CN111583229B - 一种基于卷积神经网络路面故障检测方法 - Google Patents
一种基于卷积神经网络路面故障检测方法 Download PDFInfo
- Publication number
- CN111583229B CN111583229B CN202010384187.5A CN202010384187A CN111583229B CN 111583229 B CN111583229 B CN 111583229B CN 202010384187 A CN202010384187 A CN 202010384187A CN 111583229 B CN111583229 B CN 111583229B
- Authority
- CN
- China
- Prior art keywords
- image
- model
- fault
- training
- road
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 230000033001 locomotion Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 241000196324 Embryophyta Species 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- 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
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络路面故障检测方法,包括如下步骤:S1:获取图像,并去除图像的运动模糊,S2:构建质量判断模型,对图像进行质量判断,滤除失焦或者非路面信息的图像,S3:对路面故障图片进行标注,S4:构建故障检测语义分割模型,对路面故障进行识别,S5:多次迭代训练,然后输出分割出故障道路区域。本发明提出的一种基于卷积神经网络路面故障检测方法,利用卷积神经网络算法,准确、快速地分析出视频中的路面故障,能够判断出裂缝、坑槽、护栏杆损坏、杂草等故障类型及相关参数。
Description
技术领域
本发明涉及一种路面故障检测方法,具体涉及一种基于卷积神经网络路面故障检测方法。
背景技术
高速路的养护工作多需要人为巡视检测,发现路面故障后,通过拍照记录。而随着移动互联网和多媒体的飞速发展,人工智能逐渐运用到路面故障检测中。目前虽有基于视频分析进行路面故障检测的技术,但由于实际环境中光照变化、运动复杂性、遮挡情况、目标与背景颜色相似、杂乱背景等各种因素的叠加,导致目标检测与跟踪算法设计的难度较大,识别准确率较低。
发明内容
本发明提供一种基于卷积神经网络路面故障检测方法,利用卷积神经网络算法,准确、快速地分析出视频中的路面故障。
为实现上述目的,本发明提供的一种基于卷积神经网络路面故障检测方法,包括以下步骤:
S1:通过行驶中的车辆获取含有路面区域的图像,并对图像进行预处理,以消除拍照时产生的运动模糊:
S2:使用质量模型对图像进行质量判断,滤除失焦或者非路面信息的图像;
S3:对含有路面故障的图片进行标,标注内容包括路面故障类型和出现该故障的区域;使用标注后的图片构建样本集,并按照比例分为训练集和验证集;
S4:构建故障检测语义分割模型对所述区域中的路面故障进行识别,该故障检测语义分割模型由标注有路面故障类型和区域的路面故障样本图像训练得到;
该故障检测语义分割模型的逻辑如下:输入数据到网络中经过多级的卷积结构和反卷积结构,模型会输出NCHW的特征图;然后,对特征图每个像素位置对应的分类数计算分类概率Si得到像素点的分类信息:
其中,W表示分类对应的权重,b表示其对应的偏置项,xi表示第i个输入样本,n表示分类数。进而得到像素分类信息训练过程的损失函数为:
其中,n为分类总数,yc为故障类别,表示网络输出的分类信息;α为超参数,用来平衡正负样本的影响系数;λ为超参数,设定衰减项的权重;w为网络权重;
S5:故障检测语义分割模型训练基于现有的路面故障的有效数据,再做样本分类数据均衡之后进行多次迭代训练,然后输出分割出故障道路区域。
进一步的,所述步骤S1中,预处理过程包括如下步骤:
a、获取采集图像的设备的陀螺仪加速度参数,记录当前图像的运动速度wx,wy并对其积分,则得到其运动角距离θx,θy;
b、计算图像上共n个点的模糊核:
其中,n表示投影点个数,x1,y1为n个投影点中第一个点的初始坐标,xi,yi为图像中的n个投影点中第i个投影点坐标;
xi,yi=fω(MM-1(x1,y1,1)T)T,
(a,b,c)表示图片像素点对应的空间坐标系中点的坐标,σ(x,y)函数在(0,0)处为1,其他位置取0,
M=CRi,C表示相机内参矩阵,由相机标定计算获取;Ri表示曝光时间设备初始位置的旋转矩阵,由θx,θy确定:
