积层相同,第16个卷积层与第50个卷积层相同;
当将训练集和交叉验证集输入所构建SSD卷积神经网络模型中,对SSD卷积神经网络模型进行训练时,将SSD卷积神经网络模型中的激活函数设置为Relu函数,优化器设置为SGD优化器,并且当训练次数小于80次时,学习率设置为0.01,当训练次数大于等于80并且小于100时,学习率设置为0.001,当训练次数大于等于100时,学习率设置为0.0001。
进一步地,所述步骤4中所构建裂缝分割模型为U-Net卷积神经网络模型;
所述U-Net卷积神经网络模型包括50个卷积层,所述50个卷积层中的第2个卷积层与第1个卷积层相同,第5个卷积层与第4个卷积层相同,第8个卷积层与第9个卷积层相同,第12个卷积层与第26个卷积层相同,第16个卷积层与第43个卷积层相同;
当将训练集和交叉验证集输入所构建U-Net卷积神经网络模型中,对U-Net卷积神经网络模型进行训练时,将U-Net卷积神经网络模型中的激活函数设置为Sigmoid函数,优化器设置为SGD优化器,并且当训练次数小于38时,学习率设置为0.001,当训练次数大于等于38时,学习率设置为0.0001。
进一步地,所述步骤6中根据裂缝二值图像,计算待识别图像中裂缝的面积、长度和宽度,包括:
步骤61,设裂缝像素面积S=0,裂缝行参数Lx=0,裂缝列参数Ly=0;
步骤62,按照从左至右、从上到下的顺序,依次选取裂缝二值图像中的每一个像素点作为当前像素点;
若当前像素点的像素值为1,则S=S+1;否则,S=S+0;
步骤63,重复步骤62,直至裂缝二值图像中的每一个像素点均被作为当前像素点,得到待识别图像中裂缝的面积S;
步骤64,按照从左至右的顺序,依次选取裂缝二值图像中的每一列像素作为当前列像素;
若当前列像素的像素值为1,则Lx=Lx+1;否则,Lx=Lx+0;
步骤65,重复步骤64,直至裂缝二值图像中的每一列像素均被作为当前列像素,得到待识别图像中裂缝行参数Lx;
步骤66,按照从上到下的顺序,依次选取裂缝二值图像中的每一行像素作为当前行像素;
若当前行像素的像素值为1,则Ly=Ly+1;否则,Ly=Ly+0;
步骤67,重复步骤66,直至裂缝二值图像中的每一行像素均被作为当前行像素,得到待识别图像中裂缝列参数Ly;
步骤68,通过式(1)得到裂缝长度L;
步骤69,通过式(2)得到裂缝宽度W;
W=S/L。
本发明与现有技术相比,有益的技术效果是:
1.本发明使用深度卷积神经网络的方式,通过先分类再分割的方式对路面裂缝进行识别,优化路面裂缝识别过程与识别效果。
2.本发明采用分类网络和分割网络融合的方式进行路面裂缝的识别,得到裂缝类别的同时实现了裂缝精确定位,并计算了裂缝的几何参数,使识别到的路面裂缝信息更加的完善,可直接用于路面状况评价。
附图说明
图1是本发明的总流程图;
图2为深度残差网络基本模块图;
图3为裂缝分类检测模型训练损失函数曲线;
图4为裂缝分割模型损失函数曲线;
图5是裂缝分检测模型的检测效果图;其中,(a)为横向裂缝检测效果图;(b)为纵向裂缝检测效果图;(c)为网状裂缝检测效果图;
图6是裂缝分割模型的检测效果图;其中,(a)为横向裂缝原图;(b)为纵向裂缝原图;(c)为网状裂缝原图;(d)为横向裂缝分割效果图;(e)为纵向裂缝分割效果图;(f)为网状裂缝分割效果图;
图7是最终融合模型的裂缝识别效果图;其中,(a)为横向裂缝效果图1;(b)为横向裂缝效果图2;(c)为横向裂缝效果图3;(d)为纵向裂缝效果图1;(e)为纵向裂缝效果图2;(f)为纵向裂缝效果图3;(g)为网状裂缝效果图1;(h)为网状裂缝效果图2;(i)为网状裂缝效果图3。
以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例:
本实施例给出一种基于深度卷积融合神经网络的路面裂缝识别方法,如图1,包括以下步骤:
步骤1,采集N幅路面图像,并对N幅路面图像进行预处理,对预处理后的N幅路面图像进行图像增广,得到M幅路面图像,M>N;
作为本发明的一种具体实施方式,路面图像的采集方式可以采用检测车采集或者智能手机拍摄。
并且,本发明可以通过图像翻转、不同角度旋转等方式对路面图像进行增广。
在一种实施例下,图像增广后得到的样本数据集中共8000幅路面图像,其中横向裂缝图片2800幅、纵向裂缝图片2800幅、网状裂缝图片2400幅。
另外,在具体实施过程中,还需对增广后的路面图像进行如下式的归一化处理;
其中,x表示增广后的路面图像,xnormalization表示归一化后的路面图像。
步骤2,对M幅路面图像进行裂缝类别标注,并将裂缝标注后的M幅路面图像按照7:3的比例分为训练集、交叉验证集;
本实施例中还可以将M幅路面图像按照6:2:2的比例分为训练集、交叉验证集和测试集,其中测试集用于检测训练后的裂缝分类检测模型和裂缝分割模型的检测效果。
在本实施例中,路面图像的裂缝类别为横向裂缝、纵向裂缝和网状裂缝。
