CN111724358A - 基于图像和卷积神经网络的混凝土质量检测方法及系统 - Google Patents
基于图像和卷积神经网络的混凝土质量检测方法及系统 Download PDFInfo
- Publication number
- CN111724358A CN111724358A CN202010530545.9A CN202010530545A CN111724358A CN 111724358 A CN111724358 A CN 111724358A CN 202010530545 A CN202010530545 A CN 202010530545A CN 111724358 A CN111724358 A CN 111724358A
- Authority
- CN
- China
- Prior art keywords
- width
- layer
- image
- height
- concrete
- 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
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
Abstract
本发明涉及混凝土表面缺陷检测技术领域,公开了一种基于图像和卷积神经网络的混凝土质量检测方法及系统,方法包括:(1)采集多张混凝土图像,混凝土图像中包括含缺陷的图像和无缺陷的图像;(2)对多张混凝土图像分别进行缺陷类别标注,并将标注后的混凝土图像以一定的比例分为训练集和测试集;(3)对训练集中混凝土图像进行预处理使得更加突出裂缝或者孔洞的形态特征;(4)构建并训练深度卷积神经网络模型;(5)将经过预处理后的混凝土图像输入至训练好的深度卷积神经网络模型中来识别图像中的裂缝和孔洞。本发明能够同时识别混凝土表面的孔洞和裂缝缺陷且检测效率高、检测速度快和检测准确率高。
Description
技术领域
本发明属于混凝土表面缺陷检测领域,更具体地,涉及一种基于图像和深度卷积神经网络的混凝土质量检测方法及系统。
背景技术
混凝土是当今用途最广、用量最大的一种建筑材料,广泛应用于道路、桥梁、房建、隧道及大坝等基础设施的建设中。由于混凝土抗拉强度低,受收缩徐变、外界温度变化、成型工艺水平等内外因素的共同影响,在施工建设和运营使用的过程中经常出现不可避免会产生不同种类、不同程度的缺陷,常见的混凝土缺陷有裂缝和孔洞。混凝土裂缝和孔洞不仅影响结构的美观,而且裂缝和孔洞的尺寸和粒度一旦超出一定限制,还可能引起渗漏、耐久性降低、保护层脱落、钢筋锈蚀、混凝土碳化等,甚至对混凝土结构安全造成重要影响。因此定期检测混凝土结构表面的裂缝和孔洞状况,并针对检测结果进行预防处理是必不可少的。
目前对混凝土缺陷的日常检测通常由人工直接目视或仅仅使用简易工具。这种检测费事、费力、危险,且受检测人员的经验和技术水平影响较大,检查结果具有一定的主观性。同时,在桥梁、地铁等重要基础设施上进行人工检测有时还需封闭场地。这极大地影响了正常的交通,为车辆、行人的正常通行带来不便,严重时甚至会导致交通事故的发生。为解决上述问题,必须改进传统的检测方法,减少人工干预,降低检测成本,以推动混凝土基础设施的日常维护管理水平。
相较于人工检测,基于图像的混凝土表面缺陷检测具有非接触式、便捷、快速、准确、安全、成本低等特点。因此,近年来开始广泛应用于各类建筑结构检测。通过图像实现的缺陷检测类似于人类的视觉检查,其中图像和视频是利用图像技术进行检测的两种主要数据载体。而视频是连续静态图像的序列,因此,可从混凝土表面缺陷的图像出发,基于图像进行混凝土表面缺陷的检测,从而为建筑工程的快速和自动化健康检测提供技术保障。
伴随着人工智能的快速发展,深度学习算法被广泛应用在图像处理的各个方面。基于深度学习的图像处理技术的出现,为混凝土表面缺陷检测提供了一个很好的解决思路。已有部分学者应用深度学习理论在混凝土缺陷识别方面提出了一些方法,但相关研究中,基于图像的混凝土表面缺陷检测方法均只针对某种特定的结构缺陷,如裂缝;而实际工程中,缺陷往往同时存在,如混凝土表面裂缝与孔洞同时存在。因此,亟需一种能同时识别多种混凝土缺陷,适应性较强和自动化程度较高的方法。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于图像和深度卷积神经网络的混凝土质量检测方法,旨在解决现有测量手段中由于通常采用测量尺进行人工检测,导致检测效率低、检测速度慢且只能分开测量裂缝缺陷和孔洞缺陷。
本发明提供了一种基于图像和深度卷积神经网络的混凝土质量检测方法,包括下述步骤:
(1)采集多张混凝土图像,所述混凝土图像中包括含缺陷的图像和无缺陷的图像;其中,含缺陷的图像与无缺陷的图像数量上的占比可以设置为1:1;另外,采集混凝土图像可以使用消费级相机,收集若干张图像采集的拍摄距离和拍摄面积、拍摄精度的关系数据进行回归分析,选择满足拍摄面积和拍摄精度要求的拍摄距离。
(2)对多张混凝土图像分别进行缺陷类别标注,并将标注后的混凝土图像以一定的比例分为训练集和测试集;具体地,若对N张混凝土图像进行缺陷类别标注,可以将标注后的N张混凝土图像以4:1分为训练集和测试集,获得训练集图像4N/5张,测试集图像N/5张;由于需要测试卷积神经网络的效果,因此需要从图像中拿出一部分作为测试集。N的取值范围受多方面影响,一个是研究问题的复杂程度,一个是收集图像的难易程度。就本发明实施例来说,N为大于等于1000的正整数。
(3)对所述训练集中混凝土图像进行预处理使得更加突出裂缝或者孔洞的形态特征。
(4)构建并训练深度卷积神经网络模型。
(5)将经过预处理后的混凝土图像输入至训练好的深度卷积神经网络模型中来识别图像中的裂缝和孔洞。
更进一步地,步骤(3)中对所述训练集中混凝土图像进行预处理包括:
(31)对训练集中混凝土图像进行RGB三通道阈值分割使得图像中R、G、B三个通道上都能更加突出裂缝或者孔洞的形态特征;其中,RGB三通道阈值分割首先进行训练集混凝土图像RGB三通道提取,然后分别进行R、G、B单通道的归一化,合并R、G、B三通道,最后选择合适的阈值进行RGB三通道上的阈值分割。
