CN111046936A - 基于级联宽度神经网络桥梁裂缝分类识别方法 - Google Patents
基于级联宽度神经网络桥梁裂缝分类识别方法 Download PDFInfo
- Publication number
- CN111046936A CN111046936A CN201911236979.1A CN201911236979A CN111046936A CN 111046936 A CN111046936 A CN 111046936A CN 201911236979 A CN201911236979 A CN 201911236979A CN 111046936 A CN111046936 A CN 111046936A
- Authority
- CN
- China
- Prior art keywords
- neural network
- bridge
- cascade
- crack
- data set
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 20
- 230000006378 damage Effects 0.000 abstract description 6
- 239000004567 concrete Substances 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 210000000887 face Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于级联宽度神经网络桥梁裂缝分类识别方法，属于桥梁检测技术领域。该方法用于混凝土表面结构裂缝损伤自动分类的广义神经网络(CBNN)体系结构，这是一种新颖的神经网络集成，具有级联结构，可以通过广泛学习系统(BLS)进行表示学习。利用级联宽度神经网络它生成了有效且高效的框架来实现桥梁裂缝位置和裂缝属性的准确识别分类，充分探索了分类器集成的多级级联的优点，在测试准确性和训练时间上都能得到了较大的提升，从而更加准确有效的解决目前裂缝检测分类识别方面的不足。
Description
技术领域
本发明属于桥梁检测技术领域，涉及基于级联宽度神经网络桥梁裂缝分类识别方法。
背景技术
桥梁是交通道路系统中的关键部分，作为道路、公路、铁路等交通系统的枢纽，在交通事业中占据着非常重要的地位。我国绝大部分桥梁的建筑材料主要是钢筋混凝土，由于裂缝在混凝土桥梁病害中是破坏较为严重的、威胁也比较大的一种，桥梁表面出现裂缝不仅仅意味着桥梁内部出现了结构性的损坏，更能够有效的反映桥梁结构目前的工作状态，细小的裂缝对结构的使用无大的危害，但小的裂缝在各种荷载、温度变化等外界环境因素影响下会不断发生变化，进而会影响结构的安全，给交通带来使用隐患。因此需要定期的对其健康状况进行检测和评估，及时对桥梁表面的裂缝进行检测、捕获、识别分类，这对于预示或者及时发现工程险情和后期桥梁的修补，控制裂缝的产生、发展，并根据不同桥梁裂缝进行不同的预防和修缮，减小桥梁裂缝带来的危害，这对保证桥梁的可靠运营、减小裂缝带来的危害以及延长桥梁的使用寿命具有非常重要的意义。
传统的人工识别方法对于桥梁裂缝的识别较耗时耗力，通常使用光学摄像或激光扫描的方式获取裂缝光学图像或距离图像，然后利用图像处理算法识别图像中的裂缝。然而，当裂缝图像中包含较强的噪声时，裂缝目标在图像中将呈现较差的连续性和较低的对比度，传统的裂缝识别方法提取的裂缝往往不够完整，导致裂缝识别的准确率不够高，不能满足现代化工业检测的需求。
目前桥梁裂缝检测存在的不足之处有：
(1)安全性低：属于高空作业，而且检测人员需要下到桥梁底下进行检测，安全没有保障；
(2)检测效率低：检测效率会受到桥底环境复杂程度和质检工作者的经验和体力影响，比较耗时，准确性不高；
(3)劳动强度大：桥梁多，检测工作量大，单纯靠人工完成，强度比较大；
(4)检测精度低：主要以人眼进行观察检测，容易受到人的主观因素影响；
(5)成本高：需要专业人士操作，使用大量人力物力进行检测，花费高；
(6)信息化程度低：无法精确建立桥梁裂缝历史数据，不便于危险桥梁的管理和维护，无法给政府管理部门提供决策支撑信息。
上述不足导致目前桥梁裂缝的检测现状完全不能适应当下和未来桥梁的建设与发展。
近几年由于人们对裂缝特征的不同理解，使得人们提出的裂缝检测方法也是各种各样，但大部分原理基本特征是一致的，而且算法的流程也大致相同：预处理，裂缝区域检测与分类分割，后处理与特征描述。裂缝作为一种看似简单，却因为背景及本身结构特征而具有多变性和复杂性的目标，现有的桥梁裂缝检测方法仍然存在很多缺陷，远不能满足其需求。
人工智能的不断发展，机器学习的方法被广泛使用在图像处理的各个方面。总而言之，用于检测桥梁裂缝的特征多种多样，但是简单而又高效的桥梁裂缝的检测还是一个难点，如何快速高效精准的提取桥梁裂缝结构特征都是具有挑战性的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于级联宽度神经网络桥梁裂缝分类识别方法。
为达到上述目的，本发明提供如下技术方案：