步骤3,构建裂缝分类检测模型,将训练集和交叉验证集输入所构建裂缝分类检测模型中进行训练,得到裂缝分类检测模型的最优权重;
在具体实施时,在训练过程中当裂缝分类检测模型中的损失函数曲线趋于稳定,且损失函数的值不再下降,则完成裂缝分类检测模型的训练。
步骤3中所构建裂缝分类检测模型为SSD卷积神经网络模型;
所述SSD卷积神经网络模型包括50个卷积层,所述50个卷积层中的第4个卷积层与第15个卷积层相同,第7个卷积层与第27个卷积层相同,第8个卷积层与第30个卷积层相同,第10个卷积层与第34个卷积层相同,第12个卷积层与第40个卷积层相同,第14个卷积层与第46个卷积层相同,第16个卷积层与第50个卷积层相同;
当将训练集和交叉验证集输入所构建SSD卷积神经网络模型中,对SSD卷积神经网络模型进行训练时,将SSD卷积神经网络模型中的激活函数设置为Relu函数,优化器设置为SGD优化器,并且当训练次数小于80次时,学习率设置为0.01,当训练次数大于等于80并且小于100时,学习率设置为0.001,当训练次数大于等于100时,学习率设置为0.0001。
如表1所示为本发明所构建SSD卷积特征层与特征图输出;
表1 SSD卷积特征层与特征图输出
如图3所示为一种实施例下裂缝分类检测模型训练损失函数曲线,可见当训练到第90次时,损失函数的值基本趋于稳定,说明网络训练完成。
图5是裂缝分类检测模型的检测效果图。这样只能通过矩形框的方式得到裂缝位置信息,无法计算路面裂缝的几何参数信息,因此进行裂缝分割,用像素信息对裂缝进行精确定位。
步骤4,构建裂缝分割模型,将训练集和交叉验证集输入所构建裂缝分割模型模型中进行训练,得到裂缝分割模型的最优权重;
步骤4中所构建裂缝分割模型为U-Net卷积神经网络模型;
所述U-Net卷积神经网络模型包括50个卷积层,所述50个卷积层中的第2个卷积层与第1个卷积层相同,第5个卷积层与第4个卷积层相同,第8个卷积层与第9个卷积层相同,第12个卷积层与第26个卷积层相同,第16个卷积层与第43个卷积层相同;
当将训练集和交叉验证集输入所构建U-Net卷积神经网络模型中,对U-Net卷积神经网络模型进行训练时,将U-Net卷积神经网络模型中的激活函数设置为Sigmoid函数,优化器设置为SGD优化器,并且当训练次数小于38时,学习率设置为0.001,当训练次数大于等于38时,学习率设置为0.0001。
同样,在训练过程中,当损失函数曲线趋于稳定,且损失函数的值不再下降,则完成裂缝分类检测网络的训练。
如表2所示为U-Net卷积特征层与特征图输出;
表2 U-Net卷积特征层与特征图输出
图6是裂缝分割模型的检测效果图,如果只有裂缝分割模型则缺少裂缝的类别信息,所以将与裂缝分类检测模型进行融合,完善识别到的路面裂缝信息。
步骤5,输入待识别图像,将待识别图像输入裂缝分割模型中,得到待识别图像中裂缝的类别和置信度,将裂缝的类别标注在待识别图像上;
再将待识别图像输入至裂缝分割模型,得到裂缝二值图像,即得到待识别图像中裂缝的坐标;
步骤6,根据裂缝二值图像,计算待识别图像中裂缝的面积、长度和宽度;
包括:
步骤61,设裂缝像素面积S=0,裂缝行参数Lx=0,裂缝列参数Ly=0;
步骤62,按照从左至右、从上到下的顺序,依次选取裂缝二值图像中的每一个像素点作为当前像素点;
若当前像素点的像素值为1,则S=S+1;否则,S=S+0;
步骤63,重复步骤62,直至裂缝二值图像中的每一个像素点均被作为当前像素点,得到待识别图像中裂缝的面积S;
步骤64,按照从左至右的顺序,依次选取裂缝二值图像中的每一列像素作为当前列像素;
若当前列像素的像素值为1,则Lx=Lx+1;否则,Lx=Lx+0;
步骤65,重复步骤64,直至裂缝二值图像中的每一列像素均被作为当前列像素,得到待识别图像中裂缝行参数Lx;
步骤66,按照从上到下的顺序,依次选取裂缝二值图像中的每一行像素作为当前行像素;
若当前行像素的像素值为1,则Ly=Ly+1;否则,Ly=Ly+0;
步骤67,重复步骤66,直至裂缝二值图像中的每一行像素均被作为当前行像素,得到待识别图像中裂缝列参数Ly;
步骤68,通过式(1)得到裂缝长度L;
步骤69,通过式(2)得到裂缝宽度W;
W=S/L。
在本发明中,裂缝的面积、长度和宽度单位均为像素。
步骤7,将待识别图像中裂缝的类别、置信度、坐标、面积、长度和宽度信息绘制到待识别图像上。
图7是最终融合模型的裂缝识别效果图。由图7可得到路面裂缝的类别名称、该路面裂缝的可信程度、裂缝的像素位置以及线性裂缝的长度宽度信息网状裂缝的面积信息。
Claims (4)
1.一种基于深度卷积融合神经网络的路面裂缝识别方法,其特征在于,包括以下步骤:
步骤1,采集N幅路面图像,并对N幅路面图像进行预处理,对预处理后的N幅路面图像进行图像增广,得到M幅路面图像,M>N;