(32)对训练集中混凝土图像进行形态学处理以消除图像中杂质的干扰,同时更加突出裂缝或者孔洞的形态特征。其中,形态学处理具体为,对RGB三通道阈值分割后的图像进行腐蚀、膨胀或腐蚀膨胀结合的方式。
更进一步地,在步骤(4)中构建的所述深度卷积神经网络的结构为:
L1层:输入的宽度和高度为512,深度为1;执行卷积操作,卷积层操作的宽度和高度为5,数量为32,步距为1,补零为2;
L2层:输入的宽度和高度为512,深度为32;执行激活层操作;
L3层:输入的宽度和高度为512,深度为32;执行卷积操作,卷积层操作的宽度和高度为3,数量为32,步距为1,补零为1;
L4层:输入的宽度和高度为512,深度为32;执行激活层操作;
L5层:输入的宽度和高度为512,深度为32;执行池化层操作;
L6层:输入的宽度和高度为256,深度为32;执行Inception层;
L7层:输入的宽度和高度为256,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为64,步距为1,补零为1;
L8层:输入的宽度和高度为256,深度为64;执行激活层操作;
L9层:输入的宽度和高度为256,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为64,步距为1,补零为1;
L10层:输入的宽度和高度为256,深度为64;执行激活层操作;
L11层:输入的宽度和高度为256,深度为64;执行池化层操作;
L12层:输入的宽度和高度为128,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为128,步距为1,补零为1;
L13层:输入的宽度和高度为128,深度为128;执行激活层操作;
L14层:输入的宽度和高度为128,深度为128;执行卷积操作,卷积层操作的宽度和高度为3,数量为128,步距为1,补零为1;
L15层:输入的宽度和高度为128,深度为128;执行激活层操作;
L16层:输入的宽度和高度为128,深度为128;执行池化层操作;
L17层:输入的宽度和高度为64,深度为128;执行卷积操作,卷积层操作的宽度和高度为3,数量为256,步距为1,补零为1;
L18层:输入的宽度和高度为64,深度为256;执行激活层操作;
L19层:输入的宽度和高度为64,深度为256;执行全连接层操作;
L20层:输入的宽度和高度为1,深度为4096;执行激活层操作;
L21层:输入的宽度和高度为1,深度为4096;执行随机失活层操作;
L22层:输入的宽度和高度为1,深度为4096;执行全连接层操作;
L23层:输入的宽度和高度为1,深度为4096;执行激活层操作;
L24层:输入的宽度和高度为1,深度为4096;执行随机失活层操作;
L25层:输入的宽度和高度为1,深度为4096;执行全连接层操作;
L26层:输入的宽度和高度为1,深度为3;执行输出层操作。
更进一步地,在步骤(5)中,所述识别图像中的裂缝和孔洞具体为:使用训练好的深度卷积神经网络对测试集中混凝土图像进行测试并分别标记裂缝和孔洞。
更进一步地,在步骤(5)之后还包括步骤(6):获取待检测图像中裂缝的长度、宽度和面积以及孔洞的孔径和面积。
其中,步骤(6)具体为:
(61)按照设定的第一顺序依次选取裂缝和孔洞二值图像中的每一个像素点作为当前像素点,若所述当前像素点的像素值为1,则S=S+1,T=T+1,否则,S=S+0,T=T+0;直至遍历完裂缝和孔洞二值图像中的每一个像素点被作为当前像素点后获得待识别图像中裂缝面积S和孔洞面积T;
(62)按照设定的第二顺序依次选取裂缝和孔洞二值图像中的每一列像素作为当前列像素;若当前列像素的像素值为1,则LX1=LX1+1、LX2=LX2+1否则,LX1=LX1+0、LX2=LX2+0;直至遍历完裂缝和孔洞二值图像中的每一列像素均被作为当前列像素后获得待识别图像中裂缝和孔洞行参数LX1、LX2;
(63)按照设定的第三顺序依次选取裂缝和孔洞二值图像中的每一行像素作为当前行像素;若当前行像素的像素值为1,则LY1=LY1+1、LY2=LY2+1否则,LY1=LY1+0、LY2=LY2+0;直至遍历完裂缝和孔洞二值图像中的每一列像素均被作为当前行像素后获得待识别图像中裂缝和孔洞列参数LY1、LY2;
其中,S、T分别为裂缝像素面积和孔洞像素面积,LX1为裂缝行参数,LY1为裂缝列参数,LX2为孔洞行参数,LY2为孔洞列参数。
作为更进一步优选地,所述第一顺序为从左到右且从上到下;所述第二顺序为从左至右;所述第三顺序为从上到下。
本发明还提供了一种基于图像和深度神经网络的混凝土质量检测系统,包括:
采集标注模块,用于采集多张混凝土图像,并对所述多张混凝土图像分别进行缺陷类别标注,将标注后的混凝土图像以一定的比例分为训练集和测试集;其中,采集的混凝土图像中包括含缺陷的图像和无缺陷的图像;
预处理模块,用于对所述训练集中混凝土图像进行预处理使得更加突出裂缝或者孔洞的形态特征;
模型构建模块,用于构建并训练深度卷积神经网络模型;
缺陷识别模块,用于将经过预处理后的混凝土图像输入至训练好的深度卷积神经网络模型中来识别图像中的裂缝和孔洞。
其中,预处理模块包括:阈值分割处理单元和形态学处理单元,阈值分割处理单元用于对所述训练集中混凝土图像进行RGB三通道阈值分割使得图像中R、G、B三个通道上都能更加突出裂缝或者孔洞的形态特征;形态学处理单元用于对所述训练集中混凝土图像进行形态学处理以消除图像中杂质的干扰,同时更加突出裂缝或者孔洞的形态特征。
