CN111325724A - 隧道裂纹区域检测方法和装置 - Google Patents
隧道裂纹区域检测方法和装置 Download PDFInfo
- Publication number
- CN111325724A CN111325724A CN202010101625.2A CN202010101625A CN111325724A CN 111325724 A CN111325724 A CN 111325724A CN 202010101625 A CN202010101625 A CN 202010101625A CN 111325724 A CN111325724 A CN 111325724A
- Authority
- CN
- China
- Prior art keywords
- feature
- map set
- sub
- processing
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 161
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000001914 filtration Methods 0.000 claims abstract description 37
- 230000004913 activation Effects 0.000 claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000003213 activating effect Effects 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 12
- 235000019580 granularity Nutrition 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035040 seed growth Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000019587 texture Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013526 transfer learning Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明适用图像识别技术领域,提供了一种隧道裂纹区域检测方法和装置。该方法包括:获取隧道图像;通过第一预设卷积层对所述隧道图像进行卷积运算,并通过预设激活函数进行激活,获得第一特征图集;利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集;对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集;组合所述第二特征图集和所述第三特征图集,获得组合特征图集;基于所述组合特征图集中的图像特征信息,得到所述隧道图像的隧道裂纹区域检测结果。上述方法可以提高裂纹定位和分割隧道裂纹区域的准确性。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种隧道裂纹区域检测方法和装置。
背景技术
随着铁路和公路建设的快速发展,截至2018年底,我国成为世界上拥有隧道最多的国家。铁路隧道在铁路建设和运营中占据了重要地位。但由于隧道所处地质环境和大规模快速发展,隧道运营会面临很多挑战,其中隧道病害就是其中主要的一种。对于隧道原有检测方式来说,其更多的依靠人工巡检,其在具体巡检中可能受到人为因素的影响,如:在判别某座病害隧道时,不同技术人员在判别时,都将联系自身经验获得具有较大差别的判别结果,该情况无论是对于隧道的正常运行还是维修养护都将产生较大的影响。
随着计算机技术的高速发展,特别是图像处理与计算机视觉技术的发展,基于图像的无损检测技术已经成为了国内外隧道病害检测的研究热点。近年来,为了从影像中准确、快速、高效的提取隧道病害,国内外学者对此进行了广泛而深入的研究,并且取得了一些研究成果,包括针对路面裂缝的检测和提取的迭代阈值分割的方法和针对从影像中准确的提取裂缝的基于相邻差分直方图的裂缝分割算法。但这类基于阈值分割的裂缝识别方法虽然简单易用,但是并没有考虑影像表面环境的变化以及光照、噪声、纹理对于裂缝识别的影响,很难取得稳定的效果。隧道病害图像不同于传统的路面病害图像、岩石病害图像,它具有很多复杂的特性,比如背景纹理多样复杂、噪声种类繁多、分布无规律等。因此,传统的病害检测算法不能很好的对隧道病害进行检测。
随着深度学习中的卷积神经网络在图像识别领域取得巨大成功,深度学习也开始被应用到裂缝检测中。在国外,通过将深度学习应用到裂缝识别过程中,利用深度学习模型检测混凝土裂缝,由于采用深度学习模型属于目标检测模型,只能大体上确定一个接近裂纹的小长方形区域,无法实现高精度的裂纹区域分割。在国内,公开号为CN109376773A的专利文献采用的卷积神经网络模型为GoogleNet Inception V3,在该模型后添加一层全连接层实现模型的迁移学习的裂纹检测。该模型为卷积神经网络,也不能精确地进行裂纹区域的更精确分割。公开号为CN106910186A的专利文献,公开了一种基于卷积神经网络的桥梁裂缝检测定位方法,对局部噪声敏感,也不能准确对局部区域进行识别,难以满足对图像的裂缝检测。公开号为CN107133960A的专利文献中,公开了一种利用卷积神经网络的图像裂缝分割方法,该方法将原始图像输入深层卷积神经网络,经卷积、池化和激活层学习特征,获得特征图;通过对不同卷积层输出的特征图进行不同比例的上采样为与原始图像大小相同的特征图;再通过对这些上采样获得的特征图进行预测,获得对应位置所属类别,从而实现裂缝区域的定位和分割。但在该方法中,由于对一些输出层的上采样比例过大,使得这些特征图的信息不能精确地确定裂纹区域,因此,存在识别定位和分割不准确的缺点。