步骤2,对M幅路面图像进行裂缝类别标注,并将裂缝标注后的M幅路面图像按照7:3的比例分为训练集和交叉验证集;
步骤3,构建裂缝分类检测模型,将训练集和交叉验证集输入所构建裂缝分类检测模型中进行训练,得到裂缝分类检测模型的最优权重;
步骤4,构建裂缝分割模型,将训练集和交叉验证集输入所构建裂缝分割模型模型中进行训练,得到裂缝分割模型的最优权重;
步骤5,将待识别图像输入裂缝分割模型中,得到待识别图像中裂缝的类别和置信度,将裂缝的类别标注在待识别图像上;
再将待识别图像输入至裂缝分割模型,得到裂缝二值图像,即得到待识别图像中裂缝的坐标;
步骤6,根据裂缝二值图像,计算待识别图像中裂缝的面积、长度和宽度;
步骤7,将待识别图像中裂缝的类别、置信度、坐标、面积、长度和宽度信息绘制到待识别图像上。
2.如权利要求1所述的基于深度卷积融合神经网络的路面裂缝识别方法,其特征在于,所述步骤3中所构建裂缝分类检测模型为SSD卷积神经网络模型;
所述SSD卷积神经网络模型包括50个卷积层,所述50个卷积层中的第4个卷积层与第15个卷积层相同,第7个卷积层与第27个卷积层相同,第8个卷积层与第30个卷积层相同,第10个卷积层与第34个卷积层相同,第12个卷积层与第40个卷积层相同,第14个卷积层与第46个卷积层相同,第16个卷积层与第50个卷积层相同;
当将训练集和交叉验证集输入所构建SSD卷积神经网络模型中,对SSD卷积神经网络模型进行训练时,将SSD卷积神经网络模型中的激活函数设置为Relu函数,优化器设置为SGD优化器,并且当训练次数小于80次时,学习率设置为0.01,当训练次数大于等于80并且小于100时,学习率设置为0.001,当训练次数大于等于100时,学习率设置为0.0001。
3.如权利要求1所述的基于深度卷积融合神经网络的路面裂缝识别方法,其特征在于,所述步骤4中所构建裂缝分割模型为U-Net卷积神经网络模型;
所述U-Net卷积神经网络模型包括50个卷积层,所述50个卷积层中的第2个卷积层与第1个卷积层相同,第5个卷积层与第4个卷积层相同,第8个卷积层与第9个卷积层相同,第12个卷积层与第26个卷积层相同,第16个卷积层与第43个卷积层相同;
当将训练集和交叉验证集输入所构建U-Net卷积神经网络模型中,对U-Net卷积神经网络模型进行训练时,将U-Net卷积神经网络模型中的激活函数设置为Sigmoid函数,优化器设置为SGD优化器,并且当训练次数小于38时,学习率设置为0.001,当训练次数大于等于38时,学习率设置为0.0001。
4.如权利要求1所述的基于深度卷积融合神经网络的路面裂缝识别方法,其特征在于,所述步骤6中根据裂缝二值图像,计算待识别图像中裂缝的面积、长度和宽度,包括:
步骤61,设裂缝像素面积S=0,裂缝行参数Lx=0,裂缝列参数Ly=0;
步骤62,按照从左至右、从上到下的顺序,依次选取裂缝二值图像中的每一个像素点作为当前像素点;
若当前像素点的像素值为1,则S=S+1;否则,S=S+0;
步骤63,重复步骤62,直至裂缝二值图像中的每一个像素点均被作为当前像素点,得到待识别图像中裂缝的面积S;
步骤64,按照从左至右的顺序,依次选取裂缝二值图像中的每一列像素作为当前列像素;
若当前列像素的像素值为1,则Lx=Lx+1;否则,Lx=Lx+0;
步骤65,重复步骤64,直至裂缝二值图像中的每一列像素均被作为当前列像素,得到待识别图像中裂缝行参数Lx;
步骤66,按照从上到下的顺序,依次选取裂缝二值图像中的每一行像素作为当前行像素;
若当前行像素的像素值为1,则Ly=Ly+1;否则,Ly=Ly+0;
步骤67,重复步骤66,直至裂缝二值图像中的每一行像素均被作为当前行像素,得到待识别图像中裂缝列参数Ly;
步骤68,通过式(1)得到裂缝长度L;
步骤69,通过式(2)得到裂缝宽度W;
W=S/L。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497697.0A CN110349122A (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497697.0A CN110349122A (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110349122A true CN110349122A (zh) | 2019-10-18 |
Family
ID=68181658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910497697.0A Pending CN110349122A (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349122A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853034A (zh) * | 2020-01-15 | 2020-02-28 | 清华四川能源互联网研究院 | 裂缝检测方法、装置、电子设备和计算机可读存储介质 |