基于级联宽度神经网络桥梁裂缝分类识别方法，该方法包括以下步骤：
Step1：构建桥梁裂缝仿真数据集；
Step2：对现实生活中真实的裂缝数据集进行采集；
Step3：构建级联宽度神经网络架构模型；
Step4：利用Step1构建的桥梁裂缝仿真数据集对Step3所构建的级联宽度神经网络架构进行训练；
Step5：将Step4训练所得到的裂缝参数作为级联宽度神经网络架构模型的初始化参数，利用Step2对现实生活中真实的裂缝数据集采集所构建的真实桥梁裂缝数据集对级联宽度神经网络架构进行训练；
Step6：利用Step5训练所得到的级联宽度神经网络架构和初始化参数对采集到的桥梁裂缝图像进行裂缝的检测继而对其进行裂缝的分类识别。
可选的，所述的Step1具体包括：
Step11：构建桥梁裂缝仿真桥梁裂缝数据集Dataset1，即利用计算机生成一定数量的空白图像，再利用线条绘制等算法在空白图像上模仿绘制桥梁裂缝线和噪声；
Step12：构建仿真桥梁裂缝数据集Dataset2，通过选取一定数量的路面影像，但是路面影像中要不包含裂缝，通过利用线条绘制算法在每一幅路面影像图像上模仿绘制裂缝线条；
可选的，所述的Step4具体包括：
Step41：利用Step11构建的仿真裂缝数据集Dataset1对Step3所构建的级联宽度神经网络架构模型进行训练；
Step42：把Step41训练所得到的参数作为这个步骤的初始化参数，利用Step12构建的仿真桥梁裂缝数据集Dataset2对所构建的级联宽度神经网络架构模型继续进行训练。
可选的，所述Step3中，构建的级联宽度神经网络架构模型是由宽度结构、标准BL分类器和带有ZCA分类器的BL构成，进行训练并输出。
利用标准BL分类器和带有ZCA分类器的BL结合宽度结构构建的网络架构，对训练好的数据集进行裂缝的识别分类。
可选的，所述Step3中，构建的级联宽度神经网络架构模型是基于广义神经网络的级联结构结合宽度并将零相成分分析ZCA预处理与其结合构成的网络架构。
可选的，所述步骤Step11和步骤Step12中，桥梁裂缝线条绘制时，采用贝塞尔曲线绘制算法或样条曲线绘制算法，步骤Step11中噪声的绘制时，采用随机数生成算法。
可选的，所述步骤Step41、步骤Step42和步骤Step5中，训练过程停止的条件为当准确度不再提高时训练停止。
可选的，所述步骤Step11的数据集Dataset1，以及步骤Step12中的数据集Dataset2，包含的样本数量大于104。
本发明的有益效果在于：
1、本发明利用广义神经网络的级联结构结合宽度并将零相成分分析(ZCA)预处理与其结合构成的网络架构实现从原始图像中学习桥梁裂缝，充分利用广义神经网络的级联宽度结构，提高裂缝分类识别的准确性和工作效率，从而自动准确高效的对复杂的混凝土桥梁裂缝进行分类识别。
2、深度神经网络的成功近年来，对民用基础设施的结构裂缝损伤分类也产生了重大影响。但是，它们的局限性在于复杂的网络体系结构，复杂的参数调整和需要长时间的培训过程。本发明基于级联宽度神经网络的桥梁裂缝分类识别方法这是一种新颖的神经网络集成，具有级联结构，可以通过广泛学习系统(BLS)进行表示学习。级联结构看起来很复杂，但是它的超参数要比深度神经网络等小的很多。并且将零相成分分析(ZCA)预处理与我们框架配合使用，它可以提取主要特征并明显提高分类准确性。从而级联宽度神经网络架构模型可以在裂缝识别分类上训练时间更短、准确性更高。
3、相对于传统的基于特征的单纯深度学习或宽度学习等的裂缝识别方法，本发明方法基于级联宽度神经网络的桥梁裂缝分类识别方法，运用广义神经网络的级联结构结合宽度并将零相成分分析(ZCA)预处理与其结合构成的网络架构，其识别正确率，识别效率，通用性更强，训练时间更短可靠性更高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明的级联宽度神经网络体系结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
图1中不是纯粹的级联宽度神经网络结构，级联宽度神经网络架构通过将零相成分分析(ZCA)预处理与我们的框架配合使用，来减少功能冗余并提高学习率形成一组是3个标准BL分类器，另一组是3个带有ZCA分类器的BL，分别用红色和蓝色标记，每个BL将输出n维(n表示类的数量)类向量，然后将其级联以重新表示原始输入，每个形成以提取主要特征并明显提高分类准确性，减少了训练时间，极大的提高了裂缝分类识别的准确性和效率。
基于级联宽度神经网络的桥梁裂缝分类识别方法，包括以下步骤：
步骤1：构建桥梁裂缝仿真数据集Dataset1，也就是利用计算机生成一定数量的空白图像，然后再利用线条绘制等算法在空白图像上绘制噪声和裂缝线。优选地，线条绘制采用样条曲线绘制算法或贝塞尔曲线绘制算法，绘制的线条包括连续的和不连续断续的，线条的宽度可以取1到4之间的随机值，噪声的绘制采用随机数生成算法，在每一幅图像上确定一定数量的随机点坐标，在每一个随机点上绘制长度介于1到10像素长度的短线段，短线段的方向取0°到180°之间的随机值，短线条的宽度取1到4之间的随机值。