发明内容
有鉴于此,本发明实施例提供了一种隧道裂纹区域检测方法和装置,以解决现有技术中隧道裂纹定位和隧道裂纹区域分割不够精准的问题。
本发明实施例的第一方面提供了一种隧道裂纹区域检测方法,包括:
获取隧道图像;
通过第一预设卷积层对所述隧道图像进行卷积运算,并通过预设激活函数进行激活,获得第一特征图集;
利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集;
对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集;
组合所述第二特征图集和所述第三特征图集,获得组合特征图集;
基于所述组合特征图集中的图像特征信息,得到所述隧道图像的隧道裂纹区域检测结果。
可选的,在所述通过预设的激活函数进行激活之前,还包括:
对通过第一预设卷积层进行卷积运算后的隧道图像进行取反;
将进行卷积和取反后的隧道图像和进行卷积后的隧道图像进行连接处理,获得待激活特征图集;
对所述激活特征图集进行尺度操作和平移操作。
可选的,所述预设激活函数包括RReLU函数。
可选的,在所述通过预设激活函数进行激活,获得第一特征图集之后,还包括:
利用第二预设卷积层对所述第一特征图集进行卷积运算,以增加裂纹区域识别的感受野;
相应的,在获得第二特征图集时,利用预设层数的特征金字塔网络对经第二预设卷积层处理后的第一特征图集进行处理。
可选的,所述利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集,包括:
对所述第一特征图集通过特征金字塔网络的第一层进行处理,获得第一金字塔特征图集;
对第i-1金字塔特征图集通过特征金字塔网络的第i层进行处理,获得第i金字塔特征图集;i∈[2,N],其中,N表示特征金字塔网络的层数;
第一金字塔特征图集、第二金字塔特征图集…第N金字塔特征图集构成所述第二特征图集。
可选的,所述对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集,包括:
对所述隧道图像进行小波分解处理,获得待处理子图集;
对所述待处理子图集进行分解滤波处理,获得第一分解子图集;其中,所述分解滤波处理为对图集依次进行小波分解处理和非子采样方向滤波处理;
对第i-1分解子图集进行分解滤波处理,获得第i分解子图集,i∈[2,N];
第一分解子图集、第二分解子图集….第N分解子图集构成所述第三特征图集。
可选的,所述组合所述第二特征图集和所述第三特征图集,获得组合特征图集,包括:
将第N分解子图集和第N金字塔特征图集进行连接处理,获得第N组合特征子图集;
将第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集进行联合处理,获得第i-1组合特征子图集;其中,所述联合处理用于融合所述第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集中的图像特征信息;
将第N组合特征子图集依次进行1*1卷积处理和子采样处理,获得第N+1组合特征子图集;
第一组合特征子图集、第二组合特征子图集…第N+1组合特征子图集构成所述组合特征图集。
可选的,所述将第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集进行联合处理,获得第i-1组合特征子图集,包括:
将所述将第i-1分解子图集和第i-1金字塔特征图集进行连接处理后进行1*1卷积处理,获得第一联合特征图集;
将所述第i组合特征子图集进行2倍上采样处理,获得第二联合特征图集;
将所述第一联合图集和所述第二联合特征图集相加后进行3*3卷积处理,获得所述第i-1组合特征子图集。
可选的,所述基于所述组合特征图集中的图像特征信息,得到所述隧道图像裂纹区域检测结果,包括:
依次通过RPN层、ROIAlign层、Mask层和分类层对所述组合特征图集进行处理,实现裂纹区域的定位和分割。
本发明实施例的第二方面提供了一种隧道裂纹区域检测装置,包括:
图像获取模块,用于获取隧道图像;
第一处理模块,用于通过第一预设卷积层对所述隧道图像进行卷积运算,并通过预设激活函数进行激活,获得第一特征图集;
第二处理模块,用于利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集;
第三处理模块,用于对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集;
特征组合模块,用于组合所述第二特征图集和所述第三特征图集,获得组合特征图集;
目标检测模块,用于基于所述组合特征图集中的图像特征信息,得到所述隧道图像的裂纹区域检测结果。
本发明实施例首先获取隧道图像,通过第一预设卷积层对所述隧道图像进行卷积运算,并通过预设激活函数进行激活,获得第一特征图集;通过利用预设层数的特征金字塔网络对所述第一特征图集进行处理,可以获得由多个具有不同粗细粒度的特征图组成的第二特征图集,通过对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,可以获得多个表征原始隧道图像的多尺度特征信息和方向特征信息的特征图,构成第三特征图集;通过组合所述第二特征图集和所述第三特征图集,可以将第二特征图集中的不同粗细粒度特征信息和第三特征图集中的多尺度特征信息、方向特征信息进行融合,获得组合特征图集;基于该组合特征图集对隧道图像的隧道裂纹区域进行检测,可以提高定位和分割隧道裂纹区域的精准度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的隧道裂纹区域检测方法的实现流程示意图;
图2是发明实施例提供的改进的C.ReLU方法的结构示意图;
图3本发明实施例提供的第二预设卷积层的结构示意图;
图4是本发明实施例提供的利用预设层数的特征金字塔网络对所述第一特征图集进行处理的结构示意图;
图5是本发明实施例提供的对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理的结构示意图;
图6是本发明实施例提供的组合所述第二特征图集和所述第三特征图集的结构示意图;
图7是本发明实施例提供的联合处理的结构示意图;
图8是本发明实施例提供的基于所述组合特征图集中的图像特征信息,得到所述隧道图像的隧道裂纹区域检测结果的结构示意图;
图9是本发明另一实施例提供的隧道裂纹区域检测方法的流程结构框图;
图10是本发明实施例提供的隧道裂纹区域检测装置的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本申请的整体思路为通过4K相机拍摄隧道图像,将图像分为训练数据集和测试数据集,对训练数据集中的图像利用Labelme软件进行裂纹区域精确标定,利用本申请实施例提供的隧道裂纹区域检测方法在训练数据集中进行深度学习模型训练,直至训练完毕。利用训练好的深度学习模型参数对测试数据集进行检测,即利用训练好的隧道裂纹区域检测方法进行隧道裂纹区域检测,下文为检测隧道裂纹区域的方法的说明。
图1为本实施例提供的隧道裂纹区域检测方法的流程示意图,参示图1,该方法包括:
步骤S101,获取隧道图像。
本发明实施例中,首先将拍摄的隧道图像作为待检测图像。
步骤S102,通过第一预设卷积层对所述隧道图像进行卷积运算,并通过预设激活函数进行激活,通过第二预设卷积层卷积后获得第一特征图集。
步骤S103,利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集。
本发明实施例中,可以通过预设层数的特征金字塔网络对第一特征图集进行处理,获得具有多尺度的细粒度和粗粒度融合的第二特征图集。具体特征金字塔网络的层数可以根据实际需求进行选择,选择合适的层数,保证识别准确度和识别效率。
步骤S104,对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集。
本发明实施例中,对隧道图像,即待检测图像进行预设次数的小波分解处理和非子采样方向滤波处理,以获得具有方向特征信息和小波的多尺度信息的第三特征图集。
步骤S105,组合所述第二特征图集和所述第三特征图集,获得组合特征图集。
本发明实施例中,组合通过预设层数的特征金字塔处理得到的第二特征图集和通过预设次数的小波分解处理和非子采样方向滤波处理得到的第三特征图集,原始图像的多尺度多方向特征,得到具有更为全面的细粒度细节与高度概括的语义信息的组合特征图集。
步骤S106,基于所述组合特征图集中的图像特征信息,得到所述隧道图像的隧道裂纹区域检测结果。
本发明实施例中,基于所述组合特征图集中的图像特征信息,获取所述隧道图像的隧道裂纹区域检测结果,由于组合特征图集包括不同粗细粒度特征信息、多尺度特征信息和方向特征信息,基于这些特征信息进行后续处理,可以提高定位和分割隧道裂纹区域的精确性。本发明实施例中,后续的处理过程可以包括:将组合特征图集通过RPN层,即区域建议网络,筛选出可能包含裂缝的建议区域。通过ROIAlign层对可能包含裂缝的建议区域进行对齐,使得组合特征图集和待检测图像的像素相对应,并将组合特征图集和固定的特征对应起来。对经过上述步骤的建议区域通过分类层进行类别分类,并通过Mask层进行Mask生成,最终定位并分割出隧道图像中的包括裂纹的区域。
上述隧道裂纹区域检测方法,首先获取隧道图像,通过第一预设卷积层对所述隧道图像进行卷积运算,并通过预设激活函数进行激活,获得第一特征图集;通过利用预设层数的特征金字塔网络对所述第一特征图集进行处理,可以获得由多个具有不同粗细粒度的特征图组成的第二特征图集,通过对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,可以获得多个表征原始隧道图像的多尺度特征信息和方向特征信息的特征图,构成第三特征图集;通过组合所述第二特征图集和所述第三特征图集,可以将第二特征图集中的不同粗细粒度特征信息和第三特征图集中的多尺度特征信息、方向特征信息进行融合,获得组合特征图集;基于该组合特征图集对隧道图像的隧道裂纹区域进行检测,可以提高定位和分割隧道裂纹区域的精准度。
一些实施例中,在所述通过预设的激活函数进行激活之前,还可以包括:对通过第一预设卷积层进行卷积运算后的隧道图像进行取反;将进行卷积和取反后的隧道图像和进行卷积后的隧道图像进行连接处理,获得待激活特征图集;对所述激活特征图集进行尺度操作和平移操作。
一些实施例中,所述预设激活函数可以是RReLU函数。
本发明实施例中,利用改进的C.ReLU方法对隧道图像进行处理,流程如图2所示。该方法可以减少隧道图像在第一预设卷积层中的运算量,减少一半经过第一预设卷积层对所述隧道图像进行卷积运算输出的特征图个数,可以较为快速的得到特征图,提升运算效率。但后续通过将该部分特征图取反(Negation)得到另外一半特征图,将两部分特征图进行连接处理,并对最终特征图后增加尺度变化和平移操作处理,可以得到全部特征图,即在提升了运算效率的同时,也保证了训练的样本量。由于通过滤波器得到的特征图的每个通道和取反得到的每个通道具有不同的斜率和激活阈值,最后采用随机纠正线性单元(RReLU)作为激活函数层,不仅可以保持负值部分的斜率,并且使得负值的斜率在训练中是随机的,可以很好的避免神经元没有激活的现象。
一些实施例中,在所述通过预设激活函数进行激活,获得第一特征图集之后,还可以包括:利用第二预设卷积层对所述第一特征图集进行卷积运算,以增加裂纹区域识别的感受野;相应的,在获得第二特征图集时,利用预设层数的特征金字塔网络对经第二预设卷积层处理后的第一特征图集进行处理。
本发明实施例中,第二预设卷积层中可以采用类似于Inception的模块,如图3所示。在隧道裂纹图像的检测中,裂纹宽度较小,可以理解为需要较少的感受野,而裂纹的长度比较长,则需要较大的感受野。通过如图3所示的第二预设卷积层对第一特征图集进行处理,可以提高裂纹识别的感受野,利于提高裂纹宽度信息和长度信息的识别准确性。相应的,经过上述处理后,在后续的处理中,则利用预设层数的特征金字塔网络对经第二预设卷积层处理后的第一特征图集进行处理。
一些实施例中,所述利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集,可以包括:对所述第一特征图集通过特征金字塔网络的第一层进行处理,获得第一金字塔特征图集;对第i-1金字塔特征图集通过特征金字塔网络的第i层进行处理,获得第i金字塔特征图集;i∈[2,N],其中,N表示特征金字塔网络的层数;第一金字塔特征图集、第二金字塔特征图集…第N金字塔特征图集构成所述第二特征图集。
本发明实施例中,参示图4,本实施例中特征金字塔网络的预设层数为四层,图4中包含了前述实施例中的第二预设卷积层,该四层特征金字塔网络对经过第二预设卷积层处理后的第一特征图集进行处理,虚线框代表一层特征金字塔网络,每经过一层特征金字塔网络处理,获得一个金字塔特征图集,依次经过四层特征金字塔网络处理后,获得第一金字塔特征图集、第二金字塔特征图集、第三金字塔特征图集和第四金字塔特征图集,并且后一个金字塔特征图集的尺度为上一个金字塔特征图集的一半。所述第一特征图集经过具有四层卷积网络的特征金字塔网络处理后,得到具有不同尺度的四个金字塔特征图集,构成所述第二特征图集。
一些实施例中,所述对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集,可以包括:对所述隧道图像进行小波分解处理,获得待处理子图集;对所述待处理子图集进行分解滤波处理,获得第一分解子图集;其中,所述分解滤波处理为对图集依次进行小波分解处理和非子采样方向滤波处理;对第i-1分解子图集进行分解滤波处理,获得第i分解子图集,i∈[2,N];第一分解子图集、第二分解子图集….第N分解子图集构成所述第三特征图集。
本发明实施例中,参示图5,对所述隧道图像首先进行一次小波分解处理,获得具有待处理子图集(图中未标出),该待处理子图集包括低频子带和高频子带。之后对经过第一次小波分解处理后的低频子带进行第一级小波分解,将该级分解的三个高频子带进行非子采样方向滤波器分解,每个小波高频子带分解为8个方向,合计得到24个方向子带,该24个方向子带构成第一分解子图集,记为第一次分解滤波处理。之后将经过第一级小波分解得到的低频子带再进行第二级小波分解,再将其高频子带进行8个方向的方向分解,得到24个高频方向子带,该级的24个方向子带构成第二分解子图集,记为第二次分解滤波处理。依次进行四级分解滤波处理,分别得到第一分解子图集、第二分解子图集、第三分解子图集和第四分解子图集,构成所述第三特征图集。其中非子采样方向滤波器分解参数为:方向滤波器为:'pkva'。本实施例中得到的分解子图集包含了隧道图像的方向特征信息和小波的多尺度信息,且尺度与金字塔特征图集的尺度一一对应。
一些实施例中,所述组合所述第二特征图集和所述第三特征图集,获得组合特征图集,可以包括:将第N分解子图集和第N金字塔特征图集进行连接处理,获得第N组合特征子图集;将第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集进行联合处理,获得第i-1组合特征子图集;其中,所述联合处理用于融合所述第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集中的图像特征信息;将第N组合特征子图集依次进行1*1卷积处理和子采样处理,获得第N+1组合特征子图集;第一组合特征图子集、第二组合特征子图集…第N+1组合特征子图集构成所述组合特征图集。
本发明实施例中,参示图6,为了方便描述,延续上述实施例中的特征金字塔网络的层数和分解滤波处理的次数。本发明实施例的目的在于将第二特征图集中的不同粗细粒度特征信息和第三特征图集中的多尺度特征信息、方向特征信息进行融合,获得具有更为全面的细粒度细节与高度概括的语义信息的组合特征图集。具体的,将第四分解子图集和第四金字塔特征图集进行连接处理,获得第四组合特征子图集(图6中未标示,可参示图4中的第四金字塔特征图集和图5中的第四分解子图集,下文同理);将第三分解子图集、第三金字塔特征图集和第四组合特征子图集进行联合处理,获得第三组合特征子图集;将第二分解子图集、第二金字塔特征图集和第三组合特征子图集进行联合处理,获得第二组合特征子图集;将第一分解子图集、第一金字塔特征图集和第二组合特征子图集进行联合处理,获得第一组合特征子图集;其中,联合处理用于融合第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集中的图像特征信息。将第四组合特征子图集依次进行1*1卷积处理和子采样处理,获得第五组合特征子图集;第一组合特征子图集、第二组合特征子图集…第五组合特征子图集构成所述组合特征图集。本实施例中的处理方法可以得到更为全面表征隧道图像的细粒度细节与高度概括的语义信息的组合特征图集。
一些实施例中,所述将第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集进行联合处理,获得第i-1组合特征子图集,可以包括:将所述将第i-1分解子图集和第i-1金字塔特征图集进行连接处理后进行1*1卷积处理,获得第一联合图集;将所述第i组合特征子图集进行2倍上采样处理,获得第二联合图集;将所述第一联合图集和所述第二联合图集相加后进行3*3卷积处理,获得所述第i-1组合特征子图集。
本发明实施例中,参示图7,卷积代表经由各层特征金字塔网络处理得到的金字塔特征图集,方向滤波器代表经由各级方向滤波分解得到的分解子图集,联合处理具体可以包括:将所述将第三分解子图集和第三金字塔特征图集进行连接处理后进行1*1卷积处理进行降维,获得第一联合图集;将所述第四组合特征子图集进行2倍上采样处理,使其与上一层的第三分解子图集和第三金字塔特征图集的尺度相同,获得第二联合图集;将所述第一联合图集和所述第二联合图集相加后进行3*3卷积处理,获得所述第三组合特征子图集。第二组合特征子图集和第一组合特征子图集的获得过程同理,在此不再赘述。本实施例中的联合处理过程可以融合相邻层级的不同粗细粒度特征信息、多尺度特征信息和方向特征信息,增添了更多的语义信息。