CN110909657A (zh) * | 2019-11-19 | 2020-03-24 | 上海勘察设计研究院(集团)有限公司 | 一种隧道表观病害图像识别的方法 |
CN111105389A (zh) * | 2019-11-21 | 2020-05-05 | 天津大学 | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 |
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 |
CN111311668A (zh) * | 2020-02-12 | 2020-06-19 | 东南大学 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
CN111553902A (zh) * | 2020-04-28 | 2020-08-18 | 周欢 | 一种基于大数据的公路路面安全监测系统 |
CN111598845A (zh) * | 2020-04-26 | 2020-08-28 | 北京科技大学 | 基于深度学习与neo-6m定位模块的路面裂缝检测与定位的方法 |
CN111724358A (zh) * | 2020-06-11 | 2020-09-29 | 华中科技大学 | 基于图像和卷积神经网络的混凝土质量检测方法及系统 |
CN111860596A (zh) * | 2020-06-17 | 2020-10-30 | 长安大学 | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 |
CN112508030A (zh) * | 2020-12-18 | 2021-03-16 | 山西省信息产业技术研究院有限公司 | 一种基于双深度学习模型的隧道裂缝检测及测量方法 |
CN113486721A (zh) * | 2021-06-09 | 2021-10-08 | 北京科技大学 | 一种基于滚动优化裂缝分类识别模型的路面裂缝检测方法 |
CN113506281A (zh) * | 2021-07-23 | 2021-10-15 | 西北工业大学 | 一种基于深度学习框架的桥梁裂缝检测方法 |
CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
CN115100173A (zh) * | 2022-07-11 | 2022-09-23 | 西北工业大学 | 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法 |
CN116052105A (zh) * | 2023-02-09 | 2023-05-02 | 中咨数据有限公司 | 路面裂缝识别分类及面积计算方法、系统、设备及终端 |
CN116309447A (zh) * | 2023-03-17 | 2023-06-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及系统 |
CN107133960A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 基于深度卷积神经网络的图像裂缝分割方法 |
CN107240079A (zh) * | 2017-06-09 | 2017-10-10 | 南京理工大学 | 一种基于图像处理的路面裂缝检测方法 |
CN107403197A (zh) * | 2017-07-31 | 2017-11-28 | 武汉大学 | 一种基于深度学习的裂缝识别方法 |
CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
CN108765386A (zh) * | 2018-05-16 | 2018-11-06 | 中铁科学技术开发公司 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
CN108876780A (zh) * | 2018-06-26 | 2018-11-23 | 陕西师范大学 | 一种复杂背景下桥梁裂缝图像裂缝检测方法 |
CN109816636A (zh) * | 2018-12-28 | 2019-05-28 | 汕头大学 | 一种基于智能终端的裂缝检测方法 |
-
2019
- 2019-06-10 CN CN201910497697.0A patent/CN110349122A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及系统 |