C、使用模糊核对图像做反卷积操作,去除图像的运动模糊。
进一步的,所述步骤S2中,质量判断标准如下:质量判断模型是具有判断获取图像质量能力的机器学习模型,该模型由标注有图像质量好坏的样本图像训练得到,包括如下步骤:
N1:清洗训练数据集,提取标注的质量问题图片作为负样本集,提取正常道路采集图片作为正样本集;正样本集合负样本集合并为样本集,并按照一定比例分为训练集和验证集;
N2:构建质量判断模型,模型为2分类模型,直接输出质量评价分数q,当q<tq时质量判断为不合格,不会进行进一步的故障检测;其中tq为质量判断合格与否的阈值;
N3:使用清洗的结构化数据训练质量判断模型,使用交叉熵作为损失函数,训练过程不断重复以下步骤:1)输入数据给模型并完成推理过程;2)根据Groud Truth通过损失函数进行反向求导,计算各个参数的梯度;3)更新权重的大小。持续使用训练集训练模型,直至模型收敛并在验证集上达到精度要求。
优选的,步骤S4中故障检测语义分割模型为具有识别路面故障能力的机器学习模型。
上述过程可嵌入计算机软件中,实现对图片的快速处理。
本发明提出的一种基于卷积神经网络路面故障检测方法,利用卷积神经网络算法,准确、快速地分析出视频中的路面故障。能够判断出裂缝、坑槽、护栏杆损坏、杂草等故障类型及相关参数。通过加装在车辆上,并同时获取经纬度信息,可直接判断出路面故障信息及位置,提高了路面故障检测效率,简化了路面维护人员的工作。
附图说明
图1是质量判断模型逻辑的示意图;
图2是故障检测语义分割模型的逻辑示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出一种基于卷积神经网络路面故障检测方法,利用了二维卷积神经网络。
二维卷积定义如下:
其中,表示卷积操作之后的像素值,f和g表示两个可积函数。一副数字图像可以看做是一个二维空间的离散函数,在图像处理算法里面,使用卷积可以实现对图像的模糊处理,边缘检测,梯度统计等。离散二维卷积公式如下:
其中,H表示卷积之后的图像,F表示原图,G表示卷积核。卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,他在神经网络的基础之上加入了卷积操作。相对于传统神经网络有稀疏连接,多特征图,权值共享等优势。
本发明具体包括以下步骤:
S1:通过行驶中的车辆获取含有路面区域的图像,并对图像进行预处理,以消除拍照时产生的运动模糊:预处理过程包括如下步骤:
a、获取采集图像的设备的陀螺仪加速度参数,记录当前图像的运动速度wx,wy并对其积分,则得到其运动角距离θx,θy;
b、计算图像上共n个点的模糊核:
其中,n表示投影点个数,即图像中像素点个数,x1,y1为n个投影点中第一个点的初始坐标,xi,yi为图像中的n个投影点中第i个投影点坐标;
xi,yi=fω(MM-1(x1,y1,1)T)T,
(a,b,c)表示图片像素点对应的空间坐标系中点的坐标,σ(x,y)函数在(0,0)处为1,其他位置取0,
M=CRi,C表示相机内参矩阵,由相机标定计算获取;Ri表示曝光时间设备初始位置的旋转矩阵,由θx,θy确定:
C、使用模糊核对图像做反卷积操作,去除图像的运动模糊。
S2:使用质量模型对图像进行质量判断,滤除失焦或者非路面信息的图像;质量判断标准如下:质量判断模型是具有判断获取图像质量能力的机器学习模型,该模型由标注有图像质量好坏的样本图像训练得到,该模型逻辑如图1所示,包括如下步骤:
N1:清洗训练数据集,提取标注的质量问题图片作为负样本集,提取正常道路采集图片作为正样本集;正样本集合负样本集合并为样本集,并按照一定比例分为训练集和验证集;
N2:构建质量判断模型,模型为2分类模型,直接输出质量评价分数q,当q<tq时质量判断为不合格,不会进行进一步的故障检测;其中tq为质量判断合格与否的阈值;
N3:使用清洗的结构化数据训练质量判断模型,使用交叉熵作为损失函数,训练过程不断重复以下步骤:1)输入数据给模型并完成推理过程;2)根据Groud Truth通过损失函数进行反向求导,计算各个参数的梯度;3)更新权重的大小。持续使用训练集训练模型,直至模型收敛并在验证集上达到精度要求。
S3:对含有路面故障的图片进行标,标注内容包括路面故障类型和出现该故障的区域;故障类型可包括:路面裂缝、坑槽、护栏杆损坏、杂草等故障;使用标注后的图片构建样本集,并按照比例分为训练集和验证集;
S4:构建故障检测语义分割模型对所述区域中的路面故障进行识别,该故障检测语义分割模型由标注有路面故障类型和区域的路面故障样本图像训练得到;
该故障检测语义分割模型结构如图2所示,其逻辑如下:输入数据到网络中经过多级的卷积结构和反卷积结构,模型会输出NCHW的特征图;然后,对特征图每个像素位置对应的分类数计算分类概率Si得到像素点的分类信息:
其中,W表示分类对应的权重,b表示其对应的偏置项,xi表示第i个输入样本,n表示分类数。进而得到像素分类信息训练过程的损失函数为:
其中,n为分类总数,yc为故障类别,表示网络输出的分类信息;α为超参数,用来平衡正负样本的影响系数;λ为超参数,设定衰减项的权重;w为网络权重;
S5:故障检测语义分割模型训练基于现有的路面故障的有效数据,再做样本分类数据均衡之后进行多次迭代训练,然后输出分割出故障道路区域。
优选的,步骤S4中故障检测语义分割模型为具有识别路面故障能力的机器学习模型。
本发明提出的是一种基于卷积神经网络路面故障检测方法,该方法可以算法形式嵌入计算机软件中,实现对图片的快速处理。
实际应用中,通过加装在车辆上,并同时获取经纬度信息,可直接判断出路面故障信息及位置,提高了路面故障检测效率,简化了路面维护人员的工作。
本发明提出的一种基于卷积神经网络路面故障检测方法,利用卷积神经网络算法,准确、快速地分析出视频中的路面故障。能够判断出裂缝、坑槽、护栏杆损坏、杂草等故障类型及相关参数。
Claims (4)
1.一种基于卷积神经网络路面故障检测方法,其特征在于,包括以下步骤:
S1:通过行驶中的车辆获取含有路面区域的图像,并对图像进行预处理,以消除拍照时产生的运动模糊:
S2:使用质量模型对图像进行质量判断,滤除失焦或者非路面信息的图像;
S3:对含有路面故障的图片进行标注,标注内容包括路面故障类型和出现该故障的区域;使用标注后的图片构建样本集,并按照比例分为训练集和验证集;
S4:构建故障检测语义分割模型对所述区域中的路面故障进行识别,该故障检测语义分割模型由标注有路面故障类型和区域的路面故障样本图像训练得到;
该故障检测语义分割模型的逻辑如下:输入数据到网络中经过多级的卷积结构和反卷积结构,模型会输出NCHW的特征图;然后,对特征图每个像素位置对应的分类数计算分类概率Si得到像素点的分类信息:
其中,W表示分类对应的权重,b表示其对应的偏置项,xi表示第i个输入样本,n表示分类数;进而得到像素分类信息训练过程的损失函数为:
其中,n为分类总数,yc为故障类别,表示网络输出的分类信息;α为超参数,用来平衡正负样本的影响系数;λ为超参数,设定衰减项的权重;w为网络权重;
S5:故障检测语义分割模型训练基于现有的路面故障的有效数据,再做样本分类数据均衡之后进行多次迭代训练,然后输出分割出故障道路区域。
2.根据权利要求1所述的一种基于卷积神经网络路面故障检测方法,其特征在于,所述步骤S1中,预处理过程包括如下步骤:
a、获取采集图像的设备的陀螺仪加速度参数,记录当前图像的运动速度(wx,wy)并对其积分,则得到其运动角距离(θx,θy);
b、计算图像上共N个点的模糊核:
其中,N表示投影点个数,(x1,y1)为N个投影点中第一个点的初始坐标,(xi,yi)为图像中的N个投影点中第i个投影点坐标;
xi,yi=fω(MM-1(x1,y1,1)T)T,
(a,b,c)表示图片像素点对应的空间坐标系中点的坐标,σ(x,y)函数在(0,0)处为1,其他位置取0,
M=CRi,C表示相机内参矩阵,由相机标定计算获取;Ri表示曝光时间设备初始位置的旋转矩阵,由(θx,θy)确定:
C、使用模糊核对图像做反卷积操作,去除图像的运动模糊。
3.根据权利要求1所述的一种基于卷积神经网络路面故障检测方法,其特征在于,所述步骤S2中,质量判断标准如下:质量判断模型是具有判断获取图像质量能力的机器学习模型,该模型由标注有图像质量好坏的样本图像训练得到,包括如下步骤:
N1:清洗训练数据集,提取标注的质量问题图片作为负样本集,提取正常道路采集图片作为正样本集;正样本集合负样本集合并为样本集,并按照一定比例分为训练集和验证集;
N2:构建质量判断模型,模型为2分类模型,直接输出质量评价分数q,当q<tq时质量判断为不合格,不会进行进一步的故障检测;其中tq为质量判断合格与否的阈值;
N3:使用清洗的结构化数据训练质量判断模型,使用交叉熵作为损失函数,训练过程不断重复以下步骤:1)输入数据给模型并完成推理过程;2)根据Groud Truth通过损失函数进行反向求导,计算各个参数的梯度;3)更新权重的大小;持续使用训练集训练模型,直至模型收敛并在验证集上达到精度要求。
4.根据权利要求1至3任意一项所述的一种基于卷积神经网络路面故障检测方法,其特征在于,步骤S4中故障检测语义分割模型为具有识别路面故障能力的机器学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384187.5A CN111583229B (zh) | 2020-05-09 | 2020-05-09 | 一种基于卷积神经网络路面故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384187.5A CN111583229B (zh) | 2020-05-09 | 2020-05-09 | 一种基于卷积神经网络路面故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583229A CN111583229A (zh) | 2020-08-25 |
CN111583229B true CN111583229B (zh) | 2024-01-05 |
Family
ID=72126311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010384187.5A Active CN111583229B (zh) | 2020-05-09 | 2020-05-09 | 一种基于卷积神经网络路面故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583229B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112129779A (zh) * | 2020-10-19 | 2020-12-25 | 北京市地铁运营有限公司 | 基于计算机视觉的轨道列车维护检测方法 |
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 |
CN112706764A (zh) * | 2020-12-30 | 2021-04-27 | 潍柴动力股份有限公司 | 一种主动防碰撞预警方法、装置、设备和存储介质 |
CN113011567B (zh) * | 2021-03-31 | 2023-01-31 | 深圳精智达技术股份有限公司 | 一种卷积神经网络模型的训练方法及装置 |
CN113177439B (zh) * | 2021-04-08 | 2024-01-26 | 中通服咨询设计研究院有限公司 | 一种行人翻越马路护栏检测方法 |
CN113344056B (zh) * | 2021-05-31 | 2022-11-22 | 北京邮电大学 | 一种人员移动性预测模型的训练方法及装置 |
CN113807194B (zh) * | 2021-08-24 | 2023-10-10 | 哈尔滨工程大学 | 一种增强性电力传输线故障图像识别方法 |
CN113932758B (zh) * | 2021-09-15 | 2022-12-20 | 同济大学 | 一种路面平整度预测方法及装置 |
CN113962301B (zh) * | 2021-10-20 | 2022-06-17 | 北京理工大学 | 一种多源输入信号融合的路面质量检测方法及系统 |
CN114758322B (zh) * | 2022-05-13 | 2022-11-22 | 安徽省路通公路工程检测有限公司 | 基于机器识别的道路质量检测系统 |
CN114758139B (zh) * | 2022-06-16 | 2022-10-21 | 成都鹏业软件股份有限公司 | 基坑积水检测方法 |
CN115116208B (zh) * | 2022-06-27 | 2023-12-22 | 广州联汇信息科技发展有限公司 | 一种智能报警系统 |
CN116468704B (zh) * | 2023-04-24 | 2023-10-10 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的人力制动机轴链检测方法 |
CN117095411B (zh) * | 2023-10-16 | 2024-01-23 | 青岛文达通科技股份有限公司 | 一种基于图像故障识别的检测方法及系统 |
CN117542012B (zh) * | 2024-01-09 | 2024-04-12 | 武汉易为泰汽车技术开发股份有限公司 | 基于5g短切片专网传输的新能源汽车控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN107316064A (zh) * | 2017-06-26 | 2017-11-03 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
CN109146849A (zh) * | 2018-07-26 | 2019-01-04 | 昆明理工大学 | 一种基于卷积神经网络和图像识别的路面裂缝检测方法 |
US10229346B1 (en) * | 2018-09-04 | 2019-03-12 | StradVision, Inc. | Learning method, learning device for detecting object using edge image and testing method, testing device using the same |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