步骤2：构建桥梁裂缝仿真数据集为Datasel2，选取一定数量的路面影像，路面影像中要不包含桥梁裂缝，然后再次利用线条绘制等算法在每一幅路面图像上绘制裂缝线条；优选地，线条绘制采用样条曲线绘制算法或贝塞尔曲线绘制算法等，线条的宽度同样可以取1到4之间的随机值。
步骤3：构建桥梁裂缝真实数据集Dataset3，选取10,000个具有裂缝(正面)和非裂缝(负面)的真实裂缝图像，其来源是桥梁裂缝、其他物体表面混凝土裂缝等，为了提高效率，所有图像都被裁剪为灰度级64×64像素，所有图像均被划分为包含8,000和2,000个图像进行训练和测试。
优选地，桥梁裂缝的属性值一般包括裂缝宽度，裂缝类型和裂缝严重程度值等。
步骤4：构建的级联宽度神经网络架构模型是将零相成分分析(ZCA)预处理与我们的框架配合使用，来减少功能冗余并提高学习率形成一组是3个标准BL分类器，另一组是3个带有ZCA分类器的BL构成，每个BL将输出n维(n表示类的数量)类向量，然后将其级联以重新表示原始输入，每个形成以提取主要特征并明显提高分类准确性，不同级联之间的相互配合使用对训练好的数据集进行裂缝分类识别。
优选地，所述级联宽度神经网络架构是一个强大的神经网络，用于分类识别和其他任务，运用广义神经网络的级联结构结合宽度并将零相成分分析(ZCA)预处理与其结合构成的网络架构，其识别正确率，识别效率，通用性更强，训练时间更短可靠性更高，运用不同分类器之间的配合使用避免的避免了时间的浪费，还提高了网络生成能力，进而对桥梁裂缝进行检测分类识别。
优选地，构建的级联宽度神经网络架构模型是运用广义神经网络的级联结构结合宽度并将零相成分分析(ZCA)预处理与其结合构成的神经网络架构。
优选地，假设输出矩阵是Y，则为：
其中Y为输出矩阵，
为宽度结构的连接权重，Nout表示包含的所有级联宽度特征的矩阵。
优选地，通常，更好的输入特征表示可以在机器学习中实现出色的分类性能，但是为了减少功能冗余并提高学习率，在本发明中则引入零相成分分析来去相关的预处理来实现，这可以被认为是方程式中的优化问题：
协方差矩阵计算：
其中XPCAwhite＝UXPCAwhite，S是特征值矩阵，U为特征向量矩阵，给定数据集X∈Rnxm，n为级联维度，m为数据编号。引入ZCA更好地实现出色的分类性能。
优选地，在级联宽度神经网络架构中计算桥梁裂缝的像素级宽度：抽样间隔记为N2，对裂缝区域的轮廓点坐标集Ps进行抽样，抽样后的轮廓点坐标集记为Ps2，轮廓点坐标的个数记为Ns1,；根据抽样后的轮廓点坐标集Ps2计算裂缝的像素级宽度值Wp，具体的计算方法步骤如下所示：
①先把抽样后的各轮廓点位置的裂缝像素级宽度值初始化为0；
②遍历抽样后的轮廓点坐标集Ps2，计算他们相邻两点的角度值，记做θs；比较θ和θs，如果两者间的误差绝对值大于或者等于角度偏差阈值，那么就放弃计算当前轮廓点位置的裂缝的像素级宽度值，继续遍历下一个轮廓点，角度偏差阈值记为T；如果两者间的误差绝对值小于角度偏差阈值，则计算出当前轮廓点位置的裂缝的像素级宽度值；各轮廓点位置的桥梁裂缝的像素级宽值记为Wp1，方法如下：
Wp1 i＝cos(θs i)*Do (4)
Do＝|Ps2(i).y-Ps(j).y| (5)
j＝{j|Ps2(i).x＝Ps(j).x} (6)
其中，i∈[1，Ns1]，j∈[1,Ns]
桥梁裂缝的像素级宽度值做过处理后：首先去除Wp1中的零值，然后再计算Wp1的平均值，并且把此平均值作为最终的裂缝的像素级宽度值Wp，从而得到图像集训练集测试集训练有素的CBNN分类特征向量BLBLBL...BLBLBL BLBLBL...BLBLBL BLBLBL BLBLBL1级2级N级1级2级最终预测平均。
步骤5：利用步骤1构建的仿真裂缝数据集Dataset1对步骤4所构建的级联宽度神经网络架构进行训练，训练过程停止的条件为当准确度不再提高时即训练停止，即当后一级联输出准确率小于等于前一级联输出准确率时训练停止。
优选地，级联宽度神经网络的损失函数定义为：
H0＝λH1+(1-λ)H2
其中H1是宽度学习神经网络的损失值，H2是级联神经网络的损失值,总的损失函数值H0是H1和H2的线性组合，λ是调节参数，λ取值为0.8。优选地，可以得级联宽度神经网络架构，其损失函数采用交叉熵进行计算，其定义为：
其中，p和q分别代表真实标签和预测标签，p(x)和q(x)分别对应x的统计概率值和预测概率值；优选地，T取值可为0.01，N取值可以为10000。
步骤6：将步骤5训练所得参数作为本步骤的初始化参数，利用步骤2构建的仿真裂缝数据集Dataset2对所构建的级联宽度神经网络架构模型继续进行训练，训练过程停止的条件为两种，一种是总的损失函数值小于设定的阈值T，另一种是训练达到一定次数N，保存训练好的模型参数。优选地，T取值0.01，N取值10000。
步骤7：将步骤6训练所得参数作为本步骤的初始化参数，利用步骤3构建的真实裂缝数据集Dataset3对所构建的深级联宽度经网络架构模型继续进行训练，训练过程停止的条件为两种，一种是损失函数的值小于设定的阈值T，另一种是训练达到一定次数N，保存训练好的模型参数。优选地，T取值0.01，N取值10000。