一些实施例中,所述基于所述组合特征图集中的图像特征信息,得到所述隧道图像的隧道裂纹区域检测结果,可以包括:依次通过RPN层、ROIAlign层、Mask层和分类层对所述组合特征图集进行处理,实现裂纹区域的定位和分割。
本发明实施例中,参示图8,区域建议网络(RPN层)接受第一至第五组合特征子图集[P5,P4,P3,P2,P1]作为输入变量,对五个组合特征子图集分别生成锚点,每个锚点生成五种大小和三种形状的候选框。每个锚点对应大小为:[32,64,128,256,512],三种不同的长宽比例为:(1:1,1:2,2:1)。对每一个候选框分配一个二进制的标签(分别表示前景与背景),对于区域建议网络产生的过多的建议区域采取以非极大抑制(NMS)算法筛选得到建议区域。
ROIAlign层将不同尺度特征图的建议区域进行兴趣区域对齐(ROIAlign)操作,将隧道图像和特征图的像素对应起来,同时,将特征图和固定的特征对应起来。具体的,将筛选得到的建议区域分割成四个单元,每个单元中计算固定四个坐标位置,用双线性内插的方法计算出这四个位置的值,然后再进行最大池化操作,得到相同尺寸的特征图,将各层经过兴趣区域对齐操作后的建议区域特征图进行1*1卷积操作,采用对应维度对应像素逐个像素值累加的方式,实现特征融合。
经过上述处理后,通过Mask层和分类层进行类别分类和Mask生成。具体的,经过上述处理获得7×7×256的建议区域特征图,通过分类层将其进行7*7卷积,得到维度为1024的特征,再进行1*1卷积得到维度为1024大小为1*1的特征,最后确定分类与回归。Mask层利用反卷积进行分辨率的提升,同时减少通道的个数变为14×14×256,然后进行五次相同的3*3卷积操作,再进行一次反卷积,输出为28×28×256,再进行降维操作,使最终输出为28×28×2(背景与裂缝)的模版(Mask),得到隧道图像的裂纹区域二值图,从而确定裂缝语义分割区域,实现隧道裂纹区域的定位与分割。
一些实施例中,在实现隧道裂纹区域的定位与分割后,还通过种子生长法进行连通域操作,获取隧道图像的裂纹区域二值图中裂纹联通区域的个数,并进行裂纹宽度测量和长度的测量。
本发明实施例中,在利用种子生长法进行连通域操作,获取隧道图像的裂纹区域二值图中裂纹联通区域的个数以及各个联通区域点集。具体的,计算裂纹长度时:取一个裂缝联通区域上任意两个像素点m(xm,ym),n(xn,yn),则两点的距离裂缝的长度L即为裂缝区域任意两点间的最大长度:L=max(Dmn)。
本发明实施例中,计算裂纹宽度时,从裂缝二值图像的左上角开始自上而下扫描,直到遇到裂缝像素点P0(x,y),以P0为起点,沿着P0点的方向寻找该方向裂缝骨架上的第二个像素点P1(x,y),同理找出裂缝骨架上的第三个像素点P2(x,y),根据P0、P1、P2三个相邻像素点确定抛物线y=ax2+bx+c,则该抛物线一阶导数在P0(x,y)像素点处的值即为在该点切线的斜率k,过点P0(x,y)做该点切线的法线与裂缝骨架交于点L0(xl,yl)与点R0(xr,yr),两点的距离 即为该像素点处的裂缝宽度。
参示图9,图9为本发明另一实施例提供的隧道裂纹区域检测方法的流程结构框图,其中各部分已在上文中全部记载说明,在此不再赘述。
本领域技术人员可以理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的隧道裂纹区域检测方法,本实施例提供了一种隧道裂纹区域检测装置。具体参见图10,为本实施例中隧道裂纹区域检测装置的结构示意图。为了便于说明,仅示出了与本实施例相关的部分。
是是隧道裂纹区域检测装置包括:
图像获取模块100,用于获取隧道图像。
第一处理模块110,用于通过第一预设卷积层对所述隧道图像进行卷积运算,并通过预设激活函数进行激活,获得第一特征图集。
第二处理模块120,用于利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集。
第三处理模块130,用于对所述道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集。
特征组合模块140,用于组合所述第二特征图集和所述第三特征图集,获得组合特征图集。
目标检测模块150,用于基于所述组合特征图集中的图像特征信息,得到所述隧道图像的隧道裂纹区域检测结果。
一些实施例中,第一处理模块110还用于:在所述通过预设的激活函数进行激活之前,对通过第一预设卷积层进行卷积运算后的隧道图像进行取反;将进行卷积和取反后的隧道图像和进行卷积后的隧道图像进行连接处理,获得待激活特征图集;对所述激活特征图集进行尺度操作和平移操作。
一些实施例中,所述预设激活函数包括RReLU函数。
一些实施例中,第一处理模块110还用于:在所述通过预设激活函数进行激活,获得第一特征图集之后,利用第二预设卷积层对所述第一特征图集进行卷积运算,以增加裂纹区域识别的感受野;相应的,在获得第二特征图集时,利用预设层数的特征金字塔网络对经第二预设卷积层处理后的第一特征图集进行处理。
一些实施例中,所述利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集,可以包括:对所述第一特征图集通过特征金字塔网络的第一层进行处理,获得第一金字塔特征图集;对第i-1金字塔特征图集通过特征金字塔网络的第i层进行处理,获得第i金字塔特征图集;i∈[2,N],其中,N表示特征金字塔网络的层数;第一金字塔特征图集、第二金字塔特征图集…第N金字塔特征图集构成所述第二特征图集。
一些实施例中,所述对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集,可以包括:对所述隧道图像进行小波分解处理,获得待处理子图集;对所述待处理子图集进行分解滤波处理,获得第一分解子图集;其中,所述分解滤波处理为对图集依次进行小波分解处理和非子采样方向滤波处理;对第i-1分解子图集进行分解滤波处理,获得第i分解子图集,i∈[2,N];第一分解子图集、第二分解子图集….第N分解子图集构成所述第三特征图集。
一些实施例中,所述组合所述第二特征图集和所述第三特征图集,获得组合特征图集,可以包括:将第N分解子图集和第N金字塔特征图集进行连接处理,获得第N组合特征子图集;将第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集进行联合处理,获得第i-1组合特征子图集;其中,所述联合处理用于融合所述第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集中的图像特征信息;将第N组合特征子图集依次进行1*1卷积处理和子采样处理,获得第N+1组合特征子图集;第一组合特征子图集、第二组合特征子图集…第N+1组合特征子图集构成所述组合特征图集。
一些实施例中,所述将第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集进行联合处理,获得第i-1组合特征子图集,可以包括:将所述将第i-1分解子图集和第i-1金字塔特征图集进行连接处理后进行1*1卷积处理,获得第一联合图集;将所述第i组合特征子图集进行2倍上采样处理,获得第二联合图集;将所述第一联合图集和所述第二联合图集相加后进行3*3卷积处理,获得所述第i-1组合特征子图集。
一些实施例中,所述基于所述组合特征图集中的图像特征信息,得到所述隧道图像的隧道裂纹区域检测结果,可以包括:依次通过RPN层、ROIAlign层、Mask层和分类层对所述组合特征图集进行处理,实现裂纹区域的定位和分割。
一些实施例中,目标检测模块150还用于:在实现隧道裂纹区域的定位与分割后,通过种子生长法进行连通域操作,获取隧道图像的裂纹区域二值图中裂纹联通区域的个数,并进行裂纹宽度测量和长度的测量。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模型的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种隧道裂纹区域检测方法,其特征在于,包括:
获取隧道图像;
通过第一预设卷积层对所述隧道图像进行卷积运算,并通过预设激活函数进行激活,获得第一特征图集;
利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集;
对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集;
组合所述第二特征图集和所述第三特征图集,获得组合特征图集;
基于所述组合特征图集中的图像特征信息,得到所述隧道图像的隧道裂纹区域检测结果。
2.如权利要求1所述的隧道裂纹区域检测方法,其特征在于,在所述通过预设的激活函数进行激活之前,还包括:
对通过第一预设卷积层进行卷积运算后的隧道图像进行取反;
将进行卷积和取反后的隧道图像和进行卷积后的隧道图像进行连接处理,获得待激活特征图集;
对所述激活特征图集进行尺度操作和平移操作。
3.如权利要求2所述的隧道裂纹区域检测方法,其特征在于,所述预设激活函数包括RReLU函数。
4.如权利要求1所述的隧道裂纹区域检测方法,其特征在于,在所述通过预设激活函数进行激活,获得第一特征图集之后,还包括:
利用第二预设卷积层对所述第一特征图集进行卷积运算,以增加裂纹区域识别的感受野;
相应的,在获得第二特征图集时,利用预设层数的特征金字塔网络对经第二预设卷积层处理后的第一特征图集进行处理。
5.如权利要求1所述的隧道裂纹区域检测方法,其特征在于,所述利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集,包括:
对所述第一特征图集通过特征金字塔网络的第一层进行处理,获得第一金字塔特征图集;
对第i-1金字塔特征图集通过特征金字塔网络的第i层进行处理,获得第i金字塔特征图集;i∈[2,N],其中,N表示特征金字塔网络的层数;
第一金字塔特征图集、第二金字塔特征图集…第N金字塔特征图集构成所述第二特征图集。
6.如权利要求5所述的隧道裂纹区域检测方法,其特征在于,所述对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集,包括:
对所述隧道图像进行小波分解处理,获得待处理子图集;
对所述待处理子图集进行分解滤波处理,获得第一分解子图集;其中,所述分解滤波处理为对图集依次进行小波分解处理和非子采样方向滤波处理;
对第i-1分解子图集进行分解滤波处理,获得第i分解子图集,i∈[2,N];
第一分解子图集、第二分解子图集….第N分解子图集构成所述第三特征图集。
7.如权利要求6所述的隧道裂纹区域检测方法,其特征在于,所述组合所述第二特征图集和所述第三特征图集,获得组合特征图集,包括:
将第N分解子图集和第N金字塔特征图集进行连接处理,获得第N组合特征子图集;
将第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集进行联合处理,获得第i-1组合特征子图集;其中,所述联合处理用于融合所述第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集中的图像特征信息;
将第N组合特征子图集依次进行1*1卷积处理和子采样处理,获得第N+1组合特征子图集;
第一组合特征子图集、第二组合特征子图集…第N+1组合特征子图集构成所述组合特征图集。
8.如权利要求7所述的隧道裂纹区域检测方法,其特征在于,所述将第i-1分解子图集、第i-1金字塔特征图集和第i组合特征子图集进行联合处理,获得第i-1组合特征子图集,包括:
将所述将第i-1分解子图集和第i-1金字塔特征图集进行连接处理后进行1*1卷积处理,获得第一联合特征图集;
将所述第i组合特征子图集进行2倍上采样处理,获得第二联合特征图集;
将所述第一联合特征图集和所述第二联合特征图集相加后进行3*3卷积处理,获得所述第i-1组合特征子图集。
9.如权利要求1所述的隧道裂纹区域检测方法,其特征在于,所述基于所述组合特征图集中的图像特征信息,得到所述隧道图像的隧道裂纹区域检测结果,包括:
依次通过RPN层、ROIAlign层、Mask层和分类层对所述组合特征图集进行处理,实现裂纹区域的定位和分割。
10.一种隧道裂纹区域检测装置,其特征在于,包括:
图像获取模块,用于获取隧道图像;
第一处理模块,用于通过第一预设卷积层对所述隧道图像进行卷积运算,并通过预设激活函数进行激活,获得第一特征图集;
第二处理模块,用于利用预设层数的特征金字塔网络对所述第一特征图集进行处理,获得第二特征图集;
第三处理模块,用于对所述隧道图像进行预设次数的小波分解处理和非子采样方向滤波处理,获得第三特征图集;
特征组合模块,用于组合所述第二特征图集和所述第三特征图集,获得组合特征图集;
目标检测模块,用于基于所述组合特征图集中的图像特征信息,得到所述隧道图像的隧道裂纹区域检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010101625.2A CN111325724B (zh) | 2020-02-19 | 2020-02-19 | 隧道裂纹区域检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010101625.2A CN111325724B (zh) | 2020-02-19 | 2020-02-19 | 隧道裂纹区域检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325724A true CN111325724A (zh) | 2020-06-23 |
CN111325724B CN111325724B (zh) | 2023-06-09 |
Family
ID=71172733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010101625.2A Active CN111325724B (zh) | 2020-02-19 | 2020-02-19 | 隧道裂纹区域检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325724B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378825A (zh) * | 2021-07-09 | 2021-09-10 | 中海石油(中国)有限公司 | 一种基于人工智能的砂岩薄片图像鉴定方法和系统 |
WO2022227405A1 (zh) * | 2021-04-26 | 2022-11-03 | 深圳市商汤科技有限公司 | 道路病害检测方法及装置、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030215141A1 (en) * | 2002-05-20 | 2003-11-20 | Zakrzewski Radoslaw Romuald | Video detection/verification system |
CN1588445A (zh) * | 2004-07-22 | 2005-03-02 | 上海交通大学 | 基于方向滤波器组的图像融合方法 |
US20070175998A1 (en) * | 2005-09-01 | 2007-08-02 | Lev Zvi H | System and method for reliable content access using a cellular/wireless device with imaging capabilities |
CN103926616A (zh) * | 2014-04-11 | 2014-07-16 | 中国海洋石油总公司 | 一种基于叠前crp道集的多尺度各向异性扩散滤波方法 |
CN105335972A (zh) * | 2015-10-20 | 2016-02-17 | 江南大学 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
CN107220962A (zh) * | 2017-04-07 | 2017-09-29 | 北京工业大学 | 一种隧道裂纹的图像检测方法和装置 |
US20180018757A1 (en) * | 2016-07-13 | 2018-01-18 | Kenji Suzuki | Transforming projection data in tomography by means of machine learning |
CN108154192A (zh) * | 2018-01-12 | 2018-06-12 | 西安电子科技大学 | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 |
CN108648174A (zh) * | 2018-04-04 | 2018-10-12 | 上海交通大学 | 一种基于自动对焦技术的多层图像融合方法及系统 |
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 |
CN110348411A (zh) * | 2019-07-16 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置和设备 |
-
2020
- 2020-02-19 CN CN202010101625.2A patent/CN111325724B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030215141A1 (en) * | 2002-05-20 | 2003-11-20 | Zakrzewski Radoslaw Romuald | Video detection/verification system |
CN1588445A (zh) * | 2004-07-22 | 2005-03-02 | 上海交通大学 | 基于方向滤波器组的图像融合方法 |
US20070175998A1 (en) * | 2005-09-01 | 2007-08-02 | Lev Zvi H | System and method for reliable content access using a cellular/wireless device with imaging capabilities |
CN103926616A (zh) * | 2014-04-11 | 2014-07-16 | 中国海洋石油总公司 | 一种基于叠前crp道集的多尺度各向异性扩散滤波方法 |
CN105335972A (zh) * | 2015-10-20 | 2016-02-17 | 江南大学 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
US20180018757A1 (en) * | 2016-07-13 | 2018-01-18 | Kenji Suzuki | Transforming projection data in tomography by means of machine learning |
CN107220962A (zh) * | 2017-04-07 | 2017-09-29 | 北京工业大学 | 一种隧道裂纹的图像检测方法和装置 |
CN108154192A (zh) * | 2018-01-12 | 2018-06-12 | 西安电子科技大学 | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 |
CN108648174A (zh) * | 2018-04-04 | 2018-10-12 | 上海交通大学 | 一种基于自动对焦技术的多层图像融合方法及系统 |
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 |
CN110348411A (zh) * | 2019-07-16 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置和设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022227405A1 (zh) * | 2021-04-26 | 2022-11-03 | 深圳市商汤科技有限公司 | 道路病害检测方法及装置、电子设备和存储介质 |
CN113378825A (zh) * | 2021-07-09 | 2021-09-10 | 中海石油(中国)有限公司 | 一种基于人工智能的砂岩薄片图像鉴定方法和系统 |
CN113378825B (zh) * | 2021-07-09 | 2024-04-05 | 中海石油(中国)有限公司 | 一种基于人工智能的砂岩薄片图像鉴定方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111325724B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110909666B (zh) | 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法 | |
CN109829903B (zh) | 一种基于卷积去噪自编码器的芯片表面缺陷检测方法 | |
CN112232391B (zh) | 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法 | |
Liu et al. | FPCNet: Fast pavement crack detection network based on encoder-decoder architecture | |
CN111179229A (zh) | 一种基于深度学习的工业ct缺陷检测方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN113435411B (zh) | 一种基于改进DeepLabV3+的露天矿区土地利用识别方法 | |
CN111783819B (zh) | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN111105389A (zh) | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN114596316A (zh) | 一种基于语义分割的道路图像细节抓取方法 | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
CN114049538A (zh) | 基于udwgan++网络的机场裂缝图像对抗生成方法 | |
CN115456955A (zh) | 一种球笼防尘罩内部毛刺缺陷检测方法 | |
CN111178121A (zh) | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 | |
CN112927237A (zh) | 基于改进SCB-Unet网络的蜂窝肺病灶分割方法 | |
CN115937518A (zh) | 一种基于多源图像融合的路面病害识别方法及系统 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 |
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 |