更进一步地,混凝土质量检测系统还包括缺陷计算模块,所述缺陷计算模块包括:面积计算单元、行参数计算单元、列参数计算单元和参数获取单元,面积计算单元用于按照设定的第一顺序依次选取裂缝和孔洞二值图像中的每一个像素点作为当前像素点,若所述当前像素点的像素值为1,则S=S+1,T=T+1,否则,S=S+0,T=T+0;直至遍历完裂缝和孔洞二值图像中的每一个像素点被作为当前像素点后获得待识别图像中裂缝面积S和孔洞面积T;行参数计算单元用于按照设定的第二顺序依次选取裂缝和孔洞二值图像中的每一列像素作为当前列像素;若当前列像素的像素值为1,则LX1=LX1+1、LX2=LX2+1否则,LX1=LX1+0、LX2=LX2+0;直至遍历完裂缝和孔洞二值图像中的每一列像素均被作为当前列像素后获得待识别图像中裂缝和孔洞行参数LX1、LX2;列参数计算单元用于按照设定的第三顺序依次选取裂缝和孔洞二值图像中的每一行像素作为当前行像素;若当前行像素的像素值为1,则LY1=LY1+1、LY2=LY2+1否则,LY1=LY1+0、LY2=LY2+0;直至遍历完裂缝和孔洞二值图像中的每一行像素均被作为当前行像素后获得待识别图像中裂缝和孔洞列参数LY1、LY2;参数获取单元用于根据公式和W1=S/L1获得裂缝的长度L1和裂缝宽度W1,并根据公式和W2=T/L2获得孔洞的长轴L2和孔洞的短轴W2;其中,S、T分别为裂缝像素面积和孔洞像素面积,LX1为裂缝行参数,LY1为裂缝列参数,LX2为孔洞行参数,LY2为孔洞列参数。
本发明采用了基于图像的自动化检测方法,检测效率,检测速度快;同时,本发明基于深度卷积神经网络,通过深度学习算法,可以同时检测孔洞和裂缝,由于在卷积结构中加入了Inception结构,该结构中包含了多个大小不同的卷积核,能够提取图像上不同的特征,有助于同时识别出图像上的裂缝和孔洞。且检测的准确性能达到工程的要求。
附图说明
图1是本发明实施例提供的基于图像和深度卷积神经网络的混凝土质量检测方法的实现流程图
图2是本发明实施例提供的基于图像和深度卷积神经网络的混凝土质量检测系统的原理框图;
图3是本发明实施例提供的RGB三通道阈值分割图;
图4是本发明实施例提供的形态学开运算图;
图5是本发明实施例提供的深度卷积神经网络模型图;
图6是裂缝和孔洞识别图;其中(a)为输入照片;(b)为裂缝和孔洞识别结果;
图7是裂缝和孔洞测量与实际测量结果对比图;其中(a)为计算机测量结果;(b)为人工测量结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
本发明采用了基于图像的自动化检测方法,提升了检测效率和速度;同时,本发明基于深度卷积神经网络,并创新性地在神经网络中设置了不同大小的卷积核,来提取图像中不同的特征,然后通过深度学习算法,可以同时检测孔洞和裂缝这两种最为典型的结构缺陷,且检测的准确性能达到工程的要求。
为了解决上述技术问题,本申请采用如下技术方案予以实现,如图1所示,本发明提供的基于图像和深度卷积神经网络的混凝土质量检测方法包括下述:
S1采集N张混凝土图像,包括含缺陷和无缺陷的图像(约1:1);具体地,采集混凝土图像时可以使用消费级相机,收集若干张图像采集的拍摄距离和拍摄面积、拍摄精度的关系数据进行回归分析,根据要测量的最小孔洞直径或者最小裂缝宽度,选择满足拍摄精度要求的拍摄距离。
S2对N张混凝土图像进行缺陷类别标注,并将标注后的N张混凝土图像以4:1分为训练集和测试集,获得训练集图像4N/5张,测试集图像N/5张。
S3对训练集混凝土图像进行RGB三通道阈值分割;具体地,RGB三通道阈值分割首先进行训练集混凝土图像RGB三通道提取,然后分别进行R、G、B单通道的归一化,合并R、G、B三通道,最后根据照片曝光条件的不同,选择合适的阈值,目的是使得图像中R、G、B三个通道上都能更加突出裂缝或者孔洞的形态特征。合适的阈值进行RGB三通道上的阈值分割。
S4对训练集混凝土图像进行形态学处理,以消除图像中杂质的干扰,同时更加突出裂缝或者孔洞的形态特征;具体地,形态学处理对RGB三通道阈值分割后的图像进行腐蚀和膨胀,消除原有图像中的干扰杂质,得到较为纯净,且裂缝或者孔洞的形态较为突出的图像,以便于进行深度卷积神经网络的处理,提高神经网络的处理效率。
S5在综合经典的AelxNet、VGGNet和GoogleNet等神经网络结构的基础上,构建出如下的神经网络结构,引入Inception模块,在网络中设置不同大小的卷积核,以识别图像中不同的缺陷特征。
构建并训练深度卷积神经网络模型,在本示例中,深度卷积神经网络的各层的结构具体为:
L1层:输入的宽度和高度为512,深度为1;执行卷积操作,卷积层操作的宽度和高度为5,数量为32,步距为1,补零为2;
L2层:输入的宽度和高度为512,深度为32;执行激活层操作;
L3层:输入的宽度和高度为512,深度为32;执行卷积操作,卷积层操作的宽度和高度为3,数量为32,步距为1,补零为1;
L4层:输入的宽度和高度为512,深度为32;执行激活层操作;
L5层:输入的宽度和高度为512,深度为32;执行池化层操作;
L6层:输入的宽度和高度为256,深度为32;执行Inception层;
L7层:输入的宽度和高度为256,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为64,步距为1,补零为1;
L8层:输入的宽度和高度为256,深度为64;执行激活层操作;
L9层:输入的宽度和高度为256,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为64,步距为1,补零为1;
L10层:输入的宽度和高度为256,深度为64;执行激活层操作;
L11层:输入的宽度和高度为256,深度为64;执行池化层操作;
L12层:输入的宽度和高度为128,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为128,步距为1,补零为1;
L13层:输入的宽度和高度为128,深度为128;执行激活层操作;
L14层:输入的宽度和高度为128,深度为128;执行卷积操作,卷积层操作的宽度和高度为3,数量为128,步距为1,补零为1;
