CN111311668A - 一种基于卷积神经网络的清水混凝土表面气孔分析方法 - Google Patents
一种基于卷积神经网络的清水混凝土表面气孔分析方法 Download PDFInfo
- Publication number
- CN111311668A CN111311668A CN202010087943.8A CN202010087943A CN111311668A CN 111311668 A CN111311668 A CN 111311668A CN 202010087943 A CN202010087943 A CN 202010087943A CN 111311668 A CN111311668 A CN 111311668A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- concrete surface
- fair
- pore
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000009435 building construction Methods 0.000 abstract 1
- 238000010252 digital analysis Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000007 visual effect 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的清水混凝土表面气孔分析方法,该方法首先采集清水混凝土材料的外观图像,生成机器学习所需的数据集以供训练;然后采用卷积神经网络算法,对数据集进行深度学习,建立出可以自动识别和标定清水混凝土表面气孔的模型;最后,对于待识别的图像,利用该模型进行气孔识别和标定,并基于结果,从气孔面积率、气孔孔径分布、气孔分布均匀度这三个方面进行分析。本发明基于机器学习和卷积神经网络对清水混凝土表面气孔进行自动识别,为建筑施工中对于清水混凝土的评价验收提供的了客观的量化指标和数字化分析,克服了传统清水混凝土外观质量验收耗费人力资源以及人为误差大、效率低的问题。
Description
技术领域
本发明属于材料工程,具体涉及一种清水混凝土表面气孔的分析方法,尤其涉及一种基于卷积神经网络实现清水混凝土表面气孔分析方法。
背景技术
清水混凝土即一次成型,不做任何装饰的混凝土,其以混凝土本身的自然质感与精心设计的明缝、禅缝和对拉螺栓孔组合形成的自然状态作为装饰面的建筑表现形式,广泛应用于工业建筑、民用工程中高层、公共建筑以及市政桥梁中。清水混凝土是混凝土材料中最高级的表达形式,它显示的是一种最本质的美感,体现的是“素面朝天”的品位。清水混凝土具有朴实无华、自然沉稳的外观韵味,与生俱来的厚重与清雅是一些现代建筑材料无法效仿和媲美的,看似简单,其实比金碧辉煌更具艺术效。
国外清水混凝土的应用已建立了质量控制和验收标准体系,对清水饰面混凝土有着相当严格的要求。而我国尽管近几年清水混凝土施工技术在结构工程中得到了较为广泛的应用,却没有统一的清水混凝土质量标准,只能凭以往经验及工程实例进行操作,在大量的实际工程中往往参照抹灰验收标准制定工程的“内参”来进行施工指导。
此外,国内业内人士与建筑单位在对清水混凝土的定义与质量标准的认识上尚有较大的差异,清水混凝土的设计、施工无章可依,无规可循,缺乏清水混凝土质量验收标准和混凝土外观质量的评价方法和体系。清水混凝土外观质量以平顺性、缺陷性、感官性为评价指标,气孔作为影响缺陷性指标的重要因素之一,现有技术规程对其检验方法停留在人眼观察和人工测量上(表1),误差较大且效率低下。
表1现有规程气孔及其检验方法
近年来,随着人工智能领域的发展,机器学习方法已在各行各业上大展拳脚。受生物自然视觉认知机制的启发,研究者们构建了神经网络算法,对于要提取具有潜在复杂结构规则的自然图像、视频、语音和音乐等结构丰富数据进行深度学习,获取其本质特征。常见的神经网络算法有:卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN)、生成对抗网络(Generative Adversarial Network,GAN)等等。其中,卷积神经网络因其多核提取、局部感知、参数共享等优点备受青睐,已经被成功应用于计算机视觉、自然语言处理、生物特征识别、医学分析等领域。与人力相比,卷积神经网络无需拥有先验知识,能够在学习后准确、高效的达到目标。
然而,现有的用于神经网络学习的数据集还不够全面,尤其在材料科学领域,针对清水混凝土外观质量测评的方面还存在空缺。因此,如何基于先进的卷积神经网络算法,建立一个清水混凝土表面气孔自动识别和分析的模型和系统,对推进施工现场自动化、智能化,推广清水混凝土技术应用,具有很强的现实意义。
