CN111160301B - 基于机器视觉的隧道病害目标智能识别及提取方法 - Google Patents
基于机器视觉的隧道病害目标智能识别及提取方法 Download PDFInfo
- Publication number
- CN111160301B CN111160301B CN201911420099.XA CN201911420099A CN111160301B CN 111160301 B CN111160301 B CN 111160301B CN 201911420099 A CN201911420099 A CN 201911420099A CN 111160301 B CN111160301 B CN 111160301B
- Authority
- CN
- China
- Prior art keywords
- disease
- image
- semantic segmentation
- target
- tunnel
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器视觉的隧道病害目标智能识别及提取方法，包括步骤：拍摄隧道衬砌原始图像；利用矩形框标识存病害图片获得目标识别样本集；构建病害目标识别模型并训练；拍摄待病害分割图像；将待病害分割图像输入病害目标识别模型；输出病害目标识别结果；对目标识别结果和目标识别样本集进行语义分割标定；构建病害语义分割模型并训练；拍摄隧道衬砌图像输入病害目标识别模型，将病害目标识别结果输入训练后的病害语义分割模型；输出隧道衬砌图像病害分割图。本发明的一种基于机器视觉的隧道病害目标智能识别及提取方法，可解决隧道衬砌图片单张拍摄范围大导致隧道衬砌病害占比小、背景复杂，引起样本不均衡、识别精确度不足的问题。
Description
技术领域
本发明涉及隧道检测领域，尤其涉及一种基于机器视觉的隧道病害目标智能识别及提取方法。
背景技术
目前，隧道检测车、无人机等集成有相机群的快速、自动化隧道衬砌病害图像采集设备广泛应用于隧道检测领域，然而该检测方法产生的数据量大，衬砌病害尤其是裂缝在图幅内所占面积相对较小，因此如何从海量图片中快速识别复杂背景条件下的病害特征、并对病害参数进行提取极具挑战。
当前，对实际拍摄范围小的衬砌图像的病害进行分割，常采用直接使用语义分割算法的方式，通过对病害进行标定构建隧道衬砌病害语义分割样本集，将样本集内原图及标定图同步输入语义分割网络进行模型训练，在模型训练完成后，直接将隧道衬砌图片输入模型中，即可实现对图像中各像素类别的判定，达到对病害进行分割的效果。但是，快速。自动化隧道衬砌图像采集设备，为兼顾采集速度及硬件存储能力，通常单张图片实际得拍摄范围较大，导致隧道衬砌图像背景复杂，而且病害尤其是裂缝，在图幅内所占面积相对较小，产生了严重的样本不均衡问题(背景与目标物所占比例差异显著)，增加了语义分割的难度，导致分割精确度严重下降，甚至无法实现对于裂缝的有效分割。
发明内容
针对上述现有技术中的不足，本发明提供一种基于机器视觉的隧道病害目标智能识别及提取方法，可解决隧道检测车、无人机等快速检测设备所采集的隧道衬砌图片，单张拍摄范围大导致裂缝占比小、背景复杂，引起样本不均衡、识别精确度不足的问题。
为了实现上述目的，本发明提供一种基于机器视觉的隧道病害目标智能识别及提取方法，包括步骤：
S1：在一隧道内进行衬砌图像拍摄，获取多个隧道衬砌原始图像；
S2：在所述隧道衬砌原始图像中挑选存在病害的图片作为存病害图片，利用矩形框在所述存病害图片的病害区域内标识获得一目标识别样本集；
S3：构建一病害目标识别模型，利用所述目标识别样本集对所述病害目标识别模型进行训练；
S4：在所述隧道内进行衬砌图像拍摄，获得一待病害分割图像；
S5：将所述待病害分割图像输入训练后的所述病害目标识别模型；
S6：训练后的所述病害目标识别模型输出一病害目标识别结果；
S7：对所述目标识别样本集和所述病害目标识别结果进行语义分割标定，获得一语义分割样本集；
S8：构建一病害语义分割模型，利用所述语义分割样本集对所述病害语义分割模型进行训练，获得目标识别网络；
S9：将后续新获取的隧道衬砌图像，直接输入训练后的所述目标识别网络，产生病害目标识别结果，将所述病害目标识别结果输入训练后的所述病害语义分割模型；
S10：训练后的所述病害语义分割模型输出一隧道衬砌图像病害分割图。
优选地，所述S3步骤进一步包括步骤：
S31：构建一病害目标识别模型，所述病害目标识别模型包括一卷积神经网络、一推荐框生成网络和一边框回归层；
S32：按预设比例将所述目标识别样本集分为一第一训练集、一第一验证集和一第一测试集；
S33：利用所述卷积神经网络提取所述第一训练集、所述第一验证集和所述第一测试集的图片的图像特征并生成推荐框，所述推荐框设置于所述图像特征外围；
S34：判断所述推荐框包括的所述图像特征的类别，当判断为非病害时舍弃当前所述图像特征所对应的图像，当判断为病害时继续后续步骤；
S35：利用边框回归层对当前所述推荐框进行回归；
S36：在当前推荐框对应的所述存病害图片上进行边框标识，将边框标识后的当前所述存病害图片作为目标识别结果；
S37：对比所述目标识别结果与实际标识结果，修改所述卷积神经网络和所述边框回归层的参数；
S38：重复第一预设次数步骤S33～S37。
优选地，所述S7步骤进一步包括步骤：
S71：提取所述目标识别样本集和所述目标识别结果的所述存病害图片中标识为病害的病害区域；
S72：在所述病害区域内用不同颜色像素区分背景与病害，获得所述语义分割样本集。
优选地，所述S8步骤进一步包括步骤：
S81：构建一病害语义分割模型，所述病害语义分割模型包括一多层下采样模块、一多层上采样模块和一预测像素类别模块；
S82：按所述预设比例将所述语义分割样本集分为一第二训练集、一第二验证集和一第二测试集；
S83：利用所述多层下采样模块对所述第二训练集、所述第二验证集和所述第二测试集的图片进行多次下采样，获得下采样特征图像集；
S84：利用所述多层上采样模块对所述下采样特征图像集进行多次上采样直至上采样获得图像的尺寸恢复至所述语义分割样本集的图片的大小，获得上采样特征图像集；
S85：利用所述预测像素类别模块对所述上采样特征图像集的图片的每一像素的类别进行预测，所述像素的类别包括病害和背景，获得一语义分割结果；
S86：对比所述语义分割结果与实际标定结果，修改所述多层下采样模块、所述多层上采样模块和所述预测像素类别模块的参数；
S87：重复步骤S84～S86，直至所述语义分割结果的预测准确率达到预设阈值。
优选地，所述S1步骤和所述S4步骤和所述S9步骤中，通过隧道检测车、无人机或人工采集的方式在所述隧道内进行衬砌图像拍摄。
优选地，在S1步骤到S10步骤中，对病害目标识别算法与病害语义分割算法进行组合使用。
本发明由于采用了以上技术方案，使其具有以下有益效果：
将病害目标识别模型与病害语义分割模型相配合，对获取的图像首先进行病害的目标识别，将识别为病害的框内图像进行提取，去除大量无有效信息的复杂背景，提高了病害像素在图像内所占比例后，输入病害语义分割模型，实现对病害的有效分割。该方法能够有效解决对于单张图幅较大时，病害占比小、样本不均衡导致无法对隧道衬砌图像的病害进行分割的问题，同时还能够将目标识别可视化程度高的优势与语义分割可提取参数的优势相结合，提高衬砌图像病害的识别及分割效果。
附图说明
图1为本发明实施例的基于机器视觉的隧道病害目标智能识别及提取方法的流程图；
图2为本发明实施例的基于机器视觉的隧道病害目标智能识别及提取方法的原理图；
图3为本发明实施例的病害目标识别模型的原理图；
图4为本发明实施例的病害语义分割模型的原理图。
具体实施方式
下面根据附图1～4，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1～图4，本发明实施例的一种基于机器视觉的隧道病害目标智能识别及提取方法，包括步骤：
S1：在一隧道内进行衬砌图像拍摄，获取多个隧道衬砌原始图像；
S2：在隧道衬砌原始图像中挑选存在病害的图片作为存病害图片，利用矩形框在存病害图片的病害区域内标识获得一目标识别样本集；
S3：构建一病害目标识别模型，利用目标识别样本集对病害目标识别模型进行训练；
其中，S3步骤进一步包括步骤：
S31：构建一病害目标识别模型，病害目标识别模型包括一卷积神经网络、一推荐框生成网络和一边框回归层；
S32：按预设比例将目标识别样本集分为一第一训练集、一第一验证集和一第一测试集；
S33：利用卷积神经网络提取第一训练集、第一验证集和第一测试集的图片的图像特征并生成推荐框，推荐框设置于图像特征外围；
S34：判断推荐框包括的图像特征的类别，当判断为非病害时舍弃当前图像特征所对应的图像，当判断为病害时继续后续步骤；
S35：利用边框回归层对当前推荐框进行回归；
S36：在当前推荐框对应的存病害图片上进行边框标识，将边框标识后的当前存病害图片作为目标识别结果；
S37：对比目标识别结果与实际标识结果，修改卷积神经网络和边框回归层的参数；