步骤8：利用步骤4构建的级联宽度神经网络架构模型和步骤7所得的参数对待识别的影像进行裂缝识别，在大规模同时投入数据时将会导致计算机内存不足而停止任务，在这我们将大规模原始数据分成几个批次，在级联宽度神经网络架构模型下每个批次都被视为新的增量数据，它可以有效地释放计算机内存并完成准确的分类任务。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：该方法包括以下步骤：
Step1：构建桥梁裂缝仿真数据集；
Step2：对现实生活中真实的裂缝数据集进行采集；
Step3：构建级联宽度神经网络架构模型；
Step4：利用Step1构建的桥梁裂缝仿真数据集对Step3所构建的级联宽度神经网络架构进行训练；
Step5：将Step4训练所得到的裂缝参数作为级联宽度神经网络架构模型的初始化参数，利用Step2对现实生活中真实的裂缝数据集采集所构建的真实桥梁裂缝数据集对级联宽度神经网络架构进行训练；
Step6：利用Step5训练所得到的级联宽度神经网络架构和初始化参数对采集到的桥梁裂缝图像进行裂缝的检测继而对其进行裂缝的分类识别。
2.根据权利要求1所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述的Step1具体包括：
Step11：构建桥梁裂缝仿真桥梁裂缝数据集Dataset1，即利用计算机生成一定数量的空白图像，再利用线条绘制等算法在空白图像上模仿绘制桥梁裂缝线和噪声；
Step12：构建仿真桥梁裂缝数据集Dataset2，通过选取一定数量的路面影像，但是路面影像中要不包含裂缝，通过利用线条绘制算法在每一幅路面影像图像上模仿绘制裂缝线条。
3.根据权利要求1所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述的Step4具体包括：
Step41：利用Step11构建的仿真裂缝数据集Dataset1对Step3所构建的级联宽度神经网络架构模型进行训练；
Step42：把Step41训练所得到的参数作为这个步骤的初始化参数，利用Step12构建的仿真桥梁裂缝数据集Dataset2对所构建的级联宽度神经网络架构模型继续进行训练。
4.根据权利要求1所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：
所述Step3中，构建的级联宽度神经网络架构模型是由宽度结构、标准BL分类器和带有ZCA分类器的BL构成，进行训练并输出。
利用标准BL分类器和带有ZCA分类器的BL结合宽度结构构建的网络架构，对训练好的数据集进行裂缝的识别分类。
5.根据权利要求1所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述Step3中，构建的级联宽度神经网络架构模型是基于广义神经网络的级联结构结合宽度并将零相成分分析ZCA预处理与其结合构成的网络架构。
6.根据权利要求2所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述步骤Step11和步骤Step12中，桥梁裂缝线条绘制时，采用贝塞尔曲线绘制算法或样条曲线绘制算法，步骤Step11中噪声的绘制时，采用随机数生成算法。
7.根据权利要求3所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述步骤Step41、步骤Step42和步骤Step5中，训练过程停止的条件为当准确度不再提高时训练停止。
8.根据权利要求2所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述步骤Step11的数据集Dataset1，以及步骤Step12中的数据集Dataset2，包含的样本数量大于104。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911236979.1A CN111046936A (zh) | 2019-12-05 | 2019-12-05 | 基于级联宽度神经网络桥梁裂缝分类识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911236979.1A CN111046936A (zh) | 2019-12-05 | 2019-12-05 | 基于级联宽度神经网络桥梁裂缝分类识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111046936A true CN111046936A (zh) | 2020-04-21 |
Family
ID=70234760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911236979.1A Pending CN111046936A (zh) | 2019-12-05 | 2019-12-05 | 基于级联宽度神经网络桥梁裂缝分类识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111046936A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111926722A (zh) * | 2020-07-24 | 2020-11-13 | 湖北交投智能检测股份有限公司 | 一种钢筋混凝土桥梁结构裂缝识别维修方法及系统 |