CN107133960A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 基于深度卷积神经网络的图像裂缝分割方法 |
CN107240079A (zh) * | 2017-06-09 | 2017-10-10 | 南京理工大学 | 一种基于图像处理的路面裂缝检测方法 |
CN107403197A (zh) * | 2017-07-31 | 2017-11-28 | 武汉大学 | 一种基于深度学习的裂缝识别方法 |
CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
CN108765386A (zh) * | 2018-05-16 | 2018-11-06 | 中铁科学技术开发公司 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
CN108876780A (zh) * | 2018-06-26 | 2018-11-23 | 陕西师范大学 | 一种复杂背景下桥梁裂缝图像裂缝检测方法 |
CN109816636A (zh) * | 2018-12-28 | 2019-05-28 | 汕头大学 | 一种基于智能终端的裂缝检测方法 |
Non-Patent Citations (2)
Title |
---|
HIROYA MAED等: "Road Damage Detection and Classification Using Deep Neural Networks with Smartphone Images", 《COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》 * |
陈旭林: "基于多方向模板及深度学习的线状目标检测与分割", 《万方学位论文》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909657A (zh) * | 2019-11-19 | 2020-03-24 | 上海勘察设计研究院(集团)有限公司 | 一种隧道表观病害图像识别的方法 |
CN111105389A (zh) * | 2019-11-21 | 2020-05-05 | 天津大学 | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 |
CN111105389B (zh) * | 2019-11-21 | 2023-12-05 | 天津大学 | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 |
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 |
CN110853034A (zh) * | 2020-01-15 | 2020-02-28 | 清华四川能源互联网研究院 | 裂缝检测方法、装置、电子设备和计算机可读存储介质 |
CN111311668A (zh) * | 2020-02-12 | 2020-06-19 | 东南大学 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
CN111311668B (zh) * | 2020-02-12 | 2024-01-05 | 东南大学 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
CN111598845A (zh) * | 2020-04-26 | 2020-08-28 | 北京科技大学 | 基于深度学习与neo-6m定位模块的路面裂缝检测与定位的方法 |
CN111553902A (zh) * | 2020-04-28 | 2020-08-18 | 周欢 | 一种基于大数据的公路路面安全监测系统 |
CN111553902B (zh) * | 2020-04-28 | 2021-08-17 | 江西方兴科技有限公司 | 一种基于大数据的公路路面安全监测系统 |
CN111724358A (zh) * | 2020-06-11 | 2020-09-29 | 华中科技大学 | 基于图像和卷积神经网络的混凝土质量检测方法及系统 |
CN111860596B (zh) * | 2020-06-17 | 2023-11-07 | 长安大学 | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 |
CN111860596A (zh) * | 2020-06-17 | 2020-10-30 | 长安大学 | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 |