S38：重复第一预设次数步骤S33～S37，实现对病害目标识别模型的训练。
S4：在隧道内进行衬砌图像拍摄，获得一待病害分割图像；
S5：将待病害分割图像输入训练后的病害目标识别模型；
S6：训练后的病害目标识别模型输出一病害目标识别结果；可通过病害目标识别结果获取隧道衬砌病害位置及区域大小；
S7：对目标识别样本集和所述病害目标识别结果进行语义分割标定，获得一语义分割样本集；
其中，S7步骤进一步包括步骤：
S71：提取目标识别样本集的存病害图片和所述目标识别结果中标识为病害的病害区域；
S72：在病害区域内用不同颜色像素区分背景与不同类别病害，获得语义分割样本集。
S8：构建一病害语义分割模型，利用语义分割样本集对病害语义分割模型进行训练，获得目标识别网络；
其中，S8步骤进一步包括步骤：
S81：构建一病害语义分割模型，病害语义分割模型包括一多层下采样模块、一多层上采样模块和一预测像素类别模块；
S82：按预设比例将语义分割样本集分为一第二训练集、一第二验证集和一第二测试集；
S83：利用多层下采样模块对第二训练集、第二验证集和第二测试集的图片进行多次下采样，缩小图像尺寸的同时不断抽取图像特征，获得下采样特征图像集；
S84：利用多层上采样模块对下采样特征图像集进行多次上采样直至上采样获得图像的尺寸恢复至语义分割样本集的图片的大小，获得上采样特征图像集；
在上采样的过程中，不断增大特征图尺寸，同时，参考下采样进行过程中图像各层特征图，以恢复图像边缘信息。
S85：利用预测像素类别模块对上采样特征图像集的图片的每一像素的类别进行预测，像素的类别包括病害和背景，获得一语义分割结果；
S86：对比语义分割结果与实际标定结果，修改多层下采样模块、多层上采样模块和预测像素类别模块的参数；
S87：重复步骤S84～S86，直至语义分割结果的预测准确率达到预设阈值。
S9：将后续新获取的隧道衬砌图像，直接输入训练后的目标识别网络，产生病害目标识别结果，将病害目标识别结果输入训练后的病害语义分割模型；
S10：训练后的病害语义分割模型输出一隧道衬砌图像病害分割图，完成隧道衬砌病害的分割，通过统计隧道衬砌图像病害分割图中病害的像素数量，实现对病害参数的提取。
本实施例中，S1步骤和S4中，通过隧道检测车、无人机或人工采集的方式在隧道内进行衬砌图像拍摄。在S1步骤到S10步骤中，对病害目标识别算法与病害语义分割算法进行组合使用。
本实施例的一种基于机器视觉的隧道病害目标智能识别及提取方法，其识别目标是隧道衬砌病害，包括衬砌渗漏水、裂缝、泛碱，下水道盖板井盖破损、缺失等。
识别对象：利用隧道检测车、无人机及人工所采集的隧道衬砌图像快速拍摄系统在隧道内进行衬砌图像采集。
病害目标智能识别通过对获取的病害图像进行目标识别的标定，构建病害目标识别样本库，按需划分训练集、验证集、测试集后，利用特征提取层提取原图的病害特征，依据候选框内特征对病害类别进行确定，并对判别为病害的候选框进行边框回归，通过与样本集内标定结果的比对，不断修正判别及边框回归结果，完成隧道衬砌病害目标识别模型的训练。在此基础上，对后续输入的隧道衬砌图像，无需进行标定，直接输入训练好的模型内，提取病害特征后确定候选框内的病害类别并进行边框回归后，将结果输出在原图上，实现隧道衬砌病害目标的智能识别。
语义分割参数识别首先根据病害目标识别结果，提取病害区域建立样本集，通过卷积与反卷积组合等的方式，分别进行上、下采样，依据获取的特征信息，对图像内每一像素的类别进行预测，并与标定结果对照，不断修正参数实现模型的优化训练。随后，即可将目标识别结果直接输入完成训练的模型中，对像素进行预测进而实现病害的分割。
本实施例的一种基于机器视觉的隧道病害目标智能识别及提取方法，将深度学习的目标识别算法与语义分割算法的组合，首先采用通过卷积神经网络提取图像特征，依据框内特征判别该区域病害类别的目标识别算法对隧道衬砌图片进行识别，框选出病害(包括裂缝、渗漏水等)边界，随后仅将框选出的病害输入语义分割算法中，对隧道衬砌图像每一个像素的类别进行预测，实现对隧道衬砌病害的分割，进而通过统计病害的像素数量，实现对病害参数的提取。从而解决隧道检测车、无人机等快速检测设备所采集的隧道衬砌图片，单张拍摄范围大导致裂缝占比小、背景复杂，引起样本不均衡、识别精确度不足的问题。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (5)
1.一种基于机器视觉的隧道病害目标智能识别及提取方法，包括步骤：
S1：在一隧道内进行衬砌图像拍摄，获取多个隧道衬砌原始图像；
S2：在所述隧道衬砌原始图像中挑选存在病害的图片作为存病害图片，利用矩形框在所述存病害图片的病害区域内标识获得一目标识别样本集；
S3：构建一病害目标识别模型，利用所述目标识别样本集对所述病害目标识别模型进行训练；
S4：在所述隧道内进行衬砌图像拍摄，获得一待病害分割图像；
S5：将所述待病害分割图像输入训练后的所述病害目标识别模型；
S6：训练后的所述病害目标识别模型输出一病害目标识别结果；
S7：对所述目标识别样本集和所述病害目标识别结果进行语义分割标定，获得一语义分割样本集；
S8：构建一病害语义分割模型，利用所述语义分割样本集对所述病害语义分割模型进行训练，获得目标识别网络；
S9：将后续新获取的隧道衬砌图像，直接输入训练后的所述目标识别网络，产生病害目标识别结果，将所述病害目标识别结果输入训练后的所述病害语义分割模型；
S10：训练后的所述病害语义分割模型输出一隧道衬砌图像病害分割图。
2.根据权利要求1所述的基于机器视觉的隧道病害目标智能识别及提取方法，其特征在于，所述S3步骤进一步包括步骤：
S31：构建一病害目标识别模型，所述病害目标识别模型包括一卷积神经网络、一推荐框生成网络和一边框回归层；
S32：按预设比例将所述目标识别样本集分为一第一训练集、一第一验证集和一第一测试集；
S33：利用所述卷积神经网络提取所述第一训练集、所述第一验证集和所述第一测试集的图片的图像特征并生成推荐框，所述推荐框设置于所述图像特征外围；
S34：判断所述推荐框包括的所述图像特征的类别，当判断为非病害时舍弃当前所述图像特征所对应的图像，当判断为病害时继续后续步骤；
S35：利用边框回归层对当前所述推荐框进行回归；
S36：在当前推荐框对应的所述存病害图片上进行边框标识，将边框标识后的当前所述存病害图片作为目标识别结果；
S37：对比所述目标识别结果与实际标识结果，修改所述卷积神经网络和所述边框回归层的参数；
S38：重复第一预设次数步骤S33～S37。
3.根据权利要求2所述的基于机器视觉的隧道病害目标智能识别及提取方法，其特征在于，所述S7步骤进一步包括步骤：
S71：提取所述目标识别样本集和所述目标识别结果的所述存病害图片中标识为病害的病害区域；
S72：在所述病害区域内用不同颜色像素区分背景与不同类别病害，获得所述语义分割样本集。
4.根据权利要求3所述的基于机器视觉的隧道病害目标智能识别及提取方法，其特征在于，所述S8步骤进一步包括步骤：
S81：构建一病害语义分割模型，所述病害语义分割模型包括一多层下采样模块、一多层上采样模块和一预测像素类别模块；
S82：按所述预设比例将所述语义分割样本集分为一第二训练集、一第二验证集和一第二测试集；
S83：利用所述多层下采样模块对所述第二训练集、所述第二验证集和所述第二测试集的图片进行多次下采样，获得下采样特征图像集；
S84：利用所述多层上采样模块对所述下采样特征图像集进行多次上采样直至上采样获得图像的尺寸恢复至所述语义分割样本集的图片的大小，获得上采样特征图像集；
S85：利用所述预测像素类别模块对所述上采样特征图像集的图片的每一像素的类别进行预测，所述像素的类别包括病害和背景，获得一语义分割结果；
S86：对比所述语义分割结果与实际标定结果，修改所述多层下采样模块、所述多层上采样模块和所述预测像素类别模块的参数；
S87：重复步骤S84～S86，直至所述语义分割结果的预测准确率达到预设阈值。
5.根据权利要求4所述的基于机器视觉的隧道病害目标智能识别及提取方法，其特征在于，所述S1步骤、所述S4步骤和所述S9步骤中，通过隧道检测车、无人机或人工采集的方式在所述隧道内进行衬砌图像拍摄。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911420099.XA CN111160301B (zh) | 2019-12-31 | 2019-12-31 | 基于机器视觉的隧道病害目标智能识别及提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911420099.XA CN111160301B (zh) | 2019-12-31 | 2019-12-31 | 基于机器视觉的隧道病害目标智能识别及提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160301A CN111160301A (zh) | 2020-05-15 |
| CN111160301B true CN111160301B (zh) | 2023-04-18 |
Family
ID=70560328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911420099.XA Active CN111160301B (zh) | 2019-12-31 | 2019-12-31 | 基于机器视觉的隧道病害目标智能识别及提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160301B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037340A (zh) * | 2020-09-09 | 2020-12-04 | 中电建冀交高速公路投资发展有限公司 | 基于增强现实技术的隧道衬砌病害查看方法及穿戴式设备 |
| CN112488119A (zh) * | 2020-12-18 | 2021-03-12 | 山西省信息产业技术研究院有限公司 | 基于双深度学习模型的隧道掉块或渗水检测及测量方法 |
| CN112949849B (zh) * | 2021-01-27 | 2024-03-26 | 武汉星巡智能科技有限公司 | 采用边缘计算优化智能摄像头检测模型的方法和装置 |
| CN112819070A (zh) * | 2021-01-29 | 2021-05-18 | 中国电建集团华东勘测设计研究院有限公司 | 隧道管片环缝直线化识别及里程环号标记方法 |
| CN113239432B (zh) * | 2021-05-07 | 2022-06-10 | 石家庄铁道大学 | 一种地铁隧道全景图像区域化分块检测推荐方法 |
| CN113420962A (zh) * | 2021-05-31 | 2021-09-21 | 中铁工程服务有限公司 | 用于盾构地铁隧道管片的扫描检测方法、装置及存储介质 |
| CN113538385B (zh) * | 2021-07-21 | 2022-10-25 | 上海勘察设计研究院(集团)有限公司 | 基于深度学习的隧道表观病害类型及等级判别方法 |
| CN113284144B (zh) * | 2021-07-22 | 2021-11-30 | 深圳大学 | 一种基于无人机的隧道检测方法及装置 |
| CN114965487B (zh) * | 2022-06-10 | 2024-06-14 | 招商局重庆交通科研设计院有限公司 | 一种隧道典型病害自动监测设备的标定方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529565A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 目标识别模型训练和目标识别方法及装置、计算设备 |
| WO2018010434A1 (zh) * | 2016-07-13 | 2018-01-18 | 华为技术有限公司 | 一种图像分类方法及装置 |
| CN109712148A (zh) * | 2018-12-19 | 2019-05-03 | 上海勘察设计研究院(集团)有限公司 | 基于盾构隧道影像的管片接缝位置自动识别方法 |
| CN110020652A (zh) * | 2019-01-07 | 2019-07-16 | 新而锐电子科技(上海)有限公司 | 隧道衬砌裂缝图像的分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875406B (zh) * | 2017-01-24 | 2020-04-14 | 北京航空航天大学 | 图像引导的视频语义对象分割方法及装置 |
-
2019
- 2019-12-31 CN CN201911420099.XA patent/CN111160301B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018010434A1 (zh) * | 2016-07-13 | 2018-01-18 | 华为技术有限公司 | 一种图像分类方法及装置 |
| CN106529565A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 目标识别模型训练和目标识别方法及装置、计算设备 |
| CN109712148A (zh) * | 2018-12-19 | 2019-05-03 | 上海勘察设计研究院(集团)有限公司 | 基于盾构隧道影像的管片接缝位置自动识别方法 |
| CN110020652A (zh) * | 2019-01-07 | 2019-07-16 | 新而锐电子科技(上海)有限公司 | 隧道衬砌裂缝图像的分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| Xiongyao Xie等.Automatic and Visual Processing Method of Non-Contact Monitoring for Circular Stormwater Sewage Tunnels Based on LiDAR Data .ENERGIES.2019,1-19. * |
| 许杰颖等.山岭隧道结构裂缝特征自动化提取算法研究.地下空间与工程学报.2019,第15卷(第s1期),219-224. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160301A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160301B (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
| CN110110799B (zh) | 细胞分类方法、装置、计算机设备和存储介质 | |
| CN109767418B (zh) | 检査装置、数据生成装置、数据生成方法及存储介质 | |
| CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
| CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
| CN111753692B (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
| CN111325713A (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
| EP3343440A1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
| CN112348787B (zh) | 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置 | |
| CN109671058B (zh) | 一种大分辨率图像的缺陷检测方法及系统 | |
| CN113298757A (zh) | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 | |
| CN108846835A (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
| EP3506165A1 (en) | Using a first stain to train a model to predict the region stained by a second stain | |
| CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
| CN112270280A (zh) | 一种基于深度学习的遥感图像中的露天矿场检测方法 | |
| JP2022027473A (ja) | 半導体試料の検査に使用可能な訓練データの生成 | |
| KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
| US9852354B2 (en) | Method and apparatus for image scoring and analysis | |
| CN112070733A (zh) | 基于弱监督模式的缺陷粗定位方法和装置 | |
| CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
| CN112150460A (zh) | 检测方法、检测系统、设备和介质 | |
| CN111738338B (zh) | 基于级联膨胀fcn网络应用于马达线圈的缺陷检测方法 | |
| CN118115496B (zh) | 晶圆缺陷检测方法及装置 |
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 |