L15层:输入的宽度和高度为128,深度为128;执行激活层操作;
L16层:输入的宽度和高度为128,深度为128;执行池化层操作;
L17层:输入的宽度和高度为64,深度为128;执行卷积操作,卷积层操作的宽度和高度为3,数量为256,步距为1,补零为1;
L18层:输入的宽度和高度为64,深度为256;执行激活层操作;
L19层:输入的宽度和高度为64,深度为256;执行全连接层操作;
L20层:输入的宽度和高度为1,深度为4096;执行激活层操作;
L21层:输入的宽度和高度为1,深度为4096;执行随机失活层操作;
L22层:输入的宽度和高度为1,深度为4096;执行全连接层操作;
L23层:输入的宽度和高度为1,深度为4096;执行激活层操作;
L24层:输入的宽度和高度为1,深度为4096;执行随机失活层操作;
L25层:输入的宽度和高度为1,深度为4096;执行全连接层操作;
L26层:输入的宽度和高度为1,深度为3;执行输出层操作。
S6,将待检测的混凝土图像输入到训练好的深度卷积神经网络模型中,基于深度卷积神经网络算法和裂缝与孔洞的形态特征,判别图像中是否有裂缝和孔洞;同时识别图像中的裂缝和孔洞。
混凝土裂缝和孔洞同时识别,使用训练好的深度卷积神经网络对N/5测试集图像进行测试。
S7,计算待检测图像中裂缝的长度、宽度、面积,孔洞的孔径、面积。
其中,计算待识别图像中裂缝和孔洞的面积、长度和宽度具体包括:
S7-1,设裂缝和孔洞像素面积分别为S、T,裂缝行参数LX1,裂缝列参数LY1,孔洞行参数LX2,孔洞列参数LY2;
设裂缝行参数LX1,裂缝列参数LY1,孔洞行参数LX2,孔洞列参数LY2,进而可以得到裂缝和孔洞像素面积分别为S、T,最后根据像素和实物的比例关系,计算出实际混凝土的缺陷尺寸。
S7-2,按照从左到右,从上到下的顺序,依次选取裂缝和孔洞二值图像中的每一个像素点作为当前像素点;若当前像素点的像素值为1,则S=S+1,T=T+1,否则,S=S+0,T=T+0。
S7-3,重复S7-2,直至裂缝和孔洞二值图像中的每一个像素点被作为当前像素点,得到待识别图像中裂缝面积S和孔洞面积T。
S7-4,按照从左至右的顺序,依次选取裂缝和孔洞二值图像中的每一列像素作为当前列像素;若当前列像素的像素值为1,则LX1=LX1+1、LX2=LX2+1否则,LX1=LX1+0、LX2=LX2+0。
S7-5,重复S7-4,直至裂缝和孔洞二值图像中的每一列像素均被作为当前列像素,得到待识别图像中裂缝和孔洞行参数LX1、LX2。
S7-6,按照从上到下的顺序,依次选取裂缝和孔洞二值图像中的每一行像素作为当前行像素;若当前行像素的像素值为1,则LY1=LY1+1、LY2=LY2+1否则,LY1=LY1+0、LY2=LY2+0。
S7-7,重复S7-6,直至裂缝和孔洞二值图像中的每一列像素均被作为当前列像素,得到待识别图像中裂缝和孔洞列参数LY1、LY2。
S7-8,通过式(1)得到裂缝长度L1,孔洞长轴L2;
S7-9,通过式(2)得到裂缝宽度W1,孔洞短轴W2;
W1=S/L1,W2=T/L2……(2)。
基于以上步骤,本发明创新性地在神经网络中设置了不同大小的卷积核,来提取图像中不同的特征,然后通过深度学习算法,可以同时检测孔洞和裂缝这两种最为典型的结构缺陷,且检测的准确性能达到工程的要求。
如图2所示,本发明还提供了一种基于图像和深度神经网络的混凝土质量检测系统,包括:采集标注模块、预处理模块、模型构建模块和缺陷识别模块,其中,采集标注模块用于采集多张混凝土图像,并对多张混凝土图像分别进行缺陷类别标注,将标注后的混凝土图像以一定的比例分为训练集和测试集;预处理模块用于对训练集中混凝土图像进行预处理使得更加突出裂缝或者孔洞的形态特征;模型构建模块用于构建并训练深度卷积神经网络模型;缺陷识别模块用于将经过预处理后的混凝土图像输入至训练好的深度卷积神经网络模型中来识别图像中的裂缝和孔洞。
作为本发明的一个实施例,预处理模块包括:阈值分割处理单元和形态学处理单元,其中阈值分割处理单元用于对训练集中混凝土图像进行RGB三通道阈值分割使得图像中R、G、B三个通道上都能更加突出裂缝或者孔洞的形态特征;形态学处理单元用于对训练集中混凝土图像进行形态学处理以消除图像中杂质的干扰,同时更加突出裂缝或者孔洞的形态特征。
在本发明实施例中,为了能够进一步获得混凝土的裂缝和孔洞的参数,混凝土质量检测系统还包括:用于获取待检测图像中裂缝的长度、宽度和面积以及孔洞的孔径和面积的缺陷计算模块,其中,缺陷计算模块包括:面积计算单元、行参数计算单元、列参数计算单元和参数获取单元;面积计算单元用于按照设定的第一顺序依次选取裂缝和孔洞二值图像中的每一个像素点作为当前像素点,若所述当前像素点的像素值为1,则S=S+1,T=T+1,否则,S=S+0,T=T+0;直至遍历完裂缝和孔洞二值图像中的每一个像素点被作为当前像素点后获得待识别图像中裂缝面积S和孔洞面积T;行参数计算单元用于按照设定的第二顺序依次选取裂缝和孔洞二值图像中的每一列像素作为当前列像素;若当前列像素的像素值为1,则LX1=LX1+1、LX2=LX2+1否则,LX1=LX1+0、LX2=LX2+0;直至遍历完裂缝和孔洞二值图像中的每一列像素均被作为当前列像素后获得待识别图像中裂缝和孔洞行参数LX1、LX2;列参数计算单元用于按照设定的第三顺序依次选取裂缝和孔洞二值图像中的每一行像素作为当前行像素;若当前行像素的像素值为1,则LY1=LY1+1、LY2=LY2+1否则,LY1=LY1+0、LY2=LY2+0;直至遍历完裂缝和孔洞二值图像中的每一行像素均被作为当前行像素后获得待识别图像中裂缝和孔洞列参数LY1、LY2;参数获取单元用于根据公式和W1=S/L1获得裂缝的长度L1和裂缝宽度W1,并根据公式和W2=S/L2获得孔洞的长轴L2和孔洞的短轴W2;其中,S、T分别为裂缝像素面积和孔洞像素面积,LX1为裂缝行参数,LY1为裂缝列参数,LX2为孔洞行参数,LY2为孔洞列参数。
