CN111191714A - 桥梁外观损伤病害智能识别方法 - Google Patents
桥梁外观损伤病害智能识别方法 Download PDFInfo
- Publication number
- CN111191714A CN111191714A CN201911383418.4A CN201911383418A CN111191714A CN 111191714 A CN111191714 A CN 111191714A CN 201911383418 A CN201911383418 A CN 201911383418A CN 111191714 A CN111191714 A CN 111191714A
- Authority
- CN
- China
- Prior art keywords
- bridge
- image information
- apparent
- defects
- model
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种桥梁外观损伤病害智能识别方法,包括以下步骤:S1:整理目标桥梁结构的表观缺陷检测项目;S2:自动化采集桥梁表观状态图像信息,建立桥梁表观状态图像信息数据库;S3:使用桥梁表观状态图像信息对VGG16模型进行训练;S4:通过S3得到的二元分类模型对桥梁表观状态图像信息进行二元识别,分别建立含表观缺陷和不含表观缺陷的图像信息数据库;S5:对于含有表观缺陷的图像信息,采用训练好的Mask‑RCNN模型实现缺陷的标定,并将实现缺陷标定的图像信息导入S4中的含表观缺陷的图像信息数据库,得到更新后的病害历史数据库;S6:采用更新后的病害历史数据库进行模型优化;S7:得到标注出该桥梁外观损伤病害的图像以及外观损伤病害所属的类别。
Description
技术领域
本发明属于桥梁结构病害检测技术领域,具体涉及一种桥梁外观损伤病害智能识别方法。
背景技术
近年来我国桥梁建设飞速发展,到2016年底,全国桥梁数量已经增加到80.5万座。一般来说,每座桥梁每年都要进行一次桥梁检测。传统的桥梁检测,需要工作人员到现场拍摄桥梁病害的照片,成本高,主观性强。
桥梁表观缺陷的检测技术,可以更快更经济地识别桥梁的缺陷,并使识别结果更加标准化,减少测量的主观性。因此,越来越多的土木工程领域的研究人员开始尝试利用CNN进行外观损伤病害识别,然而很多研究只能对某一种特定的病害进行识别,而且仍需对图像进行较为复杂的预处理及后处理。由于Mask-RCNN神经网络模型,相较以往的模型具有更快的识别速度,且误差较小,故而在桥梁外观损伤识别方面有良好的应用前景。
发明内容
针对以上现状与存在的问题,本发明提出了一种桥梁外观损伤病害智能识别方法,该方法将为桥梁结构的性能退化预测提供数据,并为桥梁智能监控管理提供技术支撑。
为了实现上述目的,本发明所采用的技术方案是:一种桥梁外观损伤病害智能识别方法,包括以下步骤:
S1:根据现行规范,整理目标桥梁结构的表观缺陷检测项目;
S2:自动化采集桥梁表观状态图像信息,给桥梁表观状态图像信息打上有缺陷和无缺陷的标签,建立桥梁表观状态图像信息数据库;
S3:将桥梁表观状态图像信息分成训练集、验证集、测试集,使用训练集对VGG16模型进行训练,根据测试集计算VGG16模型的损失函数,并不断训练VGG16模型;再用验证集验证训练完的模型的识别结果,直至达到设定的识别结果准确度后,则停止训练,得到二元分类模型;
S4:通过S3得到的二元分类模型对桥梁表观状态图像信息进行二元识别,从而实现桥梁表观缺陷的人工智能判断,分别建立含表观缺陷和不含表观缺陷的图像信息数据库;
S5:对于含有表观缺陷的图像信息,采用训练好的Mask-RCNN神经网络模型实现缺陷的定位和标注,并将实现缺陷定位和标注的图像信息导入所述的S4中的含表观缺陷的图像信息数据库,得到更新后的病害历史数据库;
S6:采用更新后的病害历史数据库重新训练缺陷定位与标注Mask-RCNN神经网络模型,得到优化后的Mask-RCNN神经网络模型;
S7:采集新的桥梁表观状态图像信息,将其放入所述的优化后的Mask-RCNN神经网络模型中,即可得到标注出该桥梁外观损伤病害的图像以及外观损伤病害所属的类别。
进一步地,所述步骤S3具体包括:
S3.1:将桥梁表观状态图像信息分成训练集、验证集、测试集;
S3.2:使用VGG16模型对训练集进行训练,VGG16模型的网络结构如图3所示,对输入的图像信息进行卷积池化,输入到全连接层,输出图像信息的二元分类结果;
S3.3:利用S3.2中的验证集,验证训练好的VGG16模型的识别结果,即二元分类模型。
以桥梁表观缺陷中的露筋为例,对于绝大多数明显的露筋缺陷,如图4所示,所述的二元分类模型能够对图像进行判断,识别精度较高。即使图片上存在一些类似露筋的物体,如图5所示,所述的二元分类模型依然能够对图像正确归类。在训练的过程中得到的十六个不同的深度学习模型的分类准确率如图6所示。
进一步地,所述表观缺陷具体包括:涂层劣化、钢构件锈蚀、焊缝开裂、混凝土裂缝、蜂窝麻面、露筋。
进一步地,所述Mask-RCNN神经网络模型的具体训练过程包括:
S5.1:将含有表观缺陷的图像信息分成训练集、验证集、测试集;
S5.2:将训练集输入到预训练好的神经网络ResNet101中,获得对应的featuremap;
S5.3:使用RPN推荐RoI,即寻找目标存在的区域,RPN会输出每个anchor的类别和边框精调,并将结果输入到RoIAlign层处理;
