CN111402209B - 一种基于U-Net的高速铁路钢轨损伤检测方法 - Google Patents
一种基于U-Net的高速铁路钢轨损伤检测方法 Download PDFInfo
- Publication number
- CN111402209B CN111402209B CN202010138082.1A CN202010138082A CN111402209B CN 111402209 B CN111402209 B CN 111402209B CN 202010138082 A CN202010138082 A CN 202010138082A CN 111402209 B CN111402209 B CN 111402209B
- Authority
- CN
- China
- Prior art keywords
- image
- rail damage
- damage detection
- training
- speed railway
- 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
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于U‑Net的高速铁路钢轨损伤检测方法,包括如下步骤:搭建高速铁路钢轨损伤检测现实场景,获取钢轨损伤的检测图像;在采集的每个原始图像中标记钢轨损伤区域并将注释保存;通过平移、旋转和缩放的数据增强操作来扩充训练样本;设置钢轨损伤检测网络模型的参数,输入图像及其对应的分割图,通过深度学习算法平台实现检测网络的训练,并根据训练网络的评价指标来修改检测网络模型参数,直至得到评价指标;依据U‑Net网络计算出的分割图在原始输入图像上用矩形框进行标记,如果所采集的图像包含缺陷,则在计算机中提示相关处理结果,并将含缺陷工件标识入库。本发明能够适用于不同条件下的钢轨损伤裂纹检测,泛化性较强和准确率较高。
Description
技术领域
本发明涉及视觉检测技术领域,具体涉及一种基于U-Net的高速铁路钢轨损伤检测方法。
背景技术
铁路行业的发展在我国交通运输系统中发挥着重要的作用,钢轨作为铁路轨道设备的重要组成部分,在整个交通运输安全体系中处于战略地位。近年来,高速铁路的发展进入蓬勃时期,铁路的运输量大大增加,这对高速列车的安全行驶提出了更高的要求。同时,对铁路损伤的管理工作也会更加严格和紧迫。而高速铁路轨道表面缺陷是最常见和最重要的失效形式之一,涉及轨道表面缺陷,由于高应力而引起的滚动接触疲劳,轨道头剥落和轨道波纹,在高速列车运行时它们是潜在的严重风险。
现有技术的高速铁路钢轨损伤检测主要由专业的人类观察员和传统的机器视觉方法完成,这两种方法都存在很多不足。其中,人工检测方法不仅造成严重的人力资源浪费,而且检测精度不高、耗时;而传统的机器视觉方法需要小波变换、阈值分割、特征提取等图像处理操作,这种方法耗时且具有单一性,无法适应不同的产品。
发明内容
有鉴于此,为了解决现有技术中的上述问题,本发明提出一种基于U-Net的高速铁路钢轨损伤检测方法,其只需使用适当数量的训练图像,就可以快速适应高速铁路钢轨新类型的产品和表面缺陷,对于提升高速铁路钢轨损伤检测的准确率和效率有重要作用。
本发明通过以下技术手段解决上述问题:
一种基于U-Net的高速铁路钢轨损伤检测方法,包括如下步骤:
图像采集:搭建高速铁路钢轨损伤检测现实场景,通过深度相机获取钢轨损伤的检测图像;
图像注释:使用图像注释工具,在采集的每个原始图像中标记钢轨损伤区域并将注释保存;
图像预处理:将每个原始图像和对应的标签均变成相同像素分辨率的图片,并通过翻转、颜色抖动和高斯模糊的数据增强操作来扩充训练样本以提高网络的泛化能力,并按比例将数据集随机分成训练集、验证集和测试集;
模型训练:设置钢轨损伤检测网络模型的参数,输入图像及其对应的分割图,通过深度学习算法平台实现检测网络的训练,并根据训练网络的评价指标来修改检测网络模型参数,直至得到评价指标;
利用模型进行裂纹检测:依据U-Net网络计算出的分割图在原始输入图像上用矩形框进行标记,如果所采集的图像包含缺陷,则在计算机中提示相关处理结果,并将含缺陷工件标识入库,如果没有缺陷则丢弃图像继续运行。
进一步地,高速铁路钢轨损伤检测现实场景包括:
相机,用于连续采集图像,并将图像送至计算机中;
光源,用于使图像中的目标信息与背景信息得到最佳分离,大大降低图像处理的算法难度,同时提高检测系统的精度和可靠性;
计算机,用于分析图像特征,完成钢轨损伤检测模型的训练,实时检测出图像中是否包含缺陷,如果没有缺陷则丢弃图像并继续运行,如果所采集的图像包含缺陷,则报警装置对有缺陷的图像进行报警;
报警装置,用于对有缺陷的图像进行报警,最终完成钢轨损伤检测。
进一步地,图像预处理操作包括:
数据增强操作包括翻转、颜色抖动和高斯噪声;
其中,翻转是将图像的左右或上下部分以图像垂直中轴线为中心进行镜像兑换;颜色抖动是将图像变换到HSV颜色空间,然后随机改变图像的曝光度、饱和度和色调,最后再将变换后的图像转到RGB空间,随机形成不同光照及颜色下的图片,达到数据增强的目的;高斯噪声是在原图上添加高斯分布的模板,从而使图像变得模糊;
在图像预处理时,需将图像边界模糊、标记错误的数据集删除,之后选取200张图像作为数据集,其中70%的数据集用于训练,10%的数据集用于验证,20%的数据集用于测试。
进一步地,钢轨损伤检测网络模型具体为:
由一个收缩路径和一个扩展路径组成;收缩路径遵循卷积网络的典型架构,它由两个3×3卷积层的重复使用组成,每个卷积层后跟一个ReLU函数激活层和一个步长为2、池化核为2×2的最大池化层用于对图像进行下采样;在每个下采样步骤中,将特征通道的数量加倍;扩展路径中的每个步骤都包括对特征图进行上采样,随后进行2×2卷积,以对特征通道的数量减半,并与从收缩路径中相应裁剪的特征图进行级联,再加上两个3×3卷积层,每个卷积单元后跟一个ReLU函数激活层;由于边界像素的丢失,必须对每个卷积单元进行裁剪;在最后一层,使用1×1卷积将每个64通道的特征向量映射到所需的类上;该网络总共有23个卷积层;为了无缝拼接输出分割图,重要的是选择输入图块大小,以便将所有2×2最大池化操作应用于x和y大小均等的图层。
进一步地,模型训练中,由于钢轨表面损伤区域与周围正常组织的像素不连续,故使用形态学运算来分割边界,分割权重公式为:
式(1)中,wc表示平衡类频率,w0表示初始权重,d1表示损伤区域到最近边界的距离,d2表示损伤区域到第二近的边界距离,σ表示像素个数;
在模型训练之后,使用准确率、召回率、损失曲线的评估指标对模型训练结果进行评估。
进一步地,图像注释中,所述图像注释工具为LabelMe。
进一步地,图像注释中,在采集的每个原始图像中标记钢轨损伤区域并将注释保存为JSON文件。
进一步地,图像预处理中,将每个原始图像和对应的标签均变成160×1000像素分辨率的图片。
与现有技术相比,本发明的有益效果至少包括:
与传统的机器学习方法相比,本发明所提出的深度学习算法可以直接从底层数据中学习特征,具有更高的复杂结构表达能力,能够适用于不同条件下的钢轨损伤裂纹检测,泛化性较强和准确率较高。
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是本发明基于U-Net的高速铁路钢轨损伤检测方法的流程图;
图2是本发明钢轨损伤检测系统图;
图3是本发明钢轨损伤图像分割模型网络结构图;
图4是本发明钢轨损伤检测学习模型的评估指标图;
图5是本发明钢轨损伤检测于测试集的性能指标对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1所示,本发明提供一种基于U-Net的高速铁路钢轨损伤检测方法,包括如下步骤:
步骤1、图像采集:搭建高速铁路钢轨损伤检测现实场景,通过深度相机获取钢轨损伤的检测图像。
高速铁路钢轨损伤检测现实场景(检测系统)主要包括相机、光源、计算机、报警装置,其结构如图2所示。
所述相机,用于连续采集图像,并将图像送至计算机中;
所述光源,用于使图像中的目标信息与背景信息得到最佳分离,大大降低图像处理的算法难度,同时提高检测系统的精度和可靠性;
所述计算机,用于分析图像特征,完成钢轨损伤检测模型的训练,实时检测出图像中是否包含缺陷,如果没有缺陷则丢弃图像并继续运行,如果所采集的图像包含缺陷,则报警装置对有缺陷的图像进行报警;
所述报警装置,用于对有缺陷的图像进行报警,最终完成钢轨损伤检测。
步骤2、图像注释:使用图像注释工具LabelMe,在采集的每个原始图像中标记钢轨损伤区域并将注释保存为JSON文件。
步骤3、图像预处理:将每个原始图像和对应的标签均变成160×1000像素分辨率的图片,并通过翻转、颜色抖动和高斯模糊等数据增强操作来扩充训练样本以提高网络的泛化能力,并按比例将数据集随机分成训练集、验证集和测试集。
其中,翻转是将图像的左右或上下部分以图像垂直中轴线为中心进行镜像兑换;颜色抖动是将图像变换到HSV颜色空间,然后随机改变图像的曝光度、饱和度和色调,最后再将变换后的图像转到RGB空间,随机形成不同光照及颜色下的图片,达到数据增强的目的;高斯噪声是在原图上添加高斯分布的模板,从而使图像变得模糊;
在图像预处理时,需将图像边界模糊、标记错误的数据集删除,之后选取200张图像作为数据集,其中70%的数据集用于训练,10%的数据集用于验证,20%的数据集用于测试。
步骤4、模型训练:钢轨损伤图像分割模型网络结构如图3所示,设置钢轨损伤检测网络模型的参数,输入图像及其对应的分割图,通过深度学习算法平台实现检测网络的训练,并根据训练网络的评价指标来修改检测网络模型参数,直至得到评价指标。
钢轨损伤图像分割网络结构说明:它由一个收缩路径(左侧)和一个扩展路径(右侧)组成。收缩路径遵循卷积网络的典型架构,它由两个3×3卷积层的重复使用组成,每个卷积层后跟一个ReLU函数激活层和一个步长为2、池化核为2×2的最大池化层用于对图像进行下采样。在每个下采样步骤中,将特征通道的数量加倍。扩展路径中的每个步骤都包括对特征图进行上采样,随后进行2×2卷积,以对特征通道的数量减半,并与从收缩路径中相应裁剪的特征图进行级联,再加上两个3×3卷积层,每个卷积单元后跟一个ReLU函数激活层。由于边界像素的丢失,必须对每个卷积单元进行裁剪。在最后一层,使用1×1卷积将每个64通道的特征向量映射到所需的类上。该网络总共有23个卷积层。为了无缝拼接输出分割图,重要的是选择输入图像大小,以便将所有2×2最大池化操作应用于x和y大小均等的图层。
在步骤4中,由于钢轨表面损伤区域与周围正常组织的像素不连续,故使用形态学运算来分割边界,分割权重公式为:
式(1)中,wc表示平衡类频率,w0表示初始权重,d1表示损伤区域到最近边界的距离,d2表示损伤区域到第二近的边界距离,σ表示像素个数;
在模型训练之后,使用准确率(Acc)、召回率(RE)、损失曲线(loss)的评估指标对模型训练结果进行评估,评估指标曲线如图4所示。
进一步将本发明所提检测方法与LN+DLBP、MLC+PEME、RTM、CFE方法在同一数据上的检测结果进行比较,性能指标对比如图5所示,比较指标为准确率Acc和召回率RE,其中Acc和RE分别定义如下式(2)、(3)所示:
式(2)和式(3)中,TP表示被正确地划分为正例的个数,TN表示被正确划分为负例的个数,FP表示被错误划分为正例的个数,FN表示被错误划分为负例的个数。
步骤5、利用模型进行裂纹检测:依据U-Net网络计算出的分割图在原始输入图像上用矩形框进行标记,如果所采集的图像包含缺陷,则在计算机中提示相关处理结果,并将含缺陷工件标识入库,如果没有缺陷则丢弃图像继续运行。
与传统的机器学习方法相比,本发明所提出的深度学习算法可以直接从底层数据中学习特征,具有更高的复杂结构表达能力,能够适用于不同条件下的钢轨损伤裂纹检测,泛化性较强和准确率较高。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于U-Net的高速铁路钢轨损伤检测方法,其特征在于,包括如下步骤:
图像采集:搭建高速铁路钢轨损伤检测现实场景,通过深度相机获取钢轨损伤的检测图像;
图像注释:使用图像注释工具,在采集的每个原始图像中标记钢轨损伤区域并将注释保存;
图像预处理:将每个原始图像和对应的标签均变成相同像素分辨率的图片,并通过翻转、颜色抖动和高斯模糊的数据增强操作来扩充训练样本以提高网络的泛化能力,并按比例将数据集随机分成训练集、验证集和测试集;
模型训练:设置钢轨损伤检测网络模型的参数,输入图像及其对应的分割图,通过深度学习算法平台实现检测网络的训练,并根据训练网络的评价指标来修改检测网络模型参数,直至得到评价指标;
利用模型进行裂纹检测:依据U-Net网络计算出的分割图在原始输入图像上用矩形框进行标记,如果所采集的图像包含缺陷,则在计算机中提示相关处理结果,并将含缺陷工件标识入库,如果没有缺陷则丢弃图像继续运行;
钢轨损伤检测网络模型具体为:
由一个收缩路径和一个扩展路径组成;收缩路径遵循卷积网络的典型架构,它由两个3×3卷积层的重复使用组成,每个卷积层后跟一个ReLU函数激活层和一个步长为2、池化核为2×2的最大池化层用于对图像进行下采样;在每个下采样步骤中,将特征通道的数量加倍;扩展路径中的每个步骤都包括对特征图进行上采样,随后进行2×2卷积,以对特征通道的数量减半,并与从收缩路径中相应裁剪的特征图进行级联,再加上两个3×3卷积层,每个卷积单元后跟一个ReLU函数激活层;由于边界像素的丢失,必须对每个卷积单元进行裁剪;在最后一层,使用1×1卷积将每个64通道的特征向量映射到所需的类上;该网络总共有23个卷积层;为了无缝拼接输出分割图,重要的是选择输入图块大小,以便将所有2×2最大池化操作应用于x和y大小均等的图层;
模型训练中,由于钢轨表面损伤区域与周围正常组织的像素不连续,故使用形态学运算来分割边界,分割权重公式为:
式(1)中,wc表示平衡类频率,w0表示初始权重,d1表示损伤区域到最近边界的距离,d2表示损伤区域到第二近的边界距离,σ表示像素个数;
在模型训练之后,使用准确率、召回率、损失曲线的评估指标对模型训练结果进行评估。
2.根据权利要求1所述的基于U-Net的高速铁路钢轨损伤检测方法,其特征在于,高速铁路钢轨损伤检测现实场景包括:
相机,用于连续采集图像,并将图像送至计算机中;
光源,用于使图像中的目标信息与背景信息得到最佳分离,大大降低图像处理的算法难度,同时提高检测系统的精度和可靠性;
计算机,用于分析图像特征,完成钢轨损伤检测模型的训练,实时检测出图像中是否包含缺陷,如果没有缺陷则丢弃图像并继续运行,如果所采集的图像包含缺陷,则报警装置对有缺陷的图像进行报警;
报警装置,用于对有缺陷的图像进行报警,最终完成钢轨损伤检测。
3.根据权利要求1所述的基于U-Net的高速铁路钢轨损伤检测方法,其特征在于,图像预处理操作包括:
数据增强操作包括翻转、颜色抖动和高斯噪声;
其中,翻转是将图像的左右或上下部分以图像垂直中轴线为中心进行镜像兑换;颜色抖动是将图像变换到HSV颜色空间,然后随机改变图像的曝光度、饱和度和色调,最后再将变换后的图像转到RGB空间,随机形成不同光照及颜色下的图片,达到数据增强的目的;高斯噪声是在原图上添加高斯分布的模板,从而使图像变得模糊;
在图像预处理时,需将图像边界模糊、标记错误的数据集删除,之后选取200张图像作为数据集,其中70%的数据集用于训练,10%的数据集用于验证,20%的数据集用于测试。
4.根据权利要求1所述的基于U-Net的高速铁路钢轨损伤检测方法,其特征在于,图像注释中,所述图像注释工具为LabelMe。
5.根据权利要求1所述的基于U-Net的高速铁路钢轨损伤检测方法,其特征在于,图像注释中,在采集的每个原始图像中标记钢轨损伤区域并将注释保存为JSON文件。
6.根据权利要求1所述的基于U-Net的高速铁路钢轨损伤检测方法,其特征在于,图像预处理中,将每个原始图像和对应的标签均变成160×1000像素分辨率的图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010138082.1A CN111402209B (zh) | 2020-03-03 | 2020-03-03 | 一种基于U-Net的高速铁路钢轨损伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010138082.1A CN111402209B (zh) | 2020-03-03 | 2020-03-03 | 一种基于U-Net的高速铁路钢轨损伤检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402209A CN111402209A (zh) | 2020-07-10 |
CN111402209B true CN111402209B (zh) | 2023-06-13 |
Family
ID=71413897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010138082.1A Active CN111402209B (zh) | 2020-03-03 | 2020-03-03 | 一种基于U-Net的高速铁路钢轨损伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402209B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951239A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 过标过检方法及系统 |
CN112208573B (zh) * | 2020-09-17 | 2022-04-01 | 天津津航技术物理研究所 | 一种基于图像识别的轨道缺陷检测系统及方法 |
CN112215264B (zh) * | 2020-09-23 | 2022-04-12 | 西南交通大学 | 一种基于钢轨光带图像的钢轨磨耗检测方法 |
CN112767345B (zh) * | 2021-01-16 | 2024-04-05 | 北京工业大学 | 一种dd6单晶高温合金共晶缺陷检测和分割方法 |
CN112907597A (zh) * | 2021-02-04 | 2021-06-04 | 西华师范大学 | 基于深度卷积神经网络的铁路轨道线检测方法 |
CN112964712A (zh) * | 2021-02-05 | 2021-06-15 | 中南大学 | 一种快速检测沥青路面状态的方法 |
CN112967272B (zh) * | 2021-03-25 | 2023-08-22 | 郑州大学 | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 |
CN113591270B (zh) * | 2021-06-29 | 2024-01-19 | 北京交通大学 | 基于mdcd在钢轨焊缝数据集上性能分析对比的监测方法 |
CN113379728A (zh) * | 2021-07-02 | 2021-09-10 | 上海电气集团股份有限公司 | 铁轨表面的缺陷检测方法、系统、设备及可读存储介质 |
CN114170174B (zh) * | 2021-12-02 | 2024-01-23 | 沈阳工业大学 | 基于RGB-D图像的CLANet钢轨表面缺陷检测系统及方法 |
CN116805315A (zh) * | 2023-08-21 | 2023-09-26 | 南京富岛信息工程有限公司 | 一种基于钢轨b显图像机器学习的内部伤损识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060251A (zh) * | 2019-04-26 | 2019-07-26 | 福州大学 | 一种基于U-Net的建筑物表面裂纹检测方法 |
CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
-
2020
- 2020-03-03 CN CN202010138082.1A patent/CN111402209B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060251A (zh) * | 2019-04-26 | 2019-07-26 | 福州大学 | 一种基于U-Net的建筑物表面裂纹检测方法 |
CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111402209A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402209B (zh) | 一种基于U-Net的高速铁路钢轨损伤检测方法 | |
CN105139004B (zh) | 基于视频序列的人脸表情识别方法 | |
CN104766046B (zh) | 一种利用交通标识颜色及形状特征进行检测与识别方法 | |
CN107203990A (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
TW201732651A (zh) | 一種單詞的分割方法和裝置 | |
CN106446952A (zh) | 一种乐谱图像识别方法及装置 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN111311567A (zh) | 对轨道线路图像进行扣件和钢轨病害识别的方法 | |
CN110334709B (zh) | 基于端到端多任务深度学习的车牌检测方法 | |
CN112801972A (zh) | 一种桥梁缺陷检测方法、设备、系统及存储介质 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
CN110689000A (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
CN105447489A (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN109766892A (zh) | 一种基于边缘检测的射线检测图像标记信息字符分割方法 | |
CN115063579A (zh) | 基于二维图像和三维点云投影的列车定位销松动检测方法 | |
CN112200789B (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
CN112686872B (zh) | 基于深度学习的木材计数方法 | |
CN109146834A (zh) | 车辆定损方法及装置、计算机可读存储介质、终端 | |
CN112037182A (zh) | 基于时序图像的机车走行部故障检测方法、装置及存储介质 | |
CN109448012A (zh) | 一种图像边缘检测方法及装置 | |
CN112560929B (zh) | 溢油区域确定方法及装置、存储介质 | |
JP4492258B2 (ja) | 文字・図形の認識方法および検査方法 |
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 |