| CN112332866A (zh) * | 2020-10-28 | 2021-02-05 | 成都海擎科技有限公司 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
| CN112697883A (zh) * | 2020-12-13 | 2021-04-23 | 南通卓强信息技术有限公司 | 基于音频向量协方差矩阵的混凝土管桩浇筑质量检测方法 |
| CN113792506A (zh) * | 2021-09-27 | 2021-12-14 | 中山大学 | 基于图像处理与机器学习的mocvd腔内状态识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2557524A1 (en) * | 2011-08-09 | 2013-02-13 | Teclis Engineering, S.L. | Method for automatic tagging of images in Internet social networks |
| 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 |
| CN110197203A (zh) * | 2019-05-08 | 2019-09-03 | 湖北民族大学 | 基于宽度学习神经网络的桥梁路面裂缝分类识别方法 |
| CN110222700A (zh) * | 2019-05-30 | 2019-09-10 | 五邑大学 | 基于多尺度特征与宽度学习的sar图像识别方法及装置 |
-
2019
- 2019-12-05 CN CN201911236979.1A patent/CN111046936A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2557524A1 (en) * | 2011-08-09 | 2013-02-13 | Teclis Engineering, S.L. | Method for automatic tagging of images in Internet social networks |
| 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 |
| CN110197203A (zh) * | 2019-05-08 | 2019-09-03 | 湖北民族大学 | 基于宽度学习神经网络的桥梁路面裂缝分类识别方法 |
| CN110222700A (zh) * | 2019-05-30 | 2019-09-10 | 五邑大学 | 基于多尺度特征与宽度学习的sar图像识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 朱玉斌: "《基于视频的疲劳驾驶智能预警技术研究》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111926722A (zh) * | 2020-07-24 | 2020-11-13 | 湖北交投智能检测股份有限公司 | 一种钢筋混凝土桥梁结构裂缝识别维修方法及系统 |
| CN112332866A (zh) * | 2020-10-28 | 2021-02-05 | 成都海擎科技有限公司 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
| CN112332866B (zh) * | 2020-10-28 | 2024-04-30 | 成都海擎科技有限公司 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
| CN112697883A (zh) * | 2020-12-13 | 2021-04-23 | 南通卓强信息技术有限公司 | 基于音频向量协方差矩阵的混凝土管桩浇筑质量检测方法 |
| CN113792506A (zh) * | 2021-09-27 | 2021-12-14 | 中山大学 | 基于图像处理与机器学习的mocvd腔内状态识别方法 |
| CN113792506B (zh) * | 2021-09-27 | 2024-04-02 | 中山大学 | 基于图像处理与机器学习的mocvd腔内状态识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111046936A (zh) | 基于级联宽度神经网络桥梁裂缝分类识别方法 | |
| Dung | Autonomous concrete crack detection using deep fully convolutional neural network | |
| EP4451183A1 (en) | Charging load probability prediction system and method based on non-intrusive detection | |
| CN110197203B (zh) | 基于宽度学习神经网络的桥梁路面裂缝分类识别方法 | |
| CN111444821A (zh) | 一种城市道路标志自动识别方法 | |
| CN111340754A (zh) | 一种基于飞机蒙皮表面缺陷检测和分类的方法 | |
| Liu et al. | Bayesian-optimized deep learning model to segment deterioration patterns underneath bridge decks photographed by unmanned aerial vehicle | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| Jiang et al. | A robust bridge rivet identification method using deep learning and computer vision | |
| CN114973116A (zh) | 一种自注意力特征嵌入夜间机场跑道异物检测方法与系统 | |
| CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
| Nguyen et al. | U-net for mav-based penstock inspection: an investigation of focal loss in multi-class segmentation for corrosion identification | |
| CN115719475A (zh) | 一种基于深度学习的三阶段轨旁设备故障自动检测方法 | |
| Nath et al. | Deep learning models for content-based retrieval of construction visual data | |
| Katsamenis et al. | Real time road defect monitoring from UAV visual data sources | |
| Ehtisham et al. | Classification of defects in wooden structures using pre-trained models of convolutional neural network | |
| Cai et al. | A comparative study of machine vision-based rail foreign object intrusion detection models | |
| Jiang et al. | A visual inspection and diagnosis system for bridge rivets based on a convolutional neural network | |
| Byju et al. | Pedestrian detection and tracking in challenging conditions | |
| CN115496941A (zh) | 基于知识增强计算机视觉的结构健康诊断方法 | |
| Schnieders et al. | Fast convergence for object detection by learning how to combine error functions | |
| Jafari et al. | Segmentation of fatigue cracks in ancillary steel structures using deep learning convolutional neural networks | |
| Sulistyaningrum et al. | Pavement Distress Classification Using Deep Learning Method Based on Digital Image | |
| Li et al. | CrackTinyNet: A novel deep learning model specifically designed for superior performance in tiny road surface crack detection | |
| Rafey et al. | Pothole Detection Technique |
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 |
Application publication date: 20200421 |
|
| RJ01 | Rejection of invention patent application after publication |