CN112508030A (zh) * | 2020-12-18 | 2021-03-16 | 山西省信息产业技术研究院有限公司 | 一种基于双深度学习模型的隧道裂缝检测及测量方法 |
CN113486721B (zh) * | 2021-06-09 | 2023-08-29 | 北京科技大学 | 一种基于滚动优化裂缝分类识别模型的路面裂缝检测方法 |
CN113486721A (zh) * | 2021-06-09 | 2021-10-08 | 北京科技大学 | 一种基于滚动优化裂缝分类识别模型的路面裂缝检测方法 |
CN113506281A (zh) * | 2021-07-23 | 2021-10-15 | 西北工业大学 | 一种基于深度学习框架的桥梁裂缝检测方法 |
CN113506281B (zh) * | 2021-07-23 | 2024-02-27 | 西北工业大学 | 一种基于深度学习框架的桥梁裂缝检测方法 |
CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
CN115100173A (zh) * | 2022-07-11 | 2022-09-23 | 西北工业大学 | 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法 |
CN115100173B (zh) * | 2022-07-11 | 2024-02-27 | 西北工业大学 | 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法 |
CN116052105A (zh) * | 2023-02-09 | 2023-05-02 | 中咨数据有限公司 | 路面裂缝识别分类及面积计算方法、系统、设备及终端 |
CN116309447A (zh) * | 2023-03-17 | 2023-06-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
CN116309447B (zh) * | 2023-03-17 | 2024-01-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349122A (zh) | 一种基于深度卷积融合神经网络的路面裂缝识别方法 | |
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 | |
CN108898063B (zh) | 一种基于全卷积神经网络的人体姿态识别装置及方法 | |
CN108596066A (zh) | 一种基于卷积神经网络的字符识别方法 | |
CN110148196A (zh) | 一种图像处理方法、装置以及相关设备 | |
CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN107633250A (zh) | 一种文字识别纠错方法、纠错系统及计算机装置 | |
CN104573685B (zh) | 一种基于线性结构提取的自然场景文本检测方法 | |
CN109325438A (zh) | 实况全景交通标志的实时识别方法 | |
CN107657639A (zh) | 一种快速定位目标的方法和装置 | |
CN104636750B (zh) | 一种基于双尺度聚类算法的路面裂缝识别算法及系统 | |
CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN103413145A (zh) | 基于深度图像的关节点定位方法 | |
CN109241983A (zh) | 一种图像处理与神经网络结合的条烟图像识别方法 | |
CN104036480A (zh) | 基于surf算法的快速消除误匹配点方法 | |
CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 | |
CN107958443A (zh) | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 | |
CN106874901A (zh) | 一种行驶证识别方法及装置 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测系统 | |
CN101458767B (zh) | 试卷卷面手写体数字识别方法 | |
CN113830136A (zh) | 一种铁路货车折角塞门手把不正位故障的识别方法 | |
CN110287940A (zh) | 一种基于人工智能的掌纹识别方法及系统 | |
CN107748621A (zh) | 一种智能交互机器人 |
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: 20191018 |