为了更进一步的说明本发明实施例提供的基于图像和深度卷积神经网络的混凝土质量检测方法,现参照附图并结合具体实施例详述如下:
本实施例给出一种基于图像和深度卷积神经网络的混凝土质量检测方法,如图1和图2所示,包括以下步骤:
S1采集N张混凝土图像,包括含缺陷和无缺陷的图像(约1:1);
作为本发明的一种具体实施方式,混凝土图像的采集方式可以采用消费级相机采集、智能手机拍摄及其他图像采集装置。
本实例混凝土图片来源为实验室制备的标准混凝土块,通过改变混凝土水灰比及添加的引气剂含量,并进行抗压强度试验得到不同裂缝和孔洞。
并且,本发明可以通过图像翻转、不同角度旋转等方式对混凝土图像进行增广。
在一种实施例下,图像增广后得到的样本数据集中共1000幅混凝土块图像,图像像素为3456×3456。
S2对N张混凝土图像进行缺陷类别标注,并将标注后的N张混凝土图像以4:1分为训练集和测试集,获得训练集图像4N/5张,测试集图像N/5张;
本实施例中将1000幅混凝土图像按照4:1的比例分为训练集和测试集,分别有800张、200张,其中测试集用于检测训练后的深度卷积神经网络裂缝和孔洞检测模型的检测效果。
在本实施例中,混凝土图像的缺陷类别分为裂缝和孔洞,并作相应标注。其中,裂缝类别为横向裂缝、纵向裂缝和网状裂缝。
S3对训练集混凝土图像进行RGB三通道阈值分割;
本实施例中将训练集混凝土图像800张进行R、G、B三个通道上的像素值归一化,消除光照和阴影的影响。
在本实施例中,三个通道上的归一化处理后进行三个通道上的阈值分割。选择合适的阈值,小于阈值的像素标注为0,对应于背景;大于阈值的像素标注为1,对应为识别对象。
如图3所示为一种实施例下某张混凝土图像RGB三通道阈值分割图。
S4对训练集混凝土图像进行形态学处理;
在本实施例中,对经RGB三通道阈值分割后的图像进行形态学开运算(先进行腐蚀运算后进行膨胀运算),消除背景噪声。
如图4所示为一种实施例下某张混凝土图像形态学开运算图。
S5构建并训练深度卷积神经网络模型;
如图5所示,在本实施例中,深度卷积神经网络的各层的结构为:
L1层:输入的宽度和高度为512,深度为1;执行卷积操作,卷积层操作的宽度和高度为5,数量为32,步距为1,补零为2;
L2层:输入的宽度和高度为512,深度为32;执行激活层操作;
L3层:输入的宽度和高度为512,深度为32;执行卷积操作,卷积层操作的宽度和高度为3,数量为32,步距为1,补零为1;
L4层:输入的宽度和高度为512,深度为32;执行激活层操作;
L5层:输入的宽度和高度为512,深度为32;执行池化层操作;
L6层:输入的宽度和高度为256,深度为32;执行Inception层;
L7层:输入的宽度和高度为256,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为64,步距为1,补零为1;
L8层:输入的宽度和高度为256,深度为64;执行激活层操作;
L9层:输入的宽度和高度为256,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为64,步距为1,补零为1;
L10层:输入的宽度和高度为256,深度为64;执行激活层操作;
L11层:输入的宽度和高度为256,深度为64;执行池化层操作;
L12层:输入的宽度和高度为128,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为128,步距为1,补零为1;
L13层:输入的宽度和高度为128,深度为128;执行激活层操作;
L14层:输入的宽度和高度为128,深度为128;执行卷积操作,卷积层操作的宽度和高度为3,数量为128,步距为1,补零为1;
L15层:输入的宽度和高度为128,深度为128;执行激活层操作;
L16层:输入的宽度和高度为128,深度为128;执行池化层操作;
L17层:输入的宽度和高度为64,深度为128;执行卷积操作,卷积层操作的宽度和高度为3,数量为256,步距为1,补零为1;
L18层:输入的宽度和高度为64,深度为256;执行激活层操作;
L19层:输入的宽度和高度为64,深度为256;执行全连接层操作;
L20层:输入的宽度和高度为1,深度为4096;执行激活层操作;
L21层:输入的宽度和高度为1,深度为4096;执行随机失活层操作;
L22层:输入的宽度和高度为1,深度为4096;执行全连接层操作;
L23层:输入的宽度和高度为1,深度为4096;执行激活层操作;
L24层:输入的宽度和高度为1,深度为4096;执行随机失活层操作;
L25层:输入的宽度和高度为1,深度为4096;执行全连接层操作;
L26层:输入的宽度和高度为1,深度为3;执行输出层操作。
S6将待检测的混凝土图像输入到训练好的深度卷积神经网络模型中,判别图像中是否有裂缝和孔洞;同时识别图像中的裂缝和孔洞。
混凝土裂缝和孔洞同时识别,可以使用训练好的深度卷积神经网络对200张测试集图像进行测试。
如图6示出了一种实施例下某张混凝土图像(部分)裂缝和孔洞识别图,从图中可以看出,(a)为输入照片,(b)为裂缝和孔洞识别结果,输入照片中的裂缝和孔洞均被识别出来。
S7计算待检测图像中裂缝的长度、宽度、面积,孔洞的孔径、面积;具体包括:
S7-1,设裂缝和孔洞像素面积分别为S、T,裂缝行参数LX1,裂缝列参数LY1,孔洞行参数LX2,孔洞列参数LY2;
S7-2,按照从左到右,从上到下的顺序,依次选取裂缝和孔洞二值图像中的每一个像素点作为当前像素点;若当前像素点的像素值为1,则S=S+1,T=T+1,否则,S=S+0,T=T+0;
S7-3,重复S7-2,直至裂缝和孔洞二值图像中的每一个像素点被作为当前像素点,得到待识别图像中裂缝面积S和孔洞面积T;
S7-4,按照从左至右的顺序,依次选取裂缝和孔洞二值图像中的每一列像素作为当前列像素;若当前列像素的像素值为1,则LX1=LX1+1、LX2=LX2+1否则,LX1=LX1+0、LX2=LX2+0;
S7-5,重复S7-4,直至裂缝和孔洞二值图像中的每一列像素均被作为当前列像素,得到待识别图像中裂缝和孔洞行参数LX1、LX2;
S7-6,按照从上到下的顺序,依次选取裂缝和孔洞二值图像中的每一行像素作为当前行像素;若当前列像素的像素值为1,则LY1=LY1+1、LY2=LY2+1否则,LY1=LY1+0、LY2=LY2+0;
S7-7,重复S7-6,直至裂缝和孔洞二值图像中的每一列像素均被作为当前列像素,得到待识别图像中裂缝和孔洞行参数LY1、LY2;
S7-8,通过式(1)得到裂缝长度L1,孔洞长轴L2;
S7-9,通过式(2)得到裂缝宽度W1,孔洞短轴W2;
W1=S/L1;W2=T/L2
在本发明中,裂缝的面积、长度、宽度,孔洞的面积、孔径单位均为像素,经过转化为公制单位。
如图7所示为一种实施例下某张混凝土图像(部分)裂缝和孔洞测量与实际测量结果对比图,从图中可以看出,(a)为计算机测量结果,(b)为人工测量结果,两者误差小于5%,采用本方法识别的精度较高,能基本满足工程中的测量需求。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像和深度卷积神经网络的混凝土质量检测方法,其特征在于,包括下述步骤:
(1)采集多张混凝土图像,所述混凝土图像中包括含缺陷的图像和无缺陷的图像;
(2)对所述多张混凝土图像分别进行缺陷类别标注,并将标注后的混凝土图像以一定的比例分为训练集和测试集;
(3)对所述训练集中混凝土图像进行预处理使得更加突出裂缝或者孔洞的形态特征;
(4)构建并训练深度卷积神经网络模型;
(5)将经过预处理后的混凝土图像输入至训练好的深度卷积神经网络模型中来识别图像中的裂缝和孔洞。
2.如权利要求1所述的混凝土质量检测方法,其特征在于,步骤(3)中对所述训练集中混凝土图像进行预处理包括:
(31)对所述训练集中混凝土图像进行RGB三通道阈值分割使得图像中R、G、B三个通道上都能更加突出裂缝或者孔洞的形态特征;
(32)对所述训练集中混凝土图像进行形态学处理以消除图像中杂质的干扰,同时更加突出裂缝或者孔洞的形态特征。
3.如权利要求1或2所述的混凝土质量检测方法,其特征在于,在步骤(4)中构建的所述深度卷积神经网络的结构为:
L1层:输入的宽度和高度为512,深度为1;执行卷积操作,卷积层操作的宽度和高度为5,数量为32,步距为1,补零为2;
L2层:输入的宽度和高度为512,深度为32;执行激活层操作;
L3层:输入的宽度和高度为512,深度为32;执行卷积操作,卷积层操作的宽度和高度为3,数量为32,步距为1,补零为1;
L4层:输入的宽度和高度为512,深度为32;执行激活层操作;
L5层:输入的宽度和高度为512,深度为32;执行池化层操作;
L6层:输入的宽度和高度为256,深度为32;执行Inception层;
L7层:输入的宽度和高度为256,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为64,步距为1,补零为1;
L8层:输入的宽度和高度为256,深度为64;执行激活层操作;
L9层:输入的宽度和高度为256,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为64,步距为1,补零为1;
L10层:输入的宽度和高度为256,深度为64;执行激活层操作;
L11层:输入的宽度和高度为256,深度为64;执行池化层操作;
L12层:输入的宽度和高度为128,深度为64;执行卷积操作,卷积层操作的宽度和高度为3,数量为128,步距为1,补零为1;
L13层:输入的宽度和高度为128,深度为128;执行激活层操作;
L14层:输入的宽度和高度为128,深度为128;执行卷积操作,卷积层操作的宽度和高度为3,数量为128,步距为1,补零为1;
L15层:输入的宽度和高度为128,深度为128;执行激活层操作;
L16层:输入的宽度和高度为128,深度为128;执行池化层操作;
L17层:输入的宽度和高度为64,深度为128;执行卷积操作,卷积层操作的宽度和高度为3,数量为256,步距为1,补零为1;
L18层:输入的宽度和高度为64,深度为256;执行激活层操作;
L19层:输入的宽度和高度为64,深度为256;执行全连接层操作;
L20层:输入的宽度和高度为1,深度为4096;执行激活层操作;
L21层:输入的宽度和高度为1,深度为4096;执行随机失活层操作;
L22层:输入的宽度和高度为1,深度为4096;执行全连接层操作;
L23层:输入的宽度和高度为1,深度为4096;执行激活层操作;
L24层:输入的宽度和高度为1,深度为4096;执行随机失活层操作;
L25层:输入的宽度和高度为1,深度为4096;执行全连接层操作;
L26层:输入的宽度和高度为1,深度为3;执行输出层操作。
4.如权利要求1-3任一项所述的混凝土质量检测方法,其特征在于,在步骤(5)中,所述识别图像中的裂缝和孔洞具体为:使用训练好的深度卷积神经网络对测试集中混凝土图像进行测试并分别标记裂缝和孔洞。
5.如权利要求1-4任一项所述的混凝土质量检测方法,其特征在于,在步骤(5)之后还包括步骤(6):
获取待检测图像中裂缝的长度、宽度和面积以及孔洞的孔径和面积。
6.如权利要求5所述的混凝土质量检测方法,其特征在于,步骤(6)具体为:
(61)按照设定的第一顺序依次选取裂缝和孔洞二值图像中的每一个像素点作为当前像素点,若所述当前像素点的像素值为1,则S=S+1,T=T+1,否则,S=S+0,T=T+0;直至遍历完裂缝和孔洞二值图像中的每一个像素点被作为当前像素点后获得待识别图像中裂缝面积S和孔洞面积T;
(62)按照设定的第二顺序依次选取裂缝和孔洞二值图像中的每一列像素作为当前列像素;若当前列像素的像素值为1,则LX1=LX1+1、LX2=LX2+1否则,LX1=LX1+0、LX2=LX2+0;直至遍历完裂缝和孔洞二值图像中的每一列像素均被作为当前列像素后获得待识别图像中裂缝和孔洞行参数LX1、LX2;