发明内容
发明目的:针对现有清水混凝土表面气孔分析技术依赖人工先验知识,具有效率低、人为误差大的问题,本发明提供一种基于卷积神经网络的清水混凝土表面气孔分析方法。
技术方案:一种基于卷积神经网络的清水混凝土表面气孔分析方法,所述方法基于卷积神经网络和图像识别,包括建立清水混凝土表面气孔识别标定模型以识别和计算气孔面积率、气孔孔径分布、气孔分布均匀度,步骤如下:
(1)采集清水混凝土表面图像,包括不同控制变量下的图像数据;
(2)对清水混凝土表面图像进行预处理,包括剔除无效图像、像素大小统一化、添加坐标信息和打标签处理;
(3)通过卷积神经网络训练样本集,基于交叉验证法选择一个平均测试误差最小的气孔识别和标定模型;
(4)基于清水混凝土表面气孔识别标定模型识别和计算气孔面积率、气孔孔径分布、气孔分布均匀度。
进一步的,步骤(1)中采集清水混凝土表面图像的控制变量包括采集角度、扫描速度、光照强度和混凝土表面的潮湿度。通过搭载扫描仪的无人机扫描或轨道式大幅面扫描仪组合交替的方式采集清水混凝土表面图像。
进一步的,步骤(2)依次进行剔除无效图像、像素大小统一化、添加坐标信息和打标签处理,包括采用labeling进行目标范围初步标定,然后以labelme进行轮廓标定。
进一步的,步骤(3)的交叉验证法为S折交叉验证法,具体步骤如下:
(31)随机地将已给数据切分成S个互不相交大小相同的子集;
(32)利用S-1个子集的数据训练模型,利用余下的子集测试;
(33)对可能的S种选择重复进行验,筛选出S次测评中平均测试误差最小的模型。
进一步的步骤(4)所述的气孔面积率为所有气孔的面积和清水混凝土表面积的比值。所述气孔孔径分布结果以分布直方图的形式输出,横坐标为气孔孔径直径,纵坐标为相应的气孔个数。所述的气孔分布均匀度的计算过程为:先将拍摄的清水混凝土表面图像的长和宽均以10mm为单位切割100mm2的单位面积,分别计算出每一小块单位面积的气孔面积率及标准差;所述气孔分布均匀度为标准差的倒数,单位气孔面积率的标准差越大,气孔分布均匀度越小。
有益效果:与现有技术相比,本发明所述方法显著效果如下:
(1)本发明采用无人机和大幅面轨道式扫描仪相结合的方法进行图像的采集工作,克服了人工拍摄时效率低、人为误差大、人工拍摄位置有限的问题,具有操作简单、对施工现场要求低、图像质量稳定的优点,可为现场工程带来便利;
(2)本发明首次提出利用卷积神经网络算法,对清水混凝土表面气孔进行识别和分析,该方法效率高、识别准确度高,极大节省了人力成本,推进了现场工程地自动化、智能化;
(3)本发明提出的清水混凝土表面气孔识别标定模型,输出的分析结果涵盖了气孔面积率、气孔孔径分布、气孔分布均匀度这三个方面,从局部到整体,系统地、规范地刻画出气孔的大小及分布情况,杜绝了以往人眼气孔检验的主观性和随意性,填补了我国清水混凝土工程验收质量标准的欠缺,有利于进一步推广清水混凝土材料的技术应用。
附图说明
图1为本发明所述方法实施整体流程框图;
图2为实施例中面光下无人机拍摄的清水混凝土表面图像;
图3为实施例中背光下无人机拍摄的清水混凝土表面图像;
图4为实施例中面光下轨道式大幅面扫描仪扫描的清水混凝土表面图像(扫描速度为5cm/s);
图5为实施例中面光下轨道式大幅面扫描仪扫描的清水混凝土表面图像(扫描速度为7cm/s);
图6为实施例中待测图像经清水混凝土表面气孔的识别标定模型的输出结果示意图。
具体实施方式
为了详细的说明本发明所公开的技术方案,下面结合说明书附图及具体实施例做进一步的阐述。
实施例1
针对现有清水混凝土表面气孔分析依赖人工先验知识,效率低、人为误差大的问题,本发明提供的一种基于卷积神经网络的清水混凝土表面气孔分析方法,所述分析方法为:利用卷积神经网络算法建立一个清水混凝土表面气孔识别和分析模型;拍摄待识别的清水混凝土外观图像,输入至该模型中,输出识别并标定好气孔的图像,以及三个气孔分析度量值:气孔面积率、气孔孔径分布、气孔分布均匀度。
其中,所述的清水混凝土表面气孔识别标定模型的建立包括以下步骤:
(s1)采集施工现场清水混凝土的图像;
为了克服人工测量效率低、误差大、拍摄面积有限的问题,采用无人机和扫描仪相结合的方式,对施工现场的清水混凝土外观进行图像采集。此外,考虑到各个区域各种天气下信息采集的成像差异,为了提高模型在实际应用场景中的鲁棒性,采集条件应涵盖不同的无人机采集角度、扫描仪扫描速度、采集精度,采集环境应涵盖各种风速、光强、光线照射角度、混凝土表面潮湿度。
具体而言,利用无人机进行航拍,得到全面全覆盖、高清高稳定的图像;对于围挡架构和墙体距离过近,人和无人机均无法进入拍摄的现场,使用轨道式大幅面扫描仪,通过水平多次移动和内嵌的无缝拼接软件,生成分辨率极高的清水混凝土外观图像。
(s2)对采集到的图像进行预处理,生成深度学习所需的数据集;
首先在所采集到的图像中剔除无效图像,并将剩余的有效图像的像素大小统一化。接着,利用origin软件对图像添加坐标信息。最后,使用labeling/labelme工具,对图像中的信息(气孔或者平滑表面)打上相应标签:用labeling进行目标大致范围标定后,再辅以labelme进行细致轮廓标定。
(s3)将数据集输入至卷积神经网络中,利用交叉验证法,以得到一个平均测试误差最小的气孔识别和标定模型。
采用S折交叉验证法,具体的实现方法为:首先随机地将已给数据切分成S个互不相交大小相同的子集;然后利用S-1个子集的数据训练模型,利用余下的子集测试;将这一过程对可能的S种选择重复进行;最后选出S次测评中平均测试误差最小的模型。
实施例2
图1所示为本发明的基于卷积神经网络的清水混凝土表面气孔分析方法整体框图,包括以下步骤:
101、建立清水混凝土表面气孔识别标定模型:利用卷积神经网络,对清水混凝土表面图像的特征信息进行深度学习,建立一个清水混凝土表面气孔识别标定模型。具体包括以下步骤:
1011、清水混凝土图像采集:在不同的现场施工情况下,利用无人机对施工现场清水混凝土进行航拍,得到全面全覆盖、高清高稳定的图像;对于围挡架构和墙体距离过近,人和无人机均无法进入拍摄的现场,使用轨道式大幅面扫描仪,通过水平多次移动和内嵌的无缝拼接软件,生成分辨率极高的清水混凝土外观图像。
1012、模型数据集生成:在所采集到的图像中剔除无效图像,并将剩余的有效图像的像素大小统一化。接着,利用origin软件对图像添加坐标信息。最后,使用labeling/labelme工具,对图像中的信息(气孔或者平滑表面)打上相应标签,得到模型训练所需要的数据集。
1013、卷积神经网络架构建立:基于神经网络算法对生成的数据集进行深度学习,利用反向传播算法依次确定神经网络各层的参数及权重,实现水混凝土表面气孔识别标定模型的网络结构,模型建立完成。
1014、模型测试与优化:随机地将数据集切分成S个互不相交大小相同的子集;然后利用S-1个子集的数据训练模型,利用余下的子集测试;将这一过程对可能的S种选择重复进行;最后选出S次测评中平均测试误差最小的模型。
102、清水混凝土表面气孔识别和标定:拍摄待识别分析的清水混凝土表面图像,将其像素裁剪为统一的大小后,输入至清水混凝土表面气孔识别标定模型,模型则可自动地对该输入图像进行气孔识别和标定。
103、清水混凝土表面气孔分析:利用图像的坐标信息,可对识别标定出的气孔,计算其直径、面积等,以进一步分析表面的气孔情况。具体需计算以下三个指标:
1031、气孔面积率:气孔面积率是指所有气孔的面积和清水混凝土表面积的比值。
1032、气孔孔径分布:气孔孔径分布结果将以分布直方图的形式展现,横坐标为气孔孔径直径,纵坐标为相应的气孔个数
1033、气孔分布均匀度:先将拍摄的清水混凝土表面图像的长和宽均以10mm为单位切割100mm2的单位面积,分别计算出每一小块单位面积的气孔面积率及标准差。气孔分布均匀度为标准差的倒数,即单位气孔面积率的标准差越大,气孔分布均匀度越小。
图1-图4为步骤1011的实例展示。从图中可以看出,无人机受光照影响较大,扫描仪受光照影响较小。扫描仪的扫描质量主要取决于扫描速度,扫描速度过快(>15cm/s)则无法进行稳定扫描,考虑现场作业的效率问题扫描速度也不宜过小,一般取5-10cm/s。
Claims (8)
1.一种基于卷积神经网络的清水混凝土表面气孔分析方法,其特征在于:所述方法基于卷积神经网络和图像识别,包括建立清水混凝土表面气孔识别标定模型以识别和计算气孔面积率、气孔孔径分布、气孔分布均匀度,步骤如下:
(1)采集清水混凝土表面图像,包括不同控制变量下的图像数据;
(2)对清水混凝土表面图像进行预处理,包括剔除无效图像、像素大小统一化、添加坐标信息和打标签处理;
(3)通过卷积神经网络训练样本集,基于交叉验证法选择一个平均测试误差最小的气孔识别标定模型;
(4)基于清水混凝土表面气孔识别标定模型识别和计算气孔面积率、气孔孔径分布、气孔分布均匀度。
2.根据权利要求1所述的基于卷积神经网络的清水混凝土表面气孔分析方法,其特征在于:步骤(1)中采集清水混凝土表面图像的控制变量包括采集角度、扫描速度、光照强度和混凝土表面的潮湿度。
3.根据权利要求2所述的基于卷积神经网络的清水混凝土表面气孔分析方法,其特征在于:通过搭载扫描仪的无人机扫描或轨道式大幅面扫描仪组合交替的方式采集清水混凝土表面图像。
4.根据权利要求1所述的基于卷积神经网络的清水混凝土表面气孔分析方法,其特征在于:步骤(2)依次进行剔除无效图像、像素大小统一化、添加坐标信息和打标签处理,包括采用labeling进行目标范围初步标定,然后以labelme进行轮廓标定。
5.根据权利要求1所述的基于卷积神经网络的清水混凝土表面气孔分析方法,其特征在于:步骤(3)的交叉验证法为S折交叉验证法,具体步骤如下:
(31)随机地将已给数据切分成S个互不相交大小相同的子集;
(32)利用S-1个子集的数据训练模型,利用余下的子集测试;
(33)对可能的S种选择重复进行验,筛选出S次测评中平均测试误差最小的模型。
6.根据权利要求1所述的基于卷积神经网络的清水混凝土表面气孔分析方法,其特征在于:步骤(4)所述的气孔面积率为所有气孔的面积和清水混凝土表面积的比值。
7.根据权利要求1所述的基于卷积神经网络的清水混凝土表面气孔分析方法,其特征在于:步骤(4)所述气孔孔径分布结果以分布直方图的形式输出,横坐标为气孔孔径直径,纵坐标为相应的气孔个数。
8.根据权利要求1所述的基于卷积神经网络的清水混凝土表面气孔分析方法,其特征在于:步骤(4)所述的气孔分布均匀度的计算过程为:先将拍摄的清水混凝土表面图像的长和宽均以10mm为单位切割100mm2的单位面积,分别计算出每一小块单位面积的气孔面积率及标准差;所述气孔分布均匀度为标准差的倒数,单位气孔面积率的标准差越大,气孔分布均匀度越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087943.8A CN111311668B (zh) | 2020-02-12 | 2020-02-12 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087943.8A CN111311668B (zh) | 2020-02-12 | 2020-02-12 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311668A true CN111311668A (zh) | 2020-06-19 |
CN111311668B CN111311668B (zh) | 2024-01-05 |
Family
ID=71160109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087943.8A Active CN111311668B (zh) | 2020-02-12 | 2020-02-12 | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311668B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751253A (zh) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
WO2022198797A1 (zh) * | 2021-03-25 | 2022-09-29 | 清华四川能源互联网研究院 | 水下混凝土磨损的评估方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 |
CN107067077A (zh) * | 2017-04-18 | 2017-08-18 | 武汉大学 | 一种卷积神经网络的加权算法 |
CN108805863A (zh) * | 2018-05-02 | 2018-11-13 | 南京工程学院 | 深度卷积神经网络结合形态学检测图像变化的方法 |
CN109934293A (zh) * | 2019-03-15 | 2019-06-25 | 苏州大学 | 图像识别方法、装置、介质及混淆感知卷积神经网络 |
CN110135296A (zh) * | 2019-04-30 | 2019-08-16 | 上海交通大学 | 基于卷积神经网络的机场跑道fod检测方法 |
CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
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 |
US10497250B1 (en) * | 2017-09-27 | 2019-12-03 | State Farm Mutual Automobile Insurance Company | Real property monitoring systems and methods for detecting damage and other conditions |
-
2020
- 2020-02-12 CN CN202010087943.8A patent/CN111311668B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 |
CN107067077A (zh) * | 2017-04-18 | 2017-08-18 | 武汉大学 | 一种卷积神经网络的加权算法 |