S5.4:在RoIAlign层后设置三个分支,分别预测表观缺陷的classes、boxes、masks;
S5.5:利用所述验证集,验证Mask-RCNN模型的桥梁表观缺陷识别结果,得到用来标注和定位桥梁表观缺陷的所述Mask-RCNN神经网络模型。
相较于其他桥梁表观缺陷检测方法,本发明具有以下优点:
(1)一定程度上代替了传统的人工作业,降低人力成本;
(2)传统的桥梁表观缺陷识别更依赖于检测人员的经验,主观性强,本发明实现了桥梁表观缺陷识别的标准化;
(3)使用了Mask-RCNN神经网络模型进行桥梁表观缺陷识别,相较于以往的神经网络模型具有更快的识别速度,且误差较小。
附图说明
图1是本发明的桥梁外观损伤病害智能识别方法的主体步骤图;
图2是S4的流程示意图;
图3是二元分类模型示意图;
图4是二元分类模型的训练样本中的一张存在露筋(给予Good标签)的照片;
图5是二元分类模型的训练样本中的一张无露筋(给予Bad标签)的照片;
图6是二元分类的16个模型的正确率折线图;
图7是桥梁表观缺陷照片(a)及识别标定结果图(b)。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合附图,对发明的具体技术方案作进一步描述。
如图1所示,一种桥梁外观损伤病害智能识别技术,该方法包括以下步骤:
S1:根据现行规范,整理目标桥梁结构的表观缺陷检测项目;
S2:自动化采集桥梁表观状态图像信息,给桥梁表观状态图像信息打上有缺陷和无缺陷的标签,建立桥梁表观状态图像信息数据库;
S3:将桥梁表观状态图像信息分成训练集、验证集、测试集,使用训练集对VGG16模型进行训练,根据测试集计算VGG16模型的损失函数,并不断训练VGG16模型;再用验证集验证训练完的模型的识别结果,直至达到设定的识别结果准确度后,则停止训练,得到二元分类模型;
S4:通过S3得到的二元分类模型对桥梁表观状态图像信息进行二元识别,从而实现桥梁表观缺陷的人工智能判断,分别建立含表观缺陷和不含表观缺陷的图像信息数据库;
S5:对于含有表观缺陷的图像信息,采用训练好的Mask-RCNN神经网络模型实现缺陷的定位和标注,并将实现缺陷定位和标注的图像信息导入所述的S4中的含表观缺陷的图像信息数据库,得到更新后的病害历史数据库;
S6:采用更新后的病害历史数据库重新训练缺陷定位与标注Mask-RCNN神经网络模型,得到优化后的Mask-RCNN神经网络模型;
S7:采集新的桥梁表观状态图像信息,将其放入所述的优化后的Mask-RCNN神经网络模型中,即可得到标注出该桥梁外观损伤病害的图像以及外观损伤病害所属的类别。
在上述技术方案的基础上,所述步骤S3具体包括:
S3.1:将桥梁表观状态图像信息分成训练集、验证集、测试集;
S3.2:使用VGG16模型对训练集进行训练,VGG16模型的网络结构如图3所示,对输入的图像信息进行卷积池化,输入到全连接层,输出图像信息的二元分类结果;
S3.3:利用S3.2中的验证集,验证训练好的VGG16模型的识别结果,即二元分类模型。
以桥梁表观缺陷中的露筋为例,对于绝大多数明显的露筋缺陷,如图4所示,所述的二元分类模型能够对图像进行判断,识别精度较高。即使图片上存在一些类似露筋的物体,如图5所示,所述的二元分类模型依然能够对图像正确归类。在训练的过程中得到的十六个不同的深度学习模型的分类准确率如图6所示。
在上述技术方案的基础上,所述表观缺陷具体包括:涂层劣化、钢构件锈蚀、焊缝开裂、混凝土裂缝、蜂窝麻面、露筋。
在上述技术方案的基础上,如图2所示,所述步骤S5具体包括如下子步骤:
S5.1:将含有表观缺陷的图像信息分成训练集、验证集、测试集;
S5.2:将训练集输入到预训练好的神经网络ResNet101中,获得对应的featuremap;
S5.3:使用RPN推荐RoI,即寻找目标存在的区域,RPN会输出每个anchor的类别和边框精调,并将结果输入到RoIAlign层处理;
S5.4:在RoIAlign层后设置三个分支,分别预测表观缺陷的classes、boxes、masks;
S5.5:利用所述验证集验证Mask-RCNN模型的桥梁表观缺陷识别结果,得到用来标注和定位桥梁表观缺陷的所述Mask-RCNN神经网络模型。
实施例:
Step1、使用ubuntu18.04系统,使用pyhton 3.5,主要架构为keras 2.0.8,tensorflow-gpu 1.13.0。
Step2、按照现行规范要求的表观缺陷检测项目,收集桥梁报告及实地拍摄的桥梁表观缺陷照片,如图7(a),表观缺陷包括涂层劣化、钢构件锈蚀、焊缝开裂、混凝土裂缝、蜂窝麻面、露筋等,并将不同像素的照片统一处理成相同大小(800*600)。
Step3、使用labelmme对照片中的表观缺陷及其位置信息进行标注,得到json文件,并对json文件进行格式转换等处理,生成训练用的数据集。
Step4、重写继承自Mask-RCNN中的Dataset(数据处理)和Config(网络配置)的类,以更好地处理桥梁表观缺陷数据集。
Step5、使用Mask-RCNN在coco数据集上预训练过的模型,在桥梁表观缺陷数据集上进行迁移学习。
Step6、冻结了其他层,训练head层10个epoch;然后对整体网络训练30个epoch。
Step7、根据模型在测试集上的检测结果,有针对地调节了nms等参数设置再进行训练,最终得到效果较好的神经网络模型。
Step8、将Step7得到的模型投入实际工作中,数据工程师将未能正确识别的照片及其信息录入关系数据库,当数据库中新增的数据达到某设定数目,依托新的数据库重新进行训练以更新模型。
如图7所示,使用所述的Mask-RCNN网络识别的结果能够较为精确地将桥梁表观缺陷识别出来。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (3)
1.一种桥梁外观损伤病害智能识别方法,其特征在于,包括以下步骤:
S1:根据现行规范,整理目标桥梁结构的表观缺陷检测项目;
S2:自动化采集桥梁表观状态图像信息,给桥梁表观状态图像信息打上有缺陷和无缺陷的标签,建立桥梁表观状态图像信息数据库;
S3:将桥梁表观状态图像信息分成训练集、验证集、测试集,使用训练集对VGG16模型进行训练,根据测试集计算VGG16模型的损失函数,并不断训练VGG16模型;再用验证集验证训练完的模型的识别结果,直至达到设定的识别结果准确度后,则停止训练,得到二元分类模型;
S4:通过S3得到的二元分类模型对桥梁表观状态图像信息进行二元识别,从而实现桥梁表观缺陷的人工智能判断,分别建立含表观缺陷和不含表观缺陷的图像信息数据库;
S5:对于含有表观缺陷的图像信息,采用训练好的Mask-RCNN神经网络模型实现缺陷的定位和标注,并将实现缺陷定位和标注的图像信息导入所述的S4中的含表观缺陷的图像信息数据库,得到更新后的病害历史数据库;
S6:采用更新后的病害历史数据库重新训练缺陷定位与标注Mask-RCNN神经网络模型,得到优化后的Mask-RCNN神经网络模型;
S7:采集新的桥梁表观状态图像信息,将其放入所述的优化后的Mask-RCNN神经网络模型中,即可得到标注出该桥梁外观损伤病害的图像以及外观损伤病害所属的类别。
2.根据权利要求1所述的桥梁外观损伤病害智能识别方法,其特征在于,所述表观缺陷具体包括:涂层劣化、钢构件锈蚀、焊缝开裂、混凝土裂缝、蜂窝麻面、露筋。
3.根据权利要求1所述的桥梁外观损伤病害智能识别方法,其特征在于,所述Mask-RCNN神经网络模型的具体训练过程包括:
S5.1:将含有表观缺陷的图像信息分成训练集、验证集、测试集;
S5.2:将训练集输入到预训练好的神经网络ResNet101中,获得对应的feature map;
S5.3:使用RPN推荐RoI,即寻找目标存在的区域,RPN会输出每个anchor的类别和边框精调,并将结果输入到RoIAlign层处理;
S5.4:在RoIAlign层后设置三个分支,分别预测表观缺陷的classes、boxes、masks;
S5.5:利用所述验证集验证Mask-RCNN模型的桥梁表观缺陷识别结果,得到用来标注和定位桥梁表观缺陷的所述Mask-RCNN神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911383418.4A CN111191714A (zh) | 2019-12-28 | 2019-12-28 | 桥梁外观损伤病害智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911383418.4A CN111191714A (zh) | 2019-12-28 | 2019-12-28 | 桥梁外观损伤病害智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191714A true CN111191714A (zh) | 2020-05-22 |
Family
ID=70709527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911383418.4A Pending CN111191714A (zh) | 2019-12-28 | 2019-12-28 | 桥梁外观损伤病害智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191714A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951218A (zh) * | 2020-07-09 | 2020-11-17 | 黄鹏 | 一种混合深度学习模型的口红质检系统 |
CN111985499A (zh) * | 2020-07-23 | 2020-11-24 | 东南大学 | 一种基于计算机视觉的高精度桥梁表观病害识别方法 |
CN112488990A (zh) * | 2020-11-02 | 2021-03-12 | 东南大学 | 一种基于注意力正则化机制的桥梁支座病害识别方法 |
CN112487925A (zh) * | 2020-11-25 | 2021-03-12 | 上海海事大学 | 一种桥梁载荷损伤识别方法及系统 |
CN113139507A (zh) * | 2021-05-12 | 2021-07-20 | 保定金迪地下管线探测工程有限公司 | 一种排水管道缺陷照片自动截取方法及其系统 |
CN113160209A (zh) * | 2021-05-10 | 2021-07-23 | 上海市建筑科学研究院有限公司 | 用于建筑外立面损伤检测的目标标注方法及目标识别方法 |