(63)按照设定的第三顺序依次选取裂缝和孔洞二值图像中的每一行像素作为当前行像素;若当前行像素的像素值为1,则LY1=LY1+1、LY2=LY2+1否则,LY1=LY1+0、LY2=LY2+0;直至遍历完裂缝和孔洞二值图像中的每一列像素均被作为当前行像素后获得待识别图像中裂缝和孔洞列参数LY1、LY2;
其中,S、T分别为裂缝像素面积和孔洞像素面积,LX1为裂缝行参数,LY1为裂缝列参数,LX2为孔洞行参数,LY2为孔洞列参数。
7.如权利要求6所述的混凝土质量检测方法,其特征在于,所述第一顺序为从左到右且从上到下;所述第二顺序为从左至右;所述第三顺序为从上到下。
8.一种基于图像和深度神经网络的混凝土质量检测系统,其特征在于,包括:
采集标注模块,用于采集多张混凝土图像,并对所述多张混凝土图像分别进行缺陷类别标注,将标注后的混凝土图像以一定的比例分为训练集和测试集;
预处理模块,用于对所述训练集中混凝土图像进行预处理使得更加突出裂缝或者孔洞的形态特征;
模型构建模块,用于构建并训练深度卷积神经网络模型;
缺陷识别模块,用于将经过预处理后的混凝土图像输入至训练好的深度卷积神经网络模型中来识别图像中的裂缝和孔洞。
9.如权利要求8所述的混凝土质量检测系统,其特征在于,所述预处理模块包括:
阈值分割处理单元,用于对所述训练集中混凝土图像进行RGB三通道阈值分割使得图像中R、G、B三个通道上都能更加突出裂缝或者孔洞的形态特征;
形态学处理单元,用于对所述训练集中混凝土图像进行形态学处理以消除图像中杂质的干扰,同时更加突出裂缝或者孔洞的形态特征。
10.如权利要求8或9所述的混凝土质量检测系统,其特征在于,所述混凝土质量检测系统还包括缺陷计算模块,所述缺陷计算模块包括:
面积计算单元,用于按照设定的第一顺序依次选取裂缝和孔洞二值图像中的每一个像素点作为当前像素点,若所述当前像素点的像素值为1,则S=S+1,T=T+1,否则,S=S+0,T=T+0;直至遍历完裂缝和孔洞二值图像中的每一个像素点被作为当前像素点后获得待识别图像中裂缝面积S和孔洞面积T;
行参数计算单元,用于按照设定的第二顺序依次选取裂缝和孔洞二值图像中的每一列像素作为当前列像素;若当前列像素的像素值为1,则LX1=LX1+1、LX2=LX2+1否则,LX1=LX1+0、LX2=LX2+0;直至遍历完裂缝和孔洞二值图像中的每一列像素均被作为当前列像素后获得待识别图像中裂缝和孔洞行参数LX1、LX2;
列参数计算单元,用于按照设定的第三顺序依次选取裂缝和孔洞二值图像中的每一行像素作为当前行像素;若当前行像素的像素值为1,则LY1=LY1+1、LY2=LY2+1否则,LY1=LY1+0、LY2=LY2+0;直至遍历完裂缝和孔洞二值图像中的每一行像素均被作为当前行像素后获得待识别图像中裂缝和孔洞列参数LY1、LY2;
其中,S、T分别为裂缝像素面积和孔洞像素面积,LX1为裂缝行参数,LY1为裂缝列参数,LX2为孔洞行参数,LY2为孔洞列参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530545.9A CN111724358A (zh) | 2020-06-11 | 2020-06-11 | 基于图像和卷积神经网络的混凝土质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530545.9A CN111724358A (zh) | 2020-06-11 | 2020-06-11 | 基于图像和卷积神经网络的混凝土质量检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111724358A true CN111724358A (zh) | 2020-09-29 |
Family
ID=72566440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010530545.9A Pending CN111724358A (zh) | 2020-06-11 | 2020-06-11 | 基于图像和卷积神经网络的混凝土质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724358A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112726360A (zh) * | 2020-12-24 | 2021-04-30 | 中铁建设集团基础设施建设有限公司 | 一种机场混凝土道面裂缝修补方法 |
CN114544920A (zh) * | 2022-02-18 | 2022-05-27 | 北京好运达智创科技有限公司 | 盖梁施工用的振捣检测装置及方法 |
CN116481461A (zh) * | 2022-11-24 | 2023-07-25 | 广州帕卡汽车零部件有限公司 | 一种汽车隔音隔热零配件成孔切口毛糙度检测方法 |
CN117011295A (zh) * | 2023-10-07 | 2023-11-07 | 西南科技大学 | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360046A (zh) * | 2014-11-06 | 2015-02-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种码头混凝土结构内部隐患的综合物探联合诊断方法 |
CN107655971A (zh) * | 2017-08-30 | 2018-02-02 | 天津大学 | 一种混凝土结构表面及内部损伤精细建模方法 |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
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 |
KR20200013148A (ko) * | 2018-07-18 | 2020-02-06 | 주식회사 케이엠티엘 | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 |
CN111127416A (zh) * | 2019-12-19 | 2020-05-08 | 武汉珈鹰智能科技有限公司 | 基于计算机视觉的混凝土结构表面缺陷自动检测方法 |
-
2020
- 2020-06-11 CN CN202010530545.9A patent/CN111724358A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360046A (zh) * | 2014-11-06 | 2015-02-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种码头混凝土结构内部隐患的综合物探联合诊断方法 |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN107655971A (zh) * | 2017-08-30 | 2018-02-02 | 天津大学 | 一种混凝土结构表面及内部损伤精细建模方法 |
CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
KR20200013148A (ko) * | 2018-07-18 | 2020-02-06 | 주식회사 케이엠티엘 | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 |
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 |
CN111127416A (zh) * | 2019-12-19 | 2020-05-08 | 武汉珈鹰智能科技有限公司 | 基于计算机视觉的混凝土结构表面缺陷自动检测方法 |
Non-Patent Citations (2)
Title |
---|
本书编委会: "《建筑工程质量常见问题防治手册》", 31 January 2017 * |
黎奉薪: "基于深层卷积神经网络的物体识别研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112726360A (zh) * | 2020-12-24 | 2021-04-30 | 中铁建设集团基础设施建设有限公司 | 一种机场混凝土道面裂缝修补方法 |
CN114544920A (zh) * | 2022-02-18 | 2022-05-27 | 北京好运达智创科技有限公司 | 盖梁施工用的振捣检测装置及方法 |
CN116481461A (zh) * | 2022-11-24 | 2023-07-25 | 广州帕卡汽车零部件有限公司 | 一种汽车隔音隔热零配件成孔切口毛糙度检测方法 |
CN116481461B (zh) * | 2022-11-24 | 2023-09-22 | 广州帕卡汽车零部件有限公司 | 一种汽车隔音隔热零配件成孔切口毛糙度检测方法 |
CN117011295A (zh) * | 2023-10-07 | 2023-11-07 | 西南科技大学 | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 |
CN117011295B (zh) * | 2023-10-07 | 2024-01-23 | 西南科技大学 | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
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 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
Yao et al. | Deep-learning-based bughole detection for concrete surface image | |
CN108416774A (zh) | 一种基于细粒度神经网络的织物种类识别方法 | |
CN108346144A (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN110503623A (zh) | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 | |
CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
Litvintseva et al. | Real-time steel surface defect recognition based on CNN | |
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 | |
CN117291913A (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN115761613B (zh) | 一种基于卷积网络的隧道裂缝自动检测方法 | |
CN116183622A (zh) | 一种基于点云信息的地铁渗漏水检测方法 | |
CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
CN114913158A (zh) | 一种水文地质岩体裂隙及裂隙渗水检测方法及系统 | |
CN113901947A (zh) | 一种小样本下的轮胎表面瑕疵智能识别方法 | |
CN107590824B (zh) | 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |