CN111784679A - 一种基于cnn和svm的挡土墙裂缝识别方法 - Google Patents
一种基于cnn和svm的挡土墙裂缝识别方法 Download PDFInfo
- Publication number
- CN111784679A CN111784679A CN202010641224.6A CN202010641224A CN111784679A CN 111784679 A CN111784679 A CN 111784679A CN 202010641224 A CN202010641224 A CN 202010641224A CN 111784679 A CN111784679 A CN 111784679A
- Authority
- CN
- China
- Prior art keywords
- retaining wall
- svm
- cnn
- image
- crack
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
Abstract
本发明涉及一种基于CNN和SVM的挡土墙裂缝识别方法,采用装备有单目摄像机的无人机收集并建立挡土墙裂缝识别数据库;进行图像数据预处理和数据增强;建立基于CNN和SVM的挡土墙裂缝识别算法模型;对算法模型训练,得到最优的挡土墙裂缝识别算法训练模型;无人机实时采集挡土墙图片,并通过云端网络上传至上位机;上位机前处理并利用预训练好的模型对挡土墙的照片进行裂缝识别。本发明基于无人机采集的图像,采用智能算法能够准确地识别出挡土墙的裂缝,有助于挡土墙的修补,减少人工检查成本,提高效率。
Description
技术领域
本发明涉及挡土墙裂缝识别领域,特别涉及基于一种基于CNN和SVM的挡土墙裂缝识别方法。
背景技术
挡土墙是指支承路基填土或山坡土体、防止填土或土体变形失稳的构造物。挡土墙的存在减少了水土流失和滑坡,对自然风貌保护和人民财产安全保障有重大意义。随着时间的推进和风雨的洗刷,挡土墙难免会发生裂缝现象,裂缝对挡土墙的性能有很大程度的削弱,所以准确的识别出挡土墙裂缝有待解决。
目前多采用人工定期检查的方法,然而存在极大的主观性,人工检查耗时耗力,人工成本高,工作效率低下。而且,有些挡土墙的地理位置崎岖陡峭,不利于检查员行走和肉眼观测,容易导致漏检。
发明内容
为了解决上述存在问题,本发明提出一种基于CNN和SVM的挡土墙裂缝识别方法,基于无人机采集的图像,采用智能算法能够准确地识别出挡土墙的裂缝,有助于挡土墙的修补,减少人工检查成本,提高效率。为达此目的:
本发明提出一种基于CNN和SVM的挡土墙裂缝识别方法,具体步骤如下,
步骤1:采用装备有单目摄像机的无人机采集获取一定数量的挡土墙图片,将收集的图片分别标注为有无裂缝样本类别并建立MYSQL数据库进行存储;
步骤2:对挡土墙裂缝识别MYSQL数据库的图片进行图像数据预处理和数据增强;
步骤3:建立基于CNN和SVM的挡土墙裂缝识别算法模型;
步骤4:并将步骤2处理好的数据放入算法模型中进行训练,得到最优的挡土墙裂缝识别算法训练模型;
步骤5:采用装备有单目摄像机的无人机实时采集挡土墙图片,并通过云端网络上传至上位机;
步骤6:上位机基于步骤2的图像预处理方法进行前处理,并利用预训练好的模型对挡土墙的照片进行裂缝识别,并将相关的识别结果通过云端网络上传至终端显示屏。
作为本发明进一步改进,所述步骤2中的挡土墙图像预处理方法为,在挡土墙彩色图像的RGB各分量上分别做灰度直方图均衡化,然后再将三个分量合并,得到对比度增强的挡土墙图像;采用高斯滤波器对挡土墙图像进行平滑滤波处理,保留图像边缘、轮廓等细节信息;在挡土墙图像中,采用邻域像素的平均灰度值代替中心像素灰度调整图像分辨率,以减小图像尺寸。
作为本发明进一步改进,所述步骤2中的挡土墙图像裂缝样本数据增强的方法为,对标签类别为有裂缝挡土墙的图像分别进行旋转90°、180°和270°,左右镜像,垂直翻转操作,以扩增数据库中有裂缝挡土墙的图像样本数量,减少数据不平衡。
作为本发明进一步改进,所述步骤3中所述基于CNN和SVM的挡土墙裂缝识别算法模型的CNN模块,由2个卷积层,2个池化层以及一个全连接层组成,网络计算流程为第一卷积层→第一池化层→第二卷积层→第二池化层→全连接层。
每个卷积层的表达式为
本发明的两个池化层均采用最大池化策略,最大池化的表达式为:
经由两层卷积和池化而后将最终的结果输入到全连接层来映射出特征向量,以输入到SVM模块。
作为本发明进一步改进,所述步骤3中所述基于CNN和SVM的挡土墙裂缝识别算法模型的SVM模块具体是:
所建立的SVM模块为一个二分类器,其中有裂缝的挡土墙图像为负样本,无裂缝的挡土墙图像为正样本,分类基础为寻找一个满足数据分类要求的最优超平面,使得超平面在确保分类精度的情况下,超平面与两类样本点距离最大。分类超平面可以表示为w·Φ(x)+b=0,w为权重矢量,b为偏置。挡土墙裂缝识别算法模型的SVM模块通过以下目标数极小化确定分类函数:
s.t.yi[wTxi+b]≥1-ξi,(ξi≥0,i=1,...,l)
其中C为惩罚参数,可以控制对错分样本的惩罚程度,ξi为松弛因子。引入拉格朗日乘法算子,对上式求解,建立寻找最优超平面的目标函数:
分别对λ、b求偏导数,并令其等于零,采用适当的内积函数实现非线性变换后的线性分类,实现训练样本间的内积运算,可求解出λ、b。所建立的SVM的最终分类函数为其中,λ为拉格朗日乘子,K(Xi,x)为SVM模型的核函数,本发明选择是RBF核函数,表达式K(Xi,x)=exp(-g||Xi-x||2),其中g为核参数。
作为本发明进一步改进,所述步骤4中挡土墙裂缝识别CNN-SVM最优模型的训练方法为k-折叠交叉验证(k-fold cross validation)方法,具体为:
(1)将全部挡土墙裂缝识别数据库训练集S(总个数为m)分f次随机分成k个不相交的子集,假设S中的训练样例个数为t,那么每一个子集有m/k个挡土墙裂缝识别训练样本。
(2)在训练子集中选择出k-1个,使用这k-1个子集训练后,得到一组网络权重,最后使用剩下的一份作测试,得到经验损失,子集样本的损失为交叉熵损失,表达式为式中,t为样本数,y(i)为挡土墙实际样本标签,为模型判别的挡土墙标签。
(3)每次留下一个(从1到k),因此会得到k个经验损失,最终的经验损失是这k个经验损失的平均。
(4)选出f次中平均经验损失最小的,然后使用全部的S再做一次训练,得到最后的最优挡土墙裂缝识别算法模型。
本发明提出一种基于CNN和SVM的挡土墙裂缝识别算法方法,有益效果在于:
1.本发明利用机器学习算法,使得挡土墙裂缝识别更加智能化,减少人工检查成本,提高效率,非线性数据挖掘能力强。
2.本发明采用的是无人机采集的挡土墙图像,可解决恶劣地理环境给检测带来的困难,可应用性和推广性强。
3.卷积神经网络(CNN,Convolution neural network)作为深度学习中的一种权值共享的多层神经网络架构,可以直接将原始图像作为输入,减少了手工提取特征流程。
4.本发明采用SVM模块代替传统CNN方法的BP层和softmax函数,避免了BP神经网络使用代价函数寻求最优解的方式,其通过核函数将低维特征映射到高维空间,在高维空间中构造最优分类超平面来实现分类,可以达到全局最优,收敛速度快、泛化能力强。
5.本发明算法实现简单,系统构建成本较低。
附图说明
图1是本发明提出的基于CNN和SVM的挡土墙裂缝识别方法架构图;
图2是本发明提出的CNN和SVM的算法模型的CNN模块;
图3是本发明提出的CNN和SVM的算法模型的SVM模块;
图4是本发明提出的挡土墙裂缝识别CNN-SVM最优模型的训练方法示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
一种基于CNN和SVM的挡土墙裂缝识别方法,如图1所示为基于CNN和SVM的挡土墙裂缝识别方法架构图,具体步骤如下,
步骤1:采用装备有单目摄像机的无人机采集获取一定数量的挡土墙图片,将收集的图片分别标注为有无裂缝样本类别并建立MYSQL数据库进行存储;
步骤2:对挡土墙裂缝识别MYSQL数据库的图片进行图像数据预处理和数据增强;
其中,挡土墙图像预处理方法为,在挡土墙彩色图像的RGB各分量上分别做灰度直方图均衡化,然后再将三个分量合并,得到对比度增强的挡土墙图像;采用高斯滤波器对挡土墙图像进行平滑滤波处理,保留图像边缘、轮廓等细节信息;在挡土墙图像中,采用邻域像素的平均灰度值代替中心像素灰度调整图像分辨率,以减小图像尺寸。
其中,挡土墙图像裂缝样本数据增强的方法为,对标签类别为有裂缝挡土墙的图像分别进行旋转90°、180°和270°,左右镜像,垂直翻转操作,以扩增数据库中有裂缝挡土墙的图像样本数量,减少数据不平衡。
步骤3:建立基于CNN和SVM的挡土墙裂缝识别算法模型;
其中,如图2所示为基于CNN和SVM的挡土墙裂缝识别算法模型的CNN模块,由2个卷积层,2个池化层以及一个全连接层组成,网络计算流程为第一卷积层→第一池化层→第二卷积层→第二池化层→全连接层。
每个卷积层的表达式为
本发明的两个池化层均采用最大池化策略,最大池化的表达式为:
经由两层卷积和池化而后将最终的结果输入到全连接层来映射出特征向量,以输入到SVM模块。
其中,如图3所示为基于CNN和SVM的挡土墙裂缝识别算法模型的SVM模块具体是:
所建立的SVM模块为一个二分类器,其中有裂缝的挡土墙图像为负样本,无裂缝的挡土墙图像为正样本,分类基础为寻找一个满足数据分类要求的最优超平面,使得超平面在确保分类精度的情况下,超平面与两类样本点距离最大。分类超平面可以表示为w·Φ(x)+b=0,w为权重矢量,b为偏置。挡土墙裂缝识别算法模型的SVM模块通过以下目标数极小化确定分类函数:
s.t.yi[wTxi+b]≥1-ξi,(ξi≥0,i=1,...,l)
其中C为惩罚参数,可以控制对错分样本的惩罚程度,ξi为松弛因子。引入拉格朗日乘法算子,对上式求解,建立寻找最优超平面的目标函数:
分别对λ、b求偏导数,并令其等于零,采用适当的内积函数实现非线性变换后的线性分类,实现训练样本间的内积运算,可求解出λ、b。所建立的SVM的最终分类函数为其中,λ为拉格朗日乘子,K(Xi,x)为SVM模型的核函数,本发明选择是RBF核函数,表达式K(Xi,x)=exp(-g||Xi-x||2),其中g为核参数。
步骤4:并将步骤2处理好的数据放入算法模型中进行训练,得到最优的挡土墙裂缝识别算法训练模型;其中,挡土墙裂缝识别CNN-SVM最优模型的训练方法为k-折叠交叉验证(k-fold cross validation)方法,如图4所示为挡土墙裂缝识别CNN-SVM最优模型的训练方法示意图,具体为:
(1)将全部挡土墙裂缝识别数据库训练集S(总个数为m)分f次分成k个不相交的子集,假设S中的训练样例个数为t,那么每一个子集有m/k个挡土墙裂缝识别训练样本。
(2)在训练子集中选择出k-1个,使用这k-1个子集作为训练数据集(trainingset)训练后,得到一组网络权重,最后使用剩下的一份作测试集(testing setji)做测试,得到经验损失,子集样本的损失为交叉熵损失,表达式为式中,t为样本数,y(i)为挡土墙实际样本标签,为模型判别的挡土墙标签。
(3)每次留下一个(从1到k),因此会得到k个经验损失,最终的经验损失是这k个经验错误的平均。
(4)选出f次中平均经验损失最小的,然后使用全部的S再做一次训练,得到最后的最优挡土墙裂缝识别算法模型。
步骤5:采用装备有单目摄像机的无人机实时采集挡土墙图片,并通过云端网络上传至上位机;
步骤6:上位机基于步骤2的图像预处理方法进行前处理,并利用预训练好的模型对挡土墙的照片进行裂缝识别,并将相关的识别结果通过云端网络上传至终端显示屏。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (6)
1.一种基于CNN和SVM的挡土墙裂缝识别方法,具体步骤如下,其特征在于,
步骤1:采用装备有单目摄像机的无人机采集获取一定数量的挡土墙图片,将收集的图片分别标注为有无裂缝样本类别并建立MYSQL数据库进行存储;
步骤2:对挡土墙裂缝识别MYSQL数据库的图片进行图像数据预处理和数据增强;
步骤3:建立基于CNN和SVM的挡土墙裂缝识别算法模型;
步骤4:并将步骤2处理好的数据放入算法模型中进行训练,得到最优的挡土墙裂缝识别算法训练模型;
步骤5:采用装备有单目摄像机的无人机实时采集挡土墙图片,并通过云端网络上传至上位机;
步骤6:上位机基于步骤2的图像预处理方法进行前处理,并利用预训练好的模型对挡土墙的照片进行裂缝识别,并将相关的识别结果通过云端网络上传至终端显示屏。
2.根据权利要求1所述的一种基于CNN和SVM的挡土墙裂缝识别方法,其特征在于;
所述步骤2中的挡土墙图像预处理方法为,在挡土墙彩色图像的RGB各分量上分别做灰度直方图均衡化,然后再将三个分量合并,得到对比度增强的挡土墙图像;采用高斯滤波器对挡土墙图像进行平滑滤波处理,保留图像边缘、轮廓等细节信息;在挡土墙图像中,采用邻域像素的平均灰度值代替中心像素灰度调整图像分辨率,以减小图像尺寸。
3.根据权利要求1所述的一种基于CNN和SVM的挡土墙裂缝识别方法,其特征在于;
所述步骤2中的挡土墙图像裂缝样本数据增强的方法为,对标签类别为有裂缝挡土墙的图像分别进行旋转90°、180°和270°,左右镜像,垂直翻转操作,以扩增数据库中有裂缝挡土墙的图像样本数量,减少数据不平衡。
4.根据权利要求1所述的一种基于CNN和SVM的挡土墙裂缝识别方法,其特征在于;
所述步骤3中所述基于CNN和SVM的挡土墙裂缝识别算法模型的CNN模块,由2个卷积层,2个池化层以及一个全连接层组成,网络计算流程为第一卷积层→第一池化层→第二卷积层→第二池化层→全连接层;
每个卷积层的表达式为
两个池化层均采用最大池化策略,最大池化的表达式为:
经由两层卷积和池化而后将最终的结果输入到全连接层来映射出特征向量,以输入到SVM模块。
5.根据权利要求1所述的一种基于CNN和SVM的挡土墙裂缝识别方法,其特征在于;
所述步骤3中所述基于CNN和SVM的挡土墙裂缝识别算法模型的SVM模块具体是:
所建立的SVM模块为一个二分类器,其中有裂缝的挡土墙图像为负样本,无裂缝的挡土墙图像为正样本,分类基础为寻找一个满足数据分类要求的最优超平面,使得超平面在确保分类精度的情况下,超平面与两类样本点距离最大,分类超平面可以表示为w·Φ(x)+b=0,w为权重矢量,b为偏置,挡土墙裂缝识别算法模型的SVM模块通过以下目标数极小化确定分类函数:
s.t.yi[wTxi+b]≥1-ξi,(ξi≥0,i=1,...,l)
其中C为惩罚参数,可以控制对错分样本的惩罚程度,ξi为松弛因子,引入拉格朗日乘法算子,对上式求解,建立寻找最优超平面的目标函数:
6.根据权利要求1所述的一种基于CNN和SVM的挡土墙裂缝识别方法,其特征在于;
所述步骤4中挡土墙裂缝识别CNN-SVM最优模型的训练方法为k-折叠交叉验证(k-foldcross validation)方法,具体为:
(1)将全部挡土墙裂缝识别数据库训练集S(总个数为m)分f次随机分成k个不相交的子集,假设S中的训练样例个数为t,那么每一个子集有m/k个挡土墙裂缝识别训练样本;
(2)在训练子集中选择出k-1个,使用这k-1个子集训练后,得到一组网络权重,最后使用剩下的一份作测试,得到经验损失,子集样本的损失为交叉熵损失,表达式为式中,t为样本数,y(i)为挡土墙实际样本标签,为模型判别的挡土墙标签;
(3)每次留下一个,从1到k,因此会得到k个经验损失,最终的经验损失是这k个经验错误的平均;
(4)选出f次中平均经验损失最小的,然后使用全部的S再做一次训练,得到最后的最优挡土墙裂缝识别算法模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641224.6A CN111784679A (zh) | 2020-07-06 | 2020-07-06 | 一种基于cnn和svm的挡土墙裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641224.6A CN111784679A (zh) | 2020-07-06 | 2020-07-06 | 一种基于cnn和svm的挡土墙裂缝识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784679A true CN111784679A (zh) | 2020-10-16 |
Family
ID=72757958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641224.6A Pending CN111784679A (zh) | 2020-07-06 | 2020-07-06 | 一种基于cnn和svm的挡土墙裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784679A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734739A (zh) * | 2021-01-18 | 2021-04-30 | 福州大学 | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 |
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 |
CN114066891A (zh) * | 2022-01-17 | 2022-02-18 | 北京市建设工程质量第一检测所有限责任公司 | 基于深度学习的墙体裂缝识别评判方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
CN106645205A (zh) * | 2017-02-24 | 2017-05-10 | 武汉大学 | 一种无人机桥梁底面裂纹检测方法及系统 |
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
CN207882165U (zh) * | 2017-12-05 | 2018-09-18 | 华北电力大学(保定) | 智能充电的风电场扇叶表面缺陷检测的装置 |
CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
-
2020
- 2020-07-06 CN CN202010641224.6A patent/CN111784679A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
CN106645205A (zh) * | 2017-02-24 | 2017-05-10 | 武汉大学 | 一种无人机桥梁底面裂纹检测方法及系统 |
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
CN207882165U (zh) * | 2017-12-05 | 2018-09-18 | 华北电力大学(保定) | 智能充电的风电场扇叶表面缺陷检测的装置 |
CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
Non-Patent Citations (1)
Title |
---|
邓星: ""基于深度学习与SVM的电弧熔积表面缺陷检测与分类"", 《中国优秀硕士论文全文数据库信息科技辑》 * |
Cited By (5)
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 |
CN112734739A (zh) * | 2021-01-18 | 2021-04-30 | 福州大学 | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 |
CN112734739B (zh) * | 2021-01-18 | 2022-07-08 | 福州大学 | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 |
CN114066891A (zh) * | 2022-01-17 | 2022-02-18 | 北京市建设工程质量第一检测所有限责任公司 | 基于深度学习的墙体裂缝识别评判方法、装置、设备及介质 |
CN114066891B (zh) * | 2022-01-17 | 2022-11-22 | 北京市建设工程质量第一检测所有限责任公司 | 基于深度学习的墙体裂缝识别评判方法、装置、设备及介质 |
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 | |
CN111414968B (zh) | 一种基于卷积神经网络特征图的多模态遥感影像匹配方法 | |
CN108776779B (zh) | 基于卷积循环网络的sar序列图像目标识别方法 | |
CN111784679A (zh) | 一种基于cnn和svm的挡土墙裂缝识别方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN109800735A (zh) | 一种船目标精确检测与分割方法 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
CN113870263B (zh) | 一种路面缺陷损伤实时监测方法及系统 | |
CN107545571A (zh) | 一种图像检测方法及装置 | |
CN113436227A (zh) | 一种基于倒残差的孪生网络目标跟踪方法 | |
CN111753677A (zh) | 基于特征金字塔结构的多角度遥感船舶图像目标检测方法 | |
CN112883850A (zh) | 一种基于卷积神经网络的多视角空天遥感图像匹配方法 | |
CN113327255A (zh) | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 | |
CN111353396A (zh) | 一种基于SCSEOCUnet的混凝土裂缝分割方法 | |
CN114943893B (zh) | 一种土地覆盖分类的特征增强方法 | |
CN110647977B (zh) | 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法 | |
CN112508851A (zh) | 一种基于cnn分类算法的泥岩岩性识别系统 | |
Kampffmeyer et al. | Dense dilated convolutions merging network for semantic mapping of remote sensing images | |
CN112417931A (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
CN111191704B (zh) | 一种基于任务图卷积网络的地基云分类方法 | |
CN111950476A (zh) | 基于深度学习的复杂环境下河道船舶自动识别方法 | |
CN116342536A (zh) | 基于轻量化模型的铝带材表面缺陷检测方法、系统及设备 | |
CN114743045B (zh) | 一种基于双分支区域建议网络的小样本目标检测方法 | |
CN114998251A (zh) | 一种基于联邦学习的空中多视觉平台地面异常检测方法 | |
CN114821098A (zh) | 一种基于灰度梯度融合特征及cnn的高速路面破损检测算法 |
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 |
Application publication date: 20201016 |
|
RJ01 | Rejection of invention patent application after publication |