-
2020
- 2020-05-09 CN CN202010384187.5A patent/CN111583229B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN107316064A (zh) * | 2017-06-26 | 2017-11-03 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
CN109146849A (zh) * | 2018-07-26 | 2019-01-04 | 昆明理工大学 | 一种基于卷积神经网络和图像识别的路面裂缝检测方法 |
US10229346B1 (en) * | 2018-09-04 | 2019-03-12 | StradVision, Inc. | Learning method, learning device for detecting object using edge image and testing method, testing device using the same |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111583229A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583229B (zh) | 一种基于卷积神经网络路面故障检测方法 | |
CN111310862B (zh) | 复杂环境下基于图像增强的深度神经网络车牌定位方法 | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN111768388A (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
CN114746898A (zh) | 用于生成图像抠图的三分图的方法和系统 | |
Ma et al. | Automatic defogging, deblurring, and real-time segmentation system for sewer pipeline defects | |
CN111353396A (zh) | 一种基于SCSEOCUnet的混凝土裂缝分割方法 | |
Ippalapally et al. | Object detection using thermal imaging | |
CN111079539A (zh) | 一种基于异常追踪的视频异常行为检测方法 | |
CN113592866A (zh) | 一种半导体引线框架曝光缺陷检测方法 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN114596316A (zh) | 一种基于语义分割的道路图像细节抓取方法 | |
CN114078127B (zh) | 物件的缺陷检测及计数方法、装置、设备和存储介质 | |
CN111160100A (zh) | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 | |
CN115100497A (zh) | 基于机器人的通道异常物体巡检方法、装置、设备及介质 | |
CN112348762A (zh) | 一种基于多尺度融合生成对抗网络的单幅图像去雨方法 | |
Garcia et al. | Large scale semantic segmentation of virtual environments to facilitate corrosion management | |
CN116310902A (zh) | 一种基于轻量级神经网络的无人机目标检测方法及系统 | |
CN110910497A (zh) | 实现增强现实地图的方法和系统 | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
Nguyen et al. | Joint image deblurring and binarization for license plate images using deep generative adversarial networks | |
Müller et al. | Application of deep learning for crack segmentation on concrete surface | |
CN114549414A (zh) | 一种针对轨道数据的异常变化检测方法及系统 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 |
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 |