US10497250B1 (en) * | 2017-09-27 | 2019-12-03 | State Farm Mutual Automobile Insurance Company | Real property monitoring systems and methods for detecting damage and other conditions |
CN108805863A (zh) * | 2018-05-02 | 2018-11-13 | 南京工程学院 | 深度卷积神经网络结合形态学检测图像变化的方法 |
CN109934293A (zh) * | 2019-03-15 | 2019-06-25 | 苏州大学 | 图像识别方法、装置、介质及混淆感知卷积神经网络 |
CN110135296A (zh) * | 2019-04-30 | 2019-08-16 | 上海交通大学 | 基于卷积神经网络的机场跑道fod检测方法 |
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 |
CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751253A (zh) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
WO2022198797A1 (zh) * | 2021-03-25 | 2022-09-29 | 清华四川能源互联网研究院 | 水下混凝土磨损的评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111311668B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038853B (zh) | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 | |
CN107480611B (zh) | 一种基于深度学习卷积神经网络的裂缝识别方法 | |
CN109615611A (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN108897925A (zh) | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 | |
CN108898085A (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN109685848A (zh) | 一种三维点云与三维传感器的神经网络坐标变换方法 | |
CN109376773A (zh) | 基于深度学习的裂纹检测方法 | |
CN110232379A (zh) | 一种车辆姿态检测方法及系统 | |
CN112613097A (zh) | 一种基于计算机视觉的bim快速化建模方法 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
CN111311668B (zh) | 一种基于卷积神经网络的清水混凝土表面气孔分析方法 | |
CN112884768A (zh) | 基于神经网络的3d打印在线质量监测方法、系统、装置 | |
CN114359727A (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
CN111523540A (zh) | 基于深度学习的金属表面缺陷检测方法 | |
CN113160123A (zh) | 一种基于YOLOv5的皮革缺陷检测方法、系统及装置 | |
CN109766838A (zh) | 一种基于卷积神经网络的步态周期检测方法 | |
CN108509696A (zh) | 基于三维激光扫描技术的古建筑健康监测方法及装置 | |
KR20230132686A (ko) | PointNet++ 신경망 기반 콘크리트배관 손상 인식 및 체적 디스플레이 방법 | |
CN110133639A (zh) | 一种传力杆施工质量检测方法 | |
CN113970560A (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
CN1250195A (zh) | 用弹性模型自动检查打印质量 | |
CN111311695A (zh) | 一种基于卷积神经网络的清水混凝土表面色差分析方法 | |
CN114170449A (zh) | 一种基于深度学习的人工智能图像识别装置 | |
CN117314827A (zh) | 一种基于三维深度点云分割的张拉膜结构损伤检测方法 | |
CN116012528A (zh) | 一种大白菜卷曲性状量化的三维重建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |