CN111860596A - 基于深度学习的无监督路面裂缝分类方法及模型建立方法 - Google Patents
基于深度学习的无监督路面裂缝分类方法及模型建立方法 Download PDFInfo
- Publication number
- CN111860596A CN111860596A CN202010553028.3A CN202010553028A CN111860596A CN 111860596 A CN111860596 A CN 111860596A CN 202010553028 A CN202010553028 A CN 202010553028A CN 111860596 A CN111860596 A CN 111860596A
- Authority
- CN
- China
- Prior art keywords
- pavement crack
- unsupervised
- classified
- model
- classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于路面裂缝分类领域,公开了一种基于深度学习的无监督路面裂缝分类模型建立方法,包括如下步骤:获取待分类图片数据集;建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项;将待分类图片数据集输入AlexNet网络模型中,获得高维特征向量集;对高维特征向量集利用快速峰值算法进行聚类,获得伪标签集;利用待分类图片数据集和伪标签集对AlexNet网络模型进行训练,训练完成的模型即为无监督路面裂缝分类模型。本发明将无监督聚类算法引入深度神经网络对路面裂缝图像数据进行处理,进而去掉数据标注的任务,不仅对于深度神经网络而言具有重要意义,并且在无监督视觉特征学习任务上也是一个重大的突破。
Description
技术领域
本发明属于路面裂缝分类领域,具体涉及一种基于深度学习的无监督路面裂缝分类方法及模型建立方法。
背景技术
随着我国经济的日益繁荣,公路交通运输业得以迅速发展。在二十一世纪日益激烈的国际竞争中,公路的建设与维护情况不仅反映了一个国家的经济水平,而且是衡量一个国家综合国力的重要依据。路面裂缝作为道路常见病害之一,是道路养护工作的重点和难点。现有的路面裂缝分类方法存在以下问题:
1.传统的无监督路面裂缝分类算法不能直接对原始图像数据进行处理,必须首先对原始图像数据进行特征提取,然后构造合适的分类模型,而当下的特征提取算法不仅对不同图像的普适性不高,而且针对图像的局部特征进行提取,因此现有的无监督学习方法对于实际路面裂缝像分类的普遍适用性不高而且分类的准确率较低。
2.基于深度学习的有监督分类方法虽然解决了传统方法人工提取图像特征的难题,但依赖于对训练集的裂缝图像进行人工标注的过程,导致该类方法较为耗时且计算成本高。所以减少对标签信息的依赖程度实现对路面裂缝的分类任务,也成了进一步的研究目标,这也是本发明所提出的无监督路面裂缝图像分类的发展方向,很有工业实际意义。
发明内容
本发明的目的在于提供一种基于深度学习的无监督路面裂缝分类方法及模型建立方法,用以解决现有技术中的现有的无监督图像分类方法都存出普遍适用性较差以及分类准确率低等问题。
为了实现上述任务,本发明采用以下技术方案:
一种基于深度学习的无监督路面裂缝分类模型建立方法,包括如下步骤:
步骤1:获取待分类图片数据集;
步骤2:建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项,所述AlexNet网络模型中,LRN层设为权值归一化层、激活函数设为包含ReLU6正向区间与Swish负向区间的函数;
步骤3:将步骤1得到的待分类图片数据集输入步骤2得到的AlexNet网络模型中,获得高维特征向量集;
对高维特征向量集利用快速峰值算法进行聚类,获得伪标签集;
步骤4:利用步骤1获得的待分类图片数据集和步骤3获得的伪标签集对步骤2的AlexNet网络模型进行训练,训练完成的模型即为无监督路面裂缝分类模型。
进一步的,所述待分类图片数据集的建立包括以下子步骤:
步骤1.1:采集N幅路面裂缝图像,并对N幅路面裂缝图像进行预处理和图像增广,得到M幅路面裂缝图像,M>N;
步骤1.2,对M幅路面裂缝图像放缩为统一尺寸,得到放缩后的路面裂缝图像,所有到放缩后的路面裂缝图像作为待分类图片数据集。
进一步的,在步骤2建立的所述的AlexNet网络模型中,原LRN层改为权值归一化层、激活函数设为包含ReLU6正向区间与Swish负向区间的函数。
进一步的,步骤3中先利用PCA算法对高维特征向量进行了降维,然后再利用快速峰值算法进行聚类。
更进一步的,所述快速峰值算法中ρi和δi满足:
其中,ρi表示局部密度,δi表示距离,IS表示所有待分类图片中像素点的集合,dij表示任一张待分类图片上两个像素点之间的距离,dc表示截断距离参数,IS i={j∈IS|ρj>ρi},i,j表示任意两个像素点的标号。
一种基于深度学习的无监督路面裂缝分类方法,包括:采集路面裂缝图像,将路面裂缝图像输入任一无监督路面裂缝分类模型中进行分类,得到所述路面裂缝图像的裂缝类别。
本发明与现有技术相比具有以下技术特点:
1、本发明将无监督聚类算法引入深度神经网络对路面裂缝图像数据进行处理,进而去掉数据标注的任务,不仅对于深度神经网络而言具有重要意义,并且在无监督视觉特征学习任务上也是一个重大的突破。
2、本发明所提出的算法与目前性能相对优越的几种无监督分类算法对同样的路面裂缝图像数据集分别进行试验,可以看出本发明提出的无监督图像分类模型在每类裂缝图像下都较现有的算法有了较大的提升。
3、本发明在一定程度上加强了路面裂缝的自动化分类,并为路面养护工作财务成本的缩减提供了可能,进而对我国公路养护工作和公路交通业的发展做出重大贡献。
附图说明
图1是本发明的总体框架图;
图2为WN(权值归一化层)的原理示意图;
图3为ReLU6和Swish的融合函数的图像;
图4为改进型自适应快速峰值聚类算法的具体实现流程;
图5为无监督裂缝分类模型的具体训练流程图;
图6为无监督裂缝分类模型的损失函数曲线;
图7为不同的无监督算法对裂缝图像数据集的分类结果。
以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1
在本实施例中公开了一种基于深度学习的无监督路面裂缝分类模型建立方法,包括如下步骤:
步骤1:获取待分类图片数据集;
步骤2:建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项,所述AlexNet网络模型中,LRN层设为权值归一化层、激活函数设为包含ReLU6正向区间与Swish负向区间的函数;
步骤3:将步骤1得到的待分类图片数据集输入步骤2得到的AlexNet网络模型中,获得高维特征向量集;
对高维特征向量集利用快速峰值算法进行聚类,获得伪标签集;
步骤4:利用步骤1获得的待分类图片数据集和步骤3获得的伪标签集对步骤2的AlexNet网络模型进行训练,训练完成的模型即为无监督路面裂缝分类模型。
本方法所构建的无监督路面裂缝图像分类模型将改进后的AlexNet网络与自适应快速峰值聚类结合起来,在对裂缝特征进行表征的同时以对裂缝图像特征进行聚类的结果为伪标签更新网络的参数。整个模型包括主要包括两个过程:1)自适应快速峰值聚类算法对卷积提取到的图像特征进行聚类,然后基于聚类分得的类别信息作为伪标签(即替代人工标注的标签信息),进行反向传播,更新网络的参数;2)网络在逐步迭代的更新中不断预测这些伪标签。这两个过程迭代进行,以实现对裂缝图像的无监督分类。
具体的,所述待分类图片数据集的建立包括以下子步骤:
步骤1.1:采集N幅路面裂缝图像,并对N幅路面裂缝图像进行预处理和图像增广,得到M幅路面裂缝图像,M>N;
步骤1.2,对M幅路面裂缝图像放缩为统一尺寸,得到放缩后的路面裂缝图像,所有到放缩后的路面裂缝图像作为待分类图片数据集。在采集路面裂缝图像时,可能由于拍摄所采用的设备不统一造成图像的尺寸、规格不统一,此处统一尺寸,以得到准确的处理结果。
具体的,所述路面图像的裂缝类别为横向裂缝、纵向裂缝和网状裂缝。
优选的,对步骤a1中增广后的路面裂缝图像还需进行灰度归一化和去噪处理。
具体的,在步骤2建立的所述的AlexNet网络模型中,原LRN层改为权值归一化层、激活函数设为包含ReLU6正向区间与Swish负向区间的函数。
使用权值归一化层代替原有网络中的LRN层,对比LRN层,WN层可以实现利用更少的参数对网络的权重进行更新,如图2所示为WN的原理示意图;改用动态学习率的方式对模型学习率进行调整,以便能适时的对学习率进行调整,优化网络训练。在训练前期设置一个较大的初始学习率,在训练过程中随着迭代次数的增加,逐渐将学习率降低到合适的尺度,并且训练越到后面学习率的调整程度越精细;改用融合ReLU6正向区间与Swish负向区间的激活函数,解决了ReLU不能在这个区间进行权重更新的问题,而且非线性的引入也增强了模型的普适性,在优化模型的性能的同时大大扩展了模型的适用范围。如图3所示为ReLU6和Swish的融合函数的图像。
具体的,步骤2中先利用PCA算法对高维特征向量进行了降维,然后再利用快速峰值算法进行聚类。
另外,为了使聚类过程达到最优的性能,在将卷积神经网络输出的高维特征送入聚类算法之前,首先使用PCA算法对高维特征向量进行了降维操作。对于最终的特征向量维度数的选取,通过对调节范围的分析,可以发现128 维时聚类效果最好,最终网络选定PCA输出的特征维度为128。
优选的,降维后的特征向量的特征维度为128。
优选的,所述快速峰值算法中ρi和δi满足:
其中,ρi表示局部密度,δi表示距离,IS表示所有待分类图片中像素点的集合,dij表示任一张待分类图片上两个像素点之间的距离,dc表示截断距离参数,IS i={j∈IS|ρj>ρi},i,j表示任意两个像素点的标号。
在重新定义了上面两个变量之后,本节通过搜索的局部密度信息熵函数 H(dc)的最小值能够自动确定参数dc:
所述的快速峰值算法中采用重新定义局部密度和距离的度量方式,自适应确定截断距离参数和聚类中心,达到自适应实现聚类过程的目的。克服了快速峰值算法必须由人为设定截止距离和手动设置聚类中心的缺陷,如图4所示为本发明提出的改进型自适应快速峰值聚类算法的具体实现流程。
进一步的,步骤4中采取带动量优化的MBGD算法对AlexNet网络模型进行训练,将训练epoch总数设置为300,并且当训练epoch次数小于80次时,学习率设置为0.01,当训练epoch次数大于等于80并且小于200时,学习率设置为0.001,当训练epoch次数大于等于200时,学习率衰减为0.0001。
另外,在所述无监督模型训练过程中,为了验证批量大小对算法的影响,在50到350的范围内使用{50,100,150,200,250,300}6个不同的batchsize进行了实验,分析可得batchsize在250时对本文的路面裂缝图像可以达到最好的无监督分类的效果。
一种基于深度学习的无监督路面裂缝分类方法,包括:采集路面裂缝图像,将路面裂缝图像输入任一无监督路面裂缝分类模型中进行分类,得到所述路面裂缝图像的裂缝类别。
由于分类过程是没有随训练数据进行人工标注的,即未告诉网络会有横缝、纵缝跟网裂三种信息,所以只能实现把待分类的图像数据集按照网络学习到的特征分成若干类别,网络不知道分得的每一类是什么,此时得到的裂缝类别只能按照特征的相似度信息分类,最后每一类图像数据具体类别需要人工查看后加以判断。
实施例2
在实施例1的基础上,本实施例中公开的基于深度学习的无监督路面裂缝分类模型建立方法中:
步骤1获取待分类图片数据集时,路面裂缝图像的采集方式可以采用检测车采集或者智能手机拍摄,图像增广后得到的样本数据集中共5000幅路面图像,其中横向裂缝图片1800幅、纵向裂缝图片1800幅、网状裂缝图片1400 幅。
步骤5构建的无监督路面裂缝分类模型中各权重层的参数与特征图输出如表1所示;
表1无监督模型权重层参数与特征图输出
在训练过程中当裂缝无监督分类模型中的损失函数曲线趋于稳定,且损失函数的值不再下降,则完成该无监督裂缝分类模型的训练。
该训练过程采用GPU模式,如图5所示为一种实施例下无监督裂缝分类模型的具体训练流程。
如图6所示为一种实施例下无监督裂缝分类模型训练损失函数曲线,可见当训练到第250个epoch时,损失函数的值基本趋于稳定,说明网络训练完成。
对本实施例中的待分类图片数据集采用无监督路面裂缝分类模型进行分类后,根据分类的结果统计分得的每类裂缝图像的正确率与错分率,并使用统一的参数指标对模型进行规范的评估,为了可以更加客观公正的对路面裂缝分类模型进行评价,则需要使用统一的参数指标对模型进行规范的评估。
如表2所示为混淆矩阵的概念。
表2混淆矩阵
在该裂缝分类实验中以上四个指标的真实概念如下所示:
(1)TP:属于该类而且被分为该类的裂缝个数;
(2)TN:不属于该类而且没有被分为该类的裂缝个数;
(3)FP:不属于该类却被分为该类的裂缝个数;
(4)FN:属于该类却被分为其他类的裂缝个数。
基于以上的四个参数,通过式(1)得到无监督分类的查准率。
通过式(2)得到无监督分类的平均精确度。
通过式(3)得到无监督分类的查全率。
本发明中将使用以上指标对模型进行评价。另外,参见表3所示,用以上指标对实施例的结果进行了定量评价。
表3无监督路面裂缝图像分类结果
另外,为了验证本发明提出的无监督分类模型对路面裂缝图像进行分类的性能优劣,选取了目前表现相对优越的4种无监督学习算法分别对相同的裂缝图像数据集进行了实验,并将结果进行了横向对比,将不同的无监督算法对裂缝图像数据集的分类结果用分得的每类裂缝的平均精度指标为依据进行度量并比较的结果如图7所示,结果表明本发明的无监督模型对于裂缝图像数据进行分类的结果是最高效的,这也证明了该融合深度学习的无监督路面裂缝分类方法的鲁棒性。
Claims (5)
1.一种基于深度学习的无监督路面裂缝分类模型建立方法,其特征在于,包括如下步骤:
步骤1:获取待分类图片数据集;
步骤2:建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项,所述AlexNet网络模型中,LRN层设为权值归一化层、激活函数设为包含ReLU6正向区间与Swish负向区间的函数;
步骤3:将步骤1得到的待分类图片数据集输入步骤2得到的AlexNet网络模型中,获得高维特征向量集;
对高维特征向量集利用快速峰值算法进行聚类,获得伪标签集;
步骤4:利用步骤1获得的待分类图片数据集和步骤3获得的伪标签集对步骤2的AlexNet网络模型进行训练,训练完成的模型即为无监督路面裂缝分类模型。
2.如权利要求1所述基于深度学习的无监督路面裂缝分类模型建立方法,其特征在于,所述待分类图片数据集的建立包括以下子步骤:
步骤1.1:采集N幅路面裂缝图像,并对N幅路面裂缝图像进行预处理和图像增广,得到M幅路面裂缝图像,M>N;
步骤1.2,对M幅路面裂缝图像放缩为统一尺寸,得到放缩后的路面裂缝图像,所有到放缩后的路面裂缝图像作为待分类图片数据集。
3.如权利要求1所述基于深度学习的无监督路面裂缝分类模型建立方法,其特征在于,步骤3中先利用PCA算法对高维特征向量进行了降维,然后再利用快速峰值算法进行聚类。
5.一种基于深度学习的无监督路面裂缝分类方法,其特征在于,包括:采集路面裂缝图像,将路面裂缝图像输入如权利要求1-4中任一无监督路面裂缝分类模型中进行分类,得到所述路面裂缝图像的裂缝类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553028.3A CN111860596B (zh) | 2020-06-17 | 2020-06-17 | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553028.3A CN111860596B (zh) | 2020-06-17 | 2020-06-17 | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860596A true CN111860596A (zh) | 2020-10-30 |
CN111860596B CN111860596B (zh) | 2023-11-07 |
Family
ID=72986712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010553028.3A Active CN111860596B (zh) | 2020-06-17 | 2020-06-17 | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860596B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258495A (zh) * | 2020-11-02 | 2021-01-22 | 郑州大学 | 一种基于卷积神经网络的建筑木材裂缝识别方法 |
CN112800151A (zh) * | 2021-04-06 | 2021-05-14 | 中译语通科技股份有限公司 | 一种交互式无监督标签分类系统、方法、介质、终端 |
CN113239960A (zh) * | 2021-04-09 | 2021-08-10 | 中用科技有限公司 | 融合ai视觉算法的道路防护智能预警方法和系统 |
CN113706511A (zh) * | 2021-08-31 | 2021-11-26 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的复合材料损伤的检测方法 |
CN113780259A (zh) * | 2021-11-15 | 2021-12-10 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
CN116778208A (zh) * | 2023-08-24 | 2023-09-19 | 吉林大学 | 一种基于深度网络模型的图像聚类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307071A1 (en) * | 2015-04-20 | 2016-10-20 | Xerox Corporation | Fisher vectors meet neural networks: a hybrid visual classification architecture |
WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及系统 |
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 |
CN110909820A (zh) * | 2019-12-02 | 2020-03-24 | 齐鲁工业大学 | 基于自监督学习的图像分类方法及系统 |
-
2020
- 2020-06-17 CN CN202010553028.3A patent/CN111860596B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307071A1 (en) * | 2015-04-20 | 2016-10-20 | Xerox Corporation | Fisher vectors meet neural networks: a hybrid visual classification architecture |
WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及系统 |
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 |
CN110909820A (zh) * | 2019-12-02 | 2020-03-24 | 齐鲁工业大学 | 基于自监督学习的图像分类方法及系统 |
Non-Patent Citations (3)
Title |
---|
张延安;王宏玉;徐方;: "基于深度卷积神经网络与中心损失的人脸识别", 科学技术与工程, no. 35 * |
王改华;李涛;吕朦;袁国亮;: "采用无监督学习算法与卷积的图像分类模型", 华侨大学学报(自然科学版), no. 01 * |
邓然然;李伟;杨荣新;: "自调节步长果蝇优化的自适应密度峰值聚类", 计算机系统应用, no. 04 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258495A (zh) * | 2020-11-02 | 2021-01-22 | 郑州大学 | 一种基于卷积神经网络的建筑木材裂缝识别方法 |
CN112800151A (zh) * | 2021-04-06 | 2021-05-14 | 中译语通科技股份有限公司 | 一种交互式无监督标签分类系统、方法、介质、终端 |
CN112800151B (zh) * | 2021-04-06 | 2021-08-13 | 中译语通科技股份有限公司 | 一种交互式无监督标签分类系统、方法、介质、终端 |
CN113239960A (zh) * | 2021-04-09 | 2021-08-10 | 中用科技有限公司 | 融合ai视觉算法的道路防护智能预警方法和系统 |
CN113239960B (zh) * | 2021-04-09 | 2024-05-28 | 中用科技有限公司 | 融合ai视觉算法的道路防护智能预警方法和系统 |
CN113706511A (zh) * | 2021-08-31 | 2021-11-26 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的复合材料损伤的检测方法 |
CN113780259A (zh) * | 2021-11-15 | 2021-12-10 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
WO2023083059A1 (zh) * | 2021-11-15 | 2023-05-19 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
CN116778208A (zh) * | 2023-08-24 | 2023-09-19 | 吉林大学 | 一种基于深度网络模型的图像聚类方法 |
CN116778208B (zh) * | 2023-08-24 | 2023-11-10 | 吉林大学 | 一种基于深度网络模型的图像聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111860596B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860596B (zh) | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 | |
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN109523518B (zh) | 一种轮胎x光病疵检测方法 | |
CN108960055B (zh) | 一种基于局部线段模式特征的车道线检测方法 | |
CN110532946B (zh) | 一种基于卷积神经网络识别绿通车车辆轴型的方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN116343157A (zh) | 一种道路路面裂缝深度学习提取方法 | |
CN114972753A (zh) | 基于上下文信息聚合和辅助学习的轻量级语义分割方法及系统 | |
CN116738551B (zh) | 用于bim模型的采集数据智能处理方法 | |
CN117114739A (zh) | 一种企业供应链信息挖掘方法、挖掘系统及存储介质 | |
CN116109616A (zh) | 基于YOLOv5的路面裂缝检测及小面元拟合检测方法 | |
CN117058069A (zh) | 一种全景影像中路面表观病害自动检测方法 | |
CN115100173B (zh) | 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法 | |
CN116883741A (zh) | 一种基于金字塔注意力机制的小样本虫害检测方法 | |
CN113327227B (zh) | 一种基于MobilenetV3的小麦头快速检测方法 | |
CN115908276A (zh) | 融合深度学习的桥梁表观损伤双目视觉智能检测方法及系统 | |
CN112784774B (zh) | 一种基于数据增强的小样本高光谱分类方法 | |
CN115439405A (zh) | 一种钢板表面缺陷的分类方法 | |
CN113989567A (zh) | 垃圾图片分类方法及装置 | |
CN112926482A (zh) | 一种基于多尺度残差卷积神经网络的道路提取方法 | |
CN108304546B (zh) | 一种基于内容相似度和Softmax分类器的医学图像检索方法 | |
CN112926670A (zh) | 一种基于迁移学习的垃圾分类系统及方法 | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 |
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 |