CN113313107A (zh) * | 2021-04-25 | 2021-08-27 | 湖南桥康智能科技有限公司 | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 |
CN113888481A (zh) * | 2021-06-11 | 2022-01-04 | 重庆红岩建设机械制造有限责任公司 | 一种桥面病害检测方法、系统、设备及存储介质 |
CN116415688A (zh) * | 2023-03-27 | 2023-07-11 | 中国科学院空间应用工程与技术中心 | 一种流体回路状态监测基线模型在线学习方法及系统 |
CN116485729A (zh) * | 2023-04-03 | 2023-07-25 | 兰州大学 | 基于transformer的多级桥梁缺陷检测方法 |
US11748865B2 (en) | 2020-12-07 | 2023-09-05 | International Business Machines Corporation | Hierarchical image decomposition for defect detection |
CN116772729A (zh) * | 2023-08-22 | 2023-09-19 | 中铁二十三局集团第一工程有限公司 | 基于激光雷达的桥梁预制构件外观尺寸检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363961A (zh) * | 2018-01-24 | 2018-08-03 | 东南大学 | 基于卷积神经网络间迁移学习的桥梁支座病害识别方法 |
CN109658396A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法 |
CN110163858A (zh) * | 2019-05-27 | 2019-08-23 | 成都数之联科技有限公司 | 一种铝型材表面缺陷检测与分类方法及系统 |
CN110222701A (zh) * | 2019-06-11 | 2019-09-10 | 北京新桥技术发展有限公司 | 一种桥梁病害自动识别方法 |
CN110310262A (zh) * | 2019-06-19 | 2019-10-08 | 上海理工大学 | 一种用于检测轮胎缺陷的方法、装置及系统 |
-
2019
- 2019-12-28 CN CN201911383418.4A patent/CN111191714A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363961A (zh) * | 2018-01-24 | 2018-08-03 | 东南大学 | 基于卷积神经网络间迁移学习的桥梁支座病害识别方法 |
CN109658396A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法 |
CN110163858A (zh) * | 2019-05-27 | 2019-08-23 | 成都数之联科技有限公司 | 一种铝型材表面缺陷检测与分类方法及系统 |
CN110222701A (zh) * | 2019-06-11 | 2019-09-10 | 北京新桥技术发展有限公司 | 一种桥梁病害自动识别方法 |
CN110310262A (zh) * | 2019-06-19 | 2019-10-08 | 上海理工大学 | 一种用于检测轮胎缺陷的方法、装置及系统 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951218A (zh) * | 2020-07-09 | 2020-11-17 | 黄鹏 | 一种混合深度学习模型的口红质检系统 |
CN111985499A (zh) * | 2020-07-23 | 2020-11-24 | 东南大学 | 一种基于计算机视觉的高精度桥梁表观病害识别方法 |
CN112488990A (zh) * | 2020-11-02 | 2021-03-12 | 东南大学 | 一种基于注意力正则化机制的桥梁支座病害识别方法 |
CN112487925A (zh) * | 2020-11-25 | 2021-03-12 | 上海海事大学 | 一种桥梁载荷损伤识别方法及系统 |
CN112487925B (zh) * | 2020-11-25 | 2024-05-14 | 上海海事大学 | 一种桥梁载荷损伤识别方法及系统 |
US11748865B2 (en) | 2020-12-07 | 2023-09-05 | International Business Machines Corporation | Hierarchical image decomposition for defect detection |
CN113313107A (zh) * | 2021-04-25 | 2021-08-27 | 湖南桥康智能科技有限公司 | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 |
CN113313107B (zh) * | 2021-04-25 | 2023-08-15 | 湖南桥康智能科技有限公司 | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 |
CN113160209A (zh) * | 2021-05-10 | 2021-07-23 | 上海市建筑科学研究院有限公司 | 用于建筑外立面损伤检测的目标标注方法及目标识别方法 |
CN113139507A (zh) * | 2021-05-12 | 2021-07-20 | 保定金迪地下管线探测工程有限公司 | 一种排水管道缺陷照片自动截取方法及其系统 |
CN113888481A (zh) * | 2021-06-11 | 2022-01-04 | 重庆红岩建设机械制造有限责任公司 | 一种桥面病害检测方法、系统、设备及存储介质 |
CN116415688A (zh) * | 2023-03-27 | 2023-07-11 | 中国科学院空间应用工程与技术中心 | 一种流体回路状态监测基线模型在线学习方法及系统 |
CN116415688B (zh) * | 2023-03-27 | 2023-11-03 | 中国科学院空间应用工程与技术中心 | 一种流体回路状态监测基线模型在线学习方法及系统 |
CN116485729B (zh) * | 2023-04-03 | 2024-01-12 | 兰州大学 | 基于transformer的多级桥梁缺陷检测方法 |
CN116485729A (zh) * | 2023-04-03 | 2023-07-25 | 兰州大学 | 基于transformer的多级桥梁缺陷检测方法 |
CN116772729A (zh) * | 2023-08-22 | 2023-09-19 | 中铁二十三局集团第一工程有限公司 | 基于激光雷达的桥梁预制构件外观尺寸检测方法 |
CN116772729B (zh) * | 2023-08-22 | 2024-01-09 | 中铁二十三局集团第一工程有限公司 | 基于激光雷达的桥梁预制构件外观尺寸检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191714A (zh) | 桥梁外观损伤病害智能识别方法 | |
CN109785337B (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN108346144B (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
US20210390678A1 (en) | Method for monitoring manufacture of assembly units | |
Xu et al. | Recognition of rust grade and rust ratio of steel structures based on ensembled convolutional neural network | |
CN109635748B (zh) | 高分辨率影像中道路特征的提取方法 | |
CN110931112B (zh) | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 | |
CN110927171A (zh) | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 | |
CN109146847B (zh) | 一种基于半监督学习的晶圆图批量分析方法 | |
CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
JP2021515885A (ja) | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 | |
CN112489026B (zh) | 基于多分支并行卷积神经网络的沥青路面病害检测方法 | |
CN116543303A (zh) | 一种基于深度学习的桥梁板式橡胶支座病害识别检测方法 | |
CN111830070A (zh) | 一种基于边缘计算的缺陷自动识别评判系统及方法 | |
Xiong et al. | Pixel-Level patch detection from full-scale asphalt pavement images based on deep learning | |
Guo et al. | A road surface damage detection method using yolov4 with pid optimizer | |
CN116562590A (zh) | 一种桥梁施工及运营维护方法、系统、设备及介质 | |
CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
CN116796805A (zh) | 基于高斯过程回归和深度学习的pm2.5浓度预测方法 | |
Pâques et al. | Automatic Multi‐label Classification of Bridge Components and Defects Based on Inspection Photographs | |
CN114581697A (zh) | 一种基于示功图的采油机井供液能力监测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200522 |