CN111105389A - 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 - Google Patents
融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 Download PDFInfo
- Publication number
- CN111105389A CN111105389A CN201911133199.4A CN201911133199A CN111105389A CN 111105389 A CN111105389 A CN 111105389A CN 201911133199 A CN201911133199 A CN 201911133199A CN 111105389 A CN111105389 A CN 111105389A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- gabor
- neural network
- classification
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 230000010363 phase shift Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 230000000903 blocking effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
-
- 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
- G06T2207/20024—Filtering details
-
- 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
一种融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法，该方法包括进行路面图像采集；对采集得到的图像进行预处理；将预处理后的图像划分成图像块并进行标注，将标注后的图像块分为训练集与测试集；将路面图像分块输入设计好的卷积神经网络，得到路面裂缝的检测结果。本发明方法依据路面裂缝检测主要依据纹理信息的特点，将Gabor滤波器融合至卷积神经网络中，利用Gabor滤波器提取路面图像纹理特征，利用残差网络对纹理特征图进行分类，通过引入Gabor滤波器，可以提高网络对纹理信息的敏感度，进而提高裂缝识别精度。
Description
技术领域
本发明属于交通路面图像检测技术领域，具体涉及一种融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法。
背景技术
路面裂缝作为道路路面病害的主要形式之一，不仅直接对道路安全构成威胁，同时可能成为其他道路病害的诱因。对路面裂缝进行及时检测与修复是道路养护的重要内容。传统的裂缝检测方法主要为人工检测，受主观因素影响较大，且劳动成本高，效率低，难以满足信息时效性的需求。
近年来，基于图像的路面裂缝自动检测技术成为主要检测手段，采用高速数字相机进行路面信息采集，利用图像处理技术对路面裂缝进行检测与识别。传统的裂缝检测方法如阈值分割法等，包含大量需人工设置的经验参数，固定的参数使得此类方法鲁棒性较差，难以对噪声复杂、光照不均、存在阴影遮挡的路面图像进行有效检测，无法满足道路维护及时、高效的需求。
发明内容
有鉴于此，本发明的主要目的之一在于提出一种融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法，以期至少部分地解决上述技术问题中的至少之一。
为了实现上述目的，本发明提供了一种融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法，包括：
S1、进行路面图像采集；
S2、对采集得到的图像进行预处理；
S3、将预处理后的图像划分成图像块并进行标注，将标注后的图像块分为训练集与测试集；
S4、将路面图像分块输入设计好的卷积神经网络，得到路面裂缝的检测结果。
基于上述技术方案可知，本发明的融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法相对于现有技术至少具有以下优势之一：
1、本发明方法依据路面裂缝检测主要依据纹理信息的特点，将Gabor滤波器融合至卷积神经网络中，利用Gabor滤波器提取路面图像纹理特征，利用残差网络对纹理特征图进行分类，通过引入Gabor滤波器，可以提高网络对纹理信息的敏感度，进而提高裂缝识别精度；
2、设计Gabor模块与神经网络结合实现了模型的端到端训练，同时使得网络可通过学习的方式自适应的选取Gabor滤波器的大量参数，提高网络模型泛化能力。
附图说明
图1为本发明实施例中所述检测方法的实施流程图；
图2为本发明实施例中道路裂缝图；
图3为本发明实施例中卷积神经网络整体结构示意图；
图4为本发明实施例中Gabor模块卷积神经网络结构示意图；
图5为本发明实施例中分类模块卷积神经网络结构示意图；
图6为本发明实施例中残差模块结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
本发明的目的在于结合路面图像特征设计卷积神经网络以提高路面裂缝检测精度，提出一种融合Gabor滤波器与卷积神经网络的路面裂缝检测方法。常用的卷积神经网络多用于处理自然界物体识别问题，相较于自然界物体，路面图像颜色分布更为单一，主要依据纹理信息进行裂缝识别与检测，卷积神经网络通过训练学习数据特征，但并未针对性提取纹理特征。本发明在卷积神经网络基础上引入Gabor滤波器对路面图像纹理特征进行提取，并将纹理特征与神经网络学习特征相融合用于裂缝识别。Gabor滤波器包含大量需人工设置的经验参数，本发明设计Gabor模块，融合至卷积神经网络中，通过学习的方式自适应的确定Gabor滤波器参数，提高模型泛化能力。
本发明公开了一种路面裂缝检测方法，包括：
S1、进行路面图像采集；
S2、对采集得到的图像进行预处理；
S3、将预处理后的图像划分成图像块并进行标注，将标注后的图像块分为训练集与测试集；
S4、将路面图像分块输入设计好的卷积神经网络，得到路面裂缝的检测结果。
在本发明的一些实施例中，步骤S1中所述路面图像采集的方法包括使用道路检测设备进行路面图像采集。
在本发明的一些实施例中，步骤S2中所述图像预处理方法包括：
计算所有图像中所有像素的均值与方差；
依据所得均值与方差将图像像素中心化并标准化，其公式为：
式中，xinput为中心化标准化前的像素值，xmean为像素值均值，std为像素值标准差，xoutput为中心化标准化结果。
在本发明的一些实施例中，步骤S3中对所述图像块进行标注的依据为图像块是否包含裂缝；
在本发明的一些实施例中，步骤S3中所述训练集与测试集的划分是随机划分的；
在本发明的一些实施例中，步骤S3中所述训练集占总体数据的比例为70％-90％。
在本发明的一些实施例中，步骤S4中所述卷积神经网络是经过步骤S3中所获得的训练集数据训练后再使用步骤S3中所获得测试集数据测试合格的卷积神经网络模型。
在本发明的一些实施例中，步骤S4中所述卷积神经网络包括Gabor模块和分类模块；
在本发明的一些实施例中，步骤S4具体包括：
S41、将图像块输入Gabor模块，输出多个参数；
S42、根据输出的多个参数构建Gabor滤波器组；
S43、利用步骤S42所得Gabor滤波器组与输入图像块相卷积进行纹理特征提取，得到多通道的纹理特征图；
S44、将步骤S43所得纹理特征图输入分类模块，输出以图像块为裂缝与背景的概率，即得到路面裂缝的检测结果。
在本发明的一些实施例中，所述Gabor模块包括输入层、第一卷积层、第一批标准化、第一ReLU激活层、第一最大池化层、第二卷积层、第二批标准化、第二ReLU激活层、第二最大池化层、第一全连接层、第三ReLU激活层、第二全连接层、Sigmoid激活层；
在本发明的一些实施例中，所述分类模块包含依次设置的分类卷积层、分类批标准化、分类ReLU激活层、分类最大池化层、不同通道数的8个残差模块、分类平均池化层、分类全连接层、概率预测层；
在本发明的一些实施例中，所述分类模块是基于残差网络构建的。
在本发明的一些实施例中，每个所述残差模块包含依次设置的残差第一卷积层、残差第一批标准化、残差第一ReLU激活层、残差第二卷积层、残差第二批标准化。
在本发明的一些实施例中，步骤S42中，所述Gabor滤波器复数形式表达式为：
x′＝x cosθ+y sinθ；
y′＝-x sinθ+y cosθ；
式中，x，y是空域中像素坐标，λ为正弦函数的波长，θ为正弦函数方向与x轴夹角，即为Gabor核函数方向，ψ为正弦函数相位偏移，σx，σy分别为高斯函数在x轴与y轴上标准差；
其中，所述滤波器参数是将Gabor模块输出的多个对应参数归一化至合理值得到的。
在本发明的一些实施例中，步骤S44具体包括：将步骤S43所得纹理特征图输入分类模块，输出后得到图像块为裂缝与背景的概率。
在一个示例性实施例中，本发明的融合Gabor滤波器与卷积神经网络的路面裂缝检测方法，方法主要依据纹理信息的特点，将Gabor滤波器融合至卷积神经网络中，设计Gabor模块与神经网络结合实现了模型的端到端训练，同时使得网络可通过学习的方式自适应的选取Gabor滤波器参数，构建相应Gabor滤波器组以提取路面图像纹理特征，利用残差网络对纹理特征图进行分类。本方法通过融合Gabor滤波器与卷积神经网络，可以提高网络对纹理信息的敏感度，进而提高裂缝识别精度。
具体的，本发明的融合Gabor滤波器与卷积神经网络的路面裂缝检测方法，包含以下步骤：
步骤S1，首先使用道路检测设备进行路面图像采集；
步骤S2，对采集得到的图像进行预处理；
步骤S3，将预处理后图像划分成图像块，并根据是否包含裂缝对图像块进行标注，将标注后图像块随机分为训练集与测试集；
步骤S4，设计融合Gabor滤波器的卷积神经网络，并使用步骤S3中所获得的训练集数据训练该卷积神经网络；
步骤S5，训练完成后，使用步骤S3中所获得测试集数据测试该卷积神经网络模型，将路面图像分块输入该卷积神经网络，得到路面裂缝的检测结果。
进一步的，在步骤S2中，采用的图像预处理方法包括：
步骤S21，计算所有图像中所有像素的均值与方差；
步骤S22，依据所得均值与方差将图像像素中心化并标准化，其公式为：
式中，xinput为中心化标准化前的像素值，xmean为像素值均值，std为像素值标准差，xoutput为中心化标准化结果，处理后所有像素值均值为0，标准差为1。
进一步的，在步骤S4中，所设计的融合Gabor滤波器的卷积神经网络包含两个部分，Gabor模块与分类模块：
Gabor模块：
步骤S41，将图像块输入，经过依次设置的输入层、第一卷积层、第一批标准化、第一ReLU激活层、第一最大池化层、第二卷积层、第二批标准化、第二ReLU激活层、第二最大池化层、第一全连接层、第三ReLU激活层、第二全连接层、Sigmoid激活层，最终输出多个参数。
步骤S42，依据步骤S41所得的参数，构建Gabor滤波器组用于图像纹理特征提取，Gabor滤波器复数形式表达式为：
x′＝x cosθ+y sinθ；
y′＝-x sinθ+y cosθ；
式中，x，y是空域中像素坐标，λ为正弦函数的波长，θ为正弦函数方向与x轴夹角，即为Gabor核函数方向，ψ为正弦函数相位偏移，σx，σy分别为高斯函数在x轴与y轴上标准差，令γ＝σx/σy，则γ代表Gabor核函数的椭圆度，γ越接近于1，Gabor核函数越接近圆形。每个Gabor滤波器包含5个待确定参数λ，θ，ψ，σ，γ。
将步骤S41所得参数划分为多组滤波器参数，并将对应参数归一化至合理值，可构建包含多个Gabor滤波器的滤波器组。
步骤S43，利用步骤S42所得Gabor滤波器组与输入图像块相卷积进行纹理特征提取，得到多通道的纹理特征图。
分类模块：
步骤S44，基于残差网络构建分类模块，其包含依次设置的分类卷积层、分类批标准化、分类ReLU激活层、分类最大池化层、不同通道数的8个残差模块、分类平均池化层、分类全连接层、概率预测层(Softmax层)，其中，每个残差模块包含依次设置的残差第一卷积层、残差第一批标准化、残差第一ReLU激活层、残差第二卷积层、残差第二批标准化。将步骤S43所得纹理特征图输入分类模块，输出得到图像块属于裂缝与背景的概率。
以下通过具体实施例结合附图对本发明的技术方案做进一步阐述说明。需要注意的是，下述的具体实施例仅是作为举例说明，本发明的保护范围并不限于此。
本实施例的方法实时流程如图1所示：
步骤一，首先使用搭载高速面阵数字相机的道路检测车沿道路行驶进行图像采集，获得大小为1920像素×1080像素的单色路面图像，图2为所采集路面裂缝图像示例。
步骤二，对采集得到的路面图像进行预处理，首先计算所有图像中所有像素的均值与方差，依据所得均值与方差将图像像素中心化并标准化，其公式为：
式中，xinput为中心化标准化前的像素值，xmean为像素值均值，std为像素值标准差，xoutput为中心化标准化结果，处理后所有像素值均值为0，标准差为1。
步骤三，将预处理后图像划分成大小为64像素×64像素的图像块，并根据是否包含裂缝对图像块进行标注，包含裂缝图像块标注为1，不含裂缝图像块标注为0，将标注后图像块按照7：3的比例随机分为训练集与测试集。
步骤四，设计融合Gabor滤波器的卷积神经网络，网络结构如图3所示，该网络共包含两个部分，Gabor模块与分类模块：
1)Gabor模块：
Gabor模块结构如图4所示，首先将图像块输入，经过依次设置的输入层、第一卷积层、第一批标准化、第一ReLU激活层、第一最大池化层、第二卷积层、第二批标准化、第二ReLU激活层、第二最大池化层、第一全连接层、第三ReLU激活层、第二全连接层、Sigmoid激活层，最终输出160个参数。
根据所得的160个参数，构建Gabor滤波器组用于图像纹理特征提取，Gabor滤波器复数形式表达式为：
x′＝x cosθ+y sinθ；
y′＝-x sinθ+y cosθ；
式中，x，y是空域中像素坐标，λ为正弦函数的波长，θ为正弦函数方向与x轴夹角，即为Gabor核函数方向，ψ为正弦函数相位偏移，σx，σy分别为高斯函数在x轴与y轴上标准差，令γ＝σx/σy，则γ代表Gabor核函数的椭圆度，γ越接近于1，Gabor核函数越接近圆形。每个Gabor滤波器包含5个待确定参数λ，θ，ψ，σ，γ。
将Gabor模块输出的160个参数划分为32组滤波器参数，并将对应参数归一化至合理值，可构建32个Gabor滤波器组成滤波器组。利用所得Gabor滤波器组与输入图像块相卷积进行纹理特征提取，得到通道数为32的纹理特征图。
2)分类模块：
分类模块结构如图5所示，基于残差网络构建分类模块，其包含依次设置的分类卷积层、分类批标准化、分类ReLU激活层、分类最大池化层、不同通道数的8个残差模块、分类平均池化层、分类全连接层、概率预测层(Softmax层)，其中，8个残差模块通道数依次为64、64、128、128、256、256、512、512，每个残差模块结构如图6所示，其包含依次设置的残差第一卷积层、残差第一批标准化、残差第一ReLU激活层、残差第二卷积层、残差第二批标准化。Gabor滤波器组所提取的纹理特征图输入分类模块，输出得到图像块属于裂缝与非裂缝的概率。
使用步骤三中所获得训练集数据训练神经网络。
步骤五，训练完成后，使用步骤三中所获得测试集数据测试神经网络模型，将路面图像分块输入神经网络，得到该路面图像块属于裂缝与非裂缝的概率。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种路面裂缝检测方法，其特征在于，包括：
S1、进行路面图像采集；
S2、对采集得到的图像进行预处理；
S3、将预处理后的图像划分成图像块并进行标注，将标注后的图像块分为训练集与测试集；
S4、将路面图像分块输入设计好的卷积神经网络，得到路面裂缝的检测结果。
2.根据权利要求1所述的检测方法，其特征在于，
步骤S1中所述路面图像采集的方法包括使用道路检测设备进行路面图像采集。
3.根据权利要求1所述的检测方法，其特征在于，
步骤S2中所述图像预处理方法包括：
计算所有图像中所有像素的均值与方差；
依据所得均值与方差将图像像素中心化并标准化，其公式为：
式中，xinput为中心化标准化前的像素值，xmean为像素值均值，std为像素值标准差，xoutput为中心化标准化结果。
4.根据权利要求1所述的检测方法，其特征在于，
步骤S3中对所述图像块进行标注的依据为图像块是否包含裂缝；
步骤S3中所述训练集与测试集的划分是随机划分的；
步骤S3中所述训练集占总体数据的比例为70％-90％。
5.根据权利要求1所述的检测方法，其特征在于，
步骤S4中所述卷积神经网络是经过步骤S3中所获得的训练集数据训练后再使用步骤S3中所获得测试集数据测试合格的卷积神经网络模型。
6.根据权利要求1所述的检测方法，其特征在于，
步骤S4中所述卷积神经网络包括Gabor模块和分类模块；
步骤S4具体包括：
S41、将图像块输入Gabor模块，输出多个参数；
S42、根据输出的多个参数构建Gabor滤波器组；
S43、利用步骤S42所得Gabor滤波器组与输入图像块相卷积进行纹理特征提取，得到多通道的纹理特征图；
S44、将步骤S43所得纹理特征图输入分类模块，输出以图像块为裂缝与背景的概率，即得到路面裂缝的检测结果。
7.根据权利要求6所述的检测方法，其特征在于，
所述Gabor模块包括输入层、第一卷积层、第一批标准化、第一ReLU激活层、第一最大池化层、第二卷积层、第二批标准化、第二ReLU激活层、第二最大池化层、第一全连接层、第三ReLU激活层、第二全连接层、Sigmoid激活层；
所述分类模块包含依次设置的分类卷积层、分类批标准化、分类ReLU激活层、分类最大池化层、不同通道数的8个残差模块、分类平均池化层、分类全连接层、概率预测层；
所述分类模块是基于残差网络构建的。
8.根据权利要求7所述的检测方法，其特征在于，
每个所述残差模块包含依次设置的残差第一卷积层、残差第一批标准化、残差第一ReLU激活层、残差第二卷积层、残差第二批标准化。
9.根据权利要求6所述的检测方法，其特征在于，
步骤S42中，所述Gabor滤波器复数形式表达式为：
x′＝x cosθ+y sinθ；
y′＝--x sinθ+y cosθ；
式中，x，y是空域中像素坐标，λ为正弦函数的波长，θ为正弦函数方向与x轴夹角，即为Gabor核函数方向，ψ为正弦函数相位偏移，σx，σy分别为高斯函数在x轴与y轴上标准差；
其中，所述滤波器参数是将Gabor模块输出的多个对应参数归一化至合理值得到的。
10.根据权利要求6所述的检测方法，其特征在于，
步骤S44具体包括：将步骤S43所得纹理特征图输入分类模块，输出后得到图像块为裂缝与背景的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911133199.4A CN111105389B (zh) | 2019-11-21 | 2019-11-21 | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911133199.4A CN111105389B (zh) | 2019-11-21 | 2019-11-21 | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111105389A true CN111105389A (zh) | 2020-05-05 |
| CN111105389B CN111105389B (zh) | 2023-12-05 |
Family
ID=70420808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911133199.4A Active CN111105389B (zh) | 2019-11-21 | 2019-11-21 | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111105389B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011392A (zh) * | 2021-04-25 | 2021-06-22 | 吉林大学 | 一种基于路面图像多纹理特征融合的路面类型识别方法 |
| CN114418937A (zh) * | 2021-12-06 | 2022-04-29 | 北京邮电大学 | 路面裂缝检测方法以及相关设备 |
| CN114612987A (zh) * | 2022-03-17 | 2022-06-10 | 深圳集智数字科技有限公司 | 一种表情识别方法及装置 |
| 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 |
| CN116844057A (zh) * | 2023-08-28 | 2023-10-03 | 福建智涵信息科技有限公司 | 一种路面病害图像处理方法及车载检测装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631479A (zh) * | 2015-12-30 | 2016-06-01 | 中国科学院自动化研究所 | 基于非平衡学习的深度卷积网络图像标注方法及装置 |
| CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
| CN108388890A (zh) * | 2018-03-26 | 2018-08-10 | 南京邮电大学 | 一种基于面部表情识别的新生儿疼痛程度评估方法及系统 |
| US20190019589A1 (en) * | 2017-07-05 | 2019-01-17 | Electric Power Research Institute, Inc. | Apparatus and method for identifying cracks in a structure using a multi-stage classifier |
| WO2019074545A1 (en) * | 2017-10-13 | 2019-04-18 | iHealthScreen Inc. | IMAGE-BASED SCREENING SYSTEM FOR PREDICTING AN INDIVIDUAL TO HAVE THE RISK OF AGE-RELATED MACULAR DEGENERATION (AMD) |
| CN110349122A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
| CN110414305A (zh) * | 2019-04-23 | 2019-11-05 | 苏州闪驰数控系统集成有限公司 | 人工智能卷积神经网络人脸识别系统 |
-
2019
- 2019-11-21 CN CN201911133199.4A patent/CN111105389B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631479A (zh) * | 2015-12-30 | 2016-06-01 | 中国科学院自动化研究所 | 基于非平衡学习的深度卷积网络图像标注方法及装置 |
| US20190019589A1 (en) * | 2017-07-05 | 2019-01-17 | Electric Power Research Institute, Inc. | Apparatus and method for identifying cracks in a structure using a multi-stage classifier |
| WO2019074545A1 (en) * | 2017-10-13 | 2019-04-18 | iHealthScreen Inc. | IMAGE-BASED SCREENING SYSTEM FOR PREDICTING AN INDIVIDUAL TO HAVE THE RISK OF AGE-RELATED MACULAR DEGENERATION (AMD) |
| CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
| CN108388890A (zh) * | 2018-03-26 | 2018-08-10 | 南京邮电大学 | 一种基于面部表情识别的新生儿疼痛程度评估方法及系统 |
| CN110414305A (zh) * | 2019-04-23 | 2019-11-05 | 苏州闪驰数控系统集成有限公司 | 人工智能卷积神经网络人脸识别系统 |
| CN110349122A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨景明;周豪腾;杨波;王亚超;魏立新;: "基于Gabor核的卷积神经网络改进算法及应用" * |
| 杨景明;周豪腾;杨波;王亚超;魏立新;: "基于Gabor核的卷积神经网络改进算法及应用", 燕山大学学报, no. 05 * |
| 顼改燕;徐华;翟忠武;葛庆平;: "基于Gabor滤波器和BP神经网络的人脸皮肤皱纹区域自动识别", no. 02, pages 430 - 432 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011392A (zh) * | 2021-04-25 | 2021-06-22 | 吉林大学 | 一种基于路面图像多纹理特征融合的路面类型识别方法 |
| CN114418937A (zh) * | 2021-12-06 | 2022-04-29 | 北京邮电大学 | 路面裂缝检测方法以及相关设备 |
| CN114612987A (zh) * | 2022-03-17 | 2022-06-10 | 深圳集智数字科技有限公司 | 一种表情识别方法及装置 |
| 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 |
| CN116844057A (zh) * | 2023-08-28 | 2023-10-03 | 福建智涵信息科技有限公司 | 一种路面病害图像处理方法及车载检测装置 |
| CN116844057B (zh) * | 2023-08-28 | 2023-12-08 | 福建智涵信息科技有限公司 | 一种路面病害图像处理方法及车载检测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111105389B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111105389B (zh) | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 | |
| CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN111914907B (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
| Liu et al. | FPCNet: Fast pavement crack detection network based on encoder-decoder architecture | |
| CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
| CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
| CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
| CN111582092B (zh) | 一种基于人体骨架的行人异常行为检测方法 | |
| CN113240623B (zh) | 一种路面病害检测方法及装置 | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
| CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
| CN114596316A (zh) | 一种基于语义分割的道路图像细节抓取方法 | |
| CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
| CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
| Liu et al. | Deep domain adaptation for pavement crack detection | |
| CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
| CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
| CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
| CN112613354A (zh) | 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法 | |
| CN113255704B (zh) | 一种基于局部二值模式的像素差卷积边缘检测方法 | |
| CN112507327B (zh) | 一种基于机器学习的晴雨检测与处理方法 | |
| CN114549414A (zh) | 一种针对轨道数据的异常变化检测方法及系统 | |
| CN114092441A (zh) | 一种基于双重神经网络的产品表面缺陷检测方法及系统 |
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 |