CN111931800A - 一种基于深度卷积神经网络的隧道表面缺陷分类方法 - Google Patents

一种基于深度卷积神经网络的隧道表面缺陷分类方法 Download PDF

Info

Publication number
CN111931800A
CN111931800A CN202010319996.8A CN202010319996A CN111931800A CN 111931800 A CN111931800 A CN 111931800A CN 202010319996 A CN202010319996 A CN 202010319996A CN 111931800 A CN111931800 A CN 111931800A
Authority
CN
China
Prior art keywords
tunnel surface
image
neural network
convolutional neural
classifying
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
Application number
CN202010319996.8A
Other languages
English (en)
Other versions
CN111931800B (zh
Inventor
汪俊
徐莹莹
李大伟
易程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010319996.8A priority Critical patent/CN111931800B/zh
Publication of CN111931800A publication Critical patent/CN111931800A/zh
Application granted granted Critical
Publication of CN111931800B publication Critical patent/CN111931800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明涉及一种基于深度卷积神经网络的隧道表面缺陷分类方法，具体步骤为：S1.图像获取：利用图像采集装置自动采集隧道表面图像；S2.数据库构建：对原始图像进行图像预处理操作，分类构建隧道表面缺陷数据库；S3.图像检测和分类：构建深度卷积神经网络，进行隧道表面缺陷检测及分类。本发明较传统方法相比，能够实现隧道表面缺陷的自动识别和分类，大大降低人力成本，有效提高缺陷检测效率和分类准确性。

Description

一种基于深度卷积神经网络的隧道表面缺陷分类方法
技术领域
本发明属于计算机视觉和图像分析领域，具体涉及一种基于深度卷积神经网络的隧道表面缺陷分类方法。
背景技术
近年来，随着我国社会经济的迅猛发展，交通运输的地位越来越重要，隧道建设力度也不断加大。然而随着使用时间的增加以及环境的影响，隧道表面难免会出现各种缺陷。对缺陷进行准确、及时的分类可以协助有关部门开展针对性的缺陷整治方案。然而，传统的隧道表面缺陷分类方法大多依赖于人工目视检测，十分费时费力。因此，开发一种高效的地铁隧道表面缺陷分类方法具有重要的实际应用意义。
深度学习技术具有强大的特征学习能力，能够直接从原始图像中自动学习分类特征，相较于传统的人工目视方法以及传统的图像处理方法，基于深度学习的分类方法具有高效率和高准确率的特点，使之在隧道表面缺陷检测这一领域具有广泛的应用前景。
发明内容
本发明所要解决的技术问题是提供一种基于深度卷积神经网络的隧道表面缺陷分类方法来解决现有技术中的传统的隧道表面缺陷分类方法大多依赖于人工目视检测，十分费时费力的问题。
为解决以上技术问题，本发明的技术方案为：提供一种基于深度卷积神经网络的隧道表面缺陷分类方法，其创新点在于：具体包括以下步骤：
S1.图像获取：利用图像采集装置自动采集隧道表面图像；
S2.数据库构建：对步骤S1采集到的原始图像进行图像预处理操作，对预处理后的图像进行分类构建隧道表面缺陷数据库；
S3.图像检测和分类：构建深度卷积神经网络，进行隧道表面缺陷检测及分类。
进一步的，所述步骤S1中所使用的图像采集装置包括一个移动小车、4个CCD摄像机、照明设备、电源、图像采集卡和计算机，所述设备均设于移动小车上，所述电源为设备提供用电；图像采集时移动小车沿着隧道前进的同时启动摄像机进行拍摄，获取隧道表面图像；
图像采集后对采集到的原始图像进行裁剪操作，裁剪得到的隧道表面图像的统一尺寸为227×227，并通过人工挑选其中包含有缺陷的图像，所述的隧道表面缺陷包括裂缝、渗漏水和掉块三类。
进一步的，所述步骤S2具体包括以下步骤：
(1)采用均值削减方法对步骤S1裁剪过的隧道表面缺陷图像进行预处理，增强图像特征；
(2)采用数据增强方法扩充隧道表面缺陷图像；
(3)人工注释隧道表面缺陷，建立隧道表面缺陷图像数据库。
进一步的，所述步骤(1)中对隧道表面缺陷图像进行均值削减处理采用的公式为：
Figure BDA0002459183220000021
其中，
Figure BDA0002459183220000022
表示样本X的均值，xi表示第i个样本数据，N表示样本总数量，x'i表示均值削减处理后的样本。
进一步的，所述步骤(2)中使用的数据增强方法具体为：水平翻转、垂直翻转、随机裁剪、随机翻转和噪声处理。
进一步的，所述步骤(3)的具体方法为：人工对包含裂缝、渗漏水及掉块的隧道表面图像进行注释并构建隧道表面缺陷样本集，其中，随机选取80％的样本图像作为训练集，10％的样本图像作为验证集，10％的样本图像作为测试集。
进一步的，所述步骤S3具体包括以下步骤：
(1)构建基于深度卷积神经网络的隧道表面缺陷分类模型；
(2)设计缺陷分类网络模型的损失函数，利用训练集样本图像进行模型训练；
(3)利用训练好的分类模型进行隧道表面缺陷检测及分类，输出缺陷分类结果。
进一步的，所述步骤(1)中构建的深度卷积神经网络包括3个卷积层，2个SE模块和3个全连接层，其中，第1层卷积层使用的卷积核大小为11×11，步长为4，第2层卷积层使用的卷积核大小为5×5，步长为1，第3层卷积层使用的卷积核大小为3×3，步长为2，3个卷积层均包括3×3的最大池化层和ReLU层；SE模块均由一个Squeeze操作和一个Excitation操作构成，两个SE模块的输出结果分别与前两个卷积块得到的特征图进行特征融合；最后一层全连接层使用n个节点作为输出，n为隧道表面缺陷类别数；输出层采用Softmax分类器，其中，SE模块Squeeze操作的计算公式为：
Figure BDA0002459183220000031
其中，x表示经过卷积操作后得到的多个特征图，c表示通道数，xc表示第c个通道的特征图，zc表示特征图压缩后的值，W和H分别表示特征图的宽和高，i∈[1，W]，j∈[1，H]；
Excitation操作的计算公式为：
s＝Fex(z，W)＝σ(g(z，W))＝σ(W2δ(W1z))
x′c＝Fscale(xc，sc)＝xc×sc
其中，z表示经过Squeeze操作后得到的结果，s表示经过Excitation操作后得到的各个通道的权重，
Figure BDA0002459183220000041
表示降维参数，
Figure BDA0002459183220000042
表示升维参数，δ表示ReLU函数，σ表示Sigmoid函数；x′c表示SE模块最终的输出结果，Fscale（xc,sc）表示第c个通道的特征图xc和对应权重sc的乘积；
Softmax分类器的计算公式为：
Figure BDA0002459183220000043
其中，ai表示输入Softmax分类器的向量的第i个值，yi表示输出结果y的第i个值，即，输入样本预测为属于类别i的概率，aj表示输入Softmax分类器的向量的第j个值，T表示类别数，此处T＝3，i∈[1,3]。
进一步的，所述步骤(2)的具体步骤为：
A.损失函数为交叉熵损失函数，利用交叉熵损失函数和Adam优化器对网络进行训练，得到卷积神经网络模型，其中，所述交叉熵损失函数为：
Figure BDA0002459183220000044
其中，y(i)表示第i个样本的真实概率值，
Figure BDA0002459183220000045
表示第i个样本的预测概率值，N示批量训练的样本数量，此处设置N＝100，i∈[1,100]；
B.使用验证集的样本验证模型的性能，对其进行参数微调，具体方法为：训练模型的过程中利用反向传播算法和随机梯度下降法更新网络权重，直到损失值收敛得到训练好的深度卷积网络模型，从而确立用于隧道表面缺陷图像分类的深度学习模型。
进一步的，所述步骤(3)中，利用训练好的缺陷分类模型对测试集的样本进行隧道表面缺陷图像分类，统计缺陷分类结果。
本发明和现有技术相比，产生的有益效果为：
本发明的一种基于深度卷积神经网络的隧道表面缺陷分类方法对隧道表面缺陷进行实现高效率的分类，有效提高缺陷检测效率，具有较高的识别和分类正确率。
附图说明
为了更清楚地介绍本发明实施例的工作流程，下面对实施例描述中所需要的附图做一个简单的介绍。
图1是本发明一种基于深度卷积神经网络的隧道表面缺陷分类方法的流程图；
图2是本发明的三种隧道表面缺陷样本示意图；
图3是本发明的深度卷积神经网络模型示意图；
图4是本发明的SE模块示意图；
图5是本发明的实施例中隧道表面缺陷检测结果的统计表格；
具体实施方式
为了进一步详细说明本发明的技术方案，下面结合附图对本发明实施例的工作流程作进一步详细的描述。
本发明提供一种基于深度卷积神经网络的隧道表面缺陷分类方法，其具体流程图如图1所示，具体包括以下步骤：
S1.图像获取：
利用图像采集装置自动采集隧道表面图像，其中，使用的图像采集装置包括一个移动小车、4个CCD摄像机、照明设备、电源、图像采集卡和计算机，所述设备均设于移动小车上，所述电源为设备提供用电；图像采集时移动小车沿着隧道前进的同时启动摄像机进行拍摄，获取隧道表面图像；图像采集后对采集到的原始图像进行裁剪操作，裁剪得到的隧道表面图像的统一尺寸为227×227，并通过人工挑选其中包含有缺陷的图像，所述的隧道表面缺陷包括裂缝、渗漏水和掉块三类，本发明的实施例共获得缺陷图像1225张，每种缺陷图像的数量不同，包含650张裂缝图像、315张渗漏水图像和260张掉块图像。
S2.数据库构建：
对步骤S1采集到的原始图像进行图像预处理操作，并针对预处理进行分类构建隧道表面缺陷数据库。具体包括以下步骤：
(1)采用均值削减方法对步骤S1裁剪过的隧道表面缺陷图像进行预处理，增强图像特征；其中，对隧道表面缺陷图像进行均值削减处理采用的公式为：
Figure BDA0002459183220000061
其中，
Figure BDA0002459183220000062
表示样本X的均值，xi表示第i个样本数据，N表示样本总数量，x′i表示均值削减处理后的样本。
(2)采用数据增强方法扩充隧道表面缺陷图像，数据增强方法具体为：水平翻转、垂直翻转、随机裁剪、随机翻转和噪声处理，经数据增强处理后由1张图像可以获得5张扩展图像，因此经过数据增强处理后共获得7350张缺陷图像，其中裂缝、渗漏水和掉块的隧道表面图像数量分别为3900，1890和1560。
(3)人工注释隧道表面缺陷，建立隧道表面缺陷图像数据库，具体方法为：人工使用标注工具对包含裂缝、渗漏水及掉块的隧道表面图像类型进行注释并构建隧道表面缺陷样本集，即建立隧道表面缺陷图像数据库，如图2所示，从左至右依次是本发明的实施例中使用的裂缝、渗漏水和掉块图像示意图。其中，随机选取80％的样本图像作为训练集，10％的样本图像作为验证集，10％的样本图像作为测试集。。
S3.图像检测和分类：
构建深度卷积神经网络，进行隧道表面缺陷检测及分类。具体包括以下步骤：
(1)构建基于深度卷积神经网络的隧道表面缺陷分类模型，如图3所示，构建的深度卷积神经网络包括3个卷积层，2个SE模块和3个全连接层，其中，第1层卷积层使用的卷积核大小为11×11，步长为4，第2层卷积层使用的卷积核大小为5×5，步长为1，第3层卷积层使用的卷积核大小为3×3，步长为2，3个卷积层均包括3×3的最大池化层和ReLU层；SE模块均由一个Squeeze操作和一个Excitation操作构成，两个SE模块的输出结果分别与前两个卷积块得到的特征图进行特征融合；最后一层全连接层使用n个节点作为输出，n为隧道表面缺陷类别数，本发明的n＝3；输出层采用Softmax分类器，其中，SE模块的具体实现步骤如图4所示，SE模块Squeeze操作的计算公式为：
Figure BDA0002459183220000071
其中，x表示经过卷积操作后得到的多个特征图，c表示通道数，xc表示第c个通道的特征图，zc表示特征图压缩后的值，W和H分别表示特征图的宽和高，i∈[1，W]，j∈[1，H]；
Excitation操作的计算公式为：
s＝Fex(z，W)＝σ(g(z，W))＝σ(W2δ(W1z))
x′c＝Fscale(xc，sc)＝xc×sc
其中，z表示经过Squeeze操作后得到的结果，s表示经过Excitation操作后得到的各个通道的权重，
Figure BDA0002459183220000072
表示降维参数，
Figure BDA0002459183220000081
表示升维参数，δ表示ReLU函数，σ表示Sigmoid函数；x′c表示SE模块最终的输出结果，Fscale(xc,sc)表示第c个通道的特征图xc和对应权重sc的乘积；
Softmax分类器的计算公式为：
Figure BDA0002459183220000082
其中，ai表示输入Softmax分类器的向量的第i个值，yi表示输出结果y的第i个值，即，输入样本预测为属于类别i的概率，aj表示输入Softmax分类器的向量的第j个值，T表示类别数，此处T＝3，i∈[1,3]。
(2)设计缺陷分类网络模型的损失函数，利用训练集样本图像进行模型训练，具体步骤为：
A.损失函数为交叉熵损失函数，利用交叉熵损失函数和Adam优化器对网络进行训练，得到卷积神经网络模型，其中，所述交叉熵损失函数为：
Figure BDA0002459183220000083
其中，y(i)表示第i个样本的真实概率值，
Figure BDA0002459183220000084
表示第i个样本的预测概率值，N示批量训练的样本数量，此处设置N＝100，i∈[1,100]；
B.使用验证集的样本验证模型的性能，对其进行参数微调，具体方法为：训练模型的过程中利用反向传播算法和随机梯度下降法更新网络权重，直到损失值收敛得到训练好的深度卷积网络模型，从而确立用于隧道表面缺陷图像分类的深度学习模型。
(3)利用训练好的缺陷分类模型对测试集的样本进行隧道表面缺陷图像分类，统计不同缺陷的分类结果，计算识别正确率，结果如图5所示。
本发明的一种基于深度卷积神经网络的隧道表面缺陷分类方法依据的软件环境为Windows X64，CUDA Toolkit 9.0，CUDNN V7.0，Python 3.5.2，TensorFlow-GPU 1.8.0。模型训练和测试均通过GPU进行加速。
上面所述的实施例仅仅是本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计构思的前提下，本领域中普通工程技术人员对本发明的技术方案作出的各种变型和改进均应落入本发明的保护范围，本发明的请求保护的技术内容，已经全部记载在技术要求书中。

Claims (10)

1.一种基于深度卷积神经网络的隧道表面缺陷分类方法，其特征在于：具体包括以下步骤：
S1.图像获取：利用图像采集装置自动采集隧道表面图像；
S2.数据库构建：对步骤S1采集到的原始图像进行图像预处理操作，对预处理后的图像进行分类构建隧道表面缺陷数据库；
S3.图像检测和分类：构建深度卷积神经网络，进行隧道表面缺陷检测及分类。
2.根据权利要求1所述的一种基于深度卷积神经网络的隧道表面缺陷分类方法，其特征在于：所述步骤S1中所使用的图像采集装置包括一个移动小车、4个CCD摄像机、照明设备、电源、图像采集卡和计算机，所述设备均设于移动小车上，所述电源为设备提供用电；图像采集时移动小车沿着隧道前进的同时启动摄像机进行拍摄，获取隧道表面图像；
图像采集后对采集到的原始图像进行裁剪操作，裁剪得到的隧道表面图像的统一尺寸为227×227，并通过人工挑选其中包含有缺陷的图像，所述的隧道表面缺陷包括裂缝、渗漏水和掉块三类。
3.根据权利要求1所述的一种基于深度卷积神经网络的隧道表面缺陷分类方法，其特征在于：所述步骤S2具体包括以下步骤：
(1)采用均值削减方法对步骤S1裁剪过的隧道表面缺陷图像进行预处理，增强图像特征；
(2)采用数据增强方法扩充隧道表面缺陷图像；
(3)人工注释隧道表面缺陷，建立隧道表面缺陷图像数据库。
4.根据权利要求3所述的一种基于深度卷积神经网络的隧道表面缺陷分类方法，其特征在于：所述步骤(1)中对隧道表面缺陷图像进行均值削减处理采用的公式为：
Figure RE-FDA0002719435590000021
其中，
Figure RE-FDA0002719435590000022
表示样本X的均值，xi表示第i个样本数据，N表示样本总数量，x'i表示均值削减处理后的样本。
5.根据权利要求3所述的一种基于深度卷积神经网络的隧道表面缺陷分类方法，其特征在于：所述步骤(2)中使用的数据增强方法具体为：水平翻转、垂直翻转、随机裁剪、随机翻转和噪声处理。
6.根据权利要求3所述的一种基于深度卷积神经网络的隧道表面缺陷分类方法，其特征在于：所述步骤(3)的具体方法为：人工对包含裂缝、渗漏水及掉块的隧道表面图像进行注释并构建隧道表面缺陷样本集，其中，随机选取80％的样本图像作为训练集，10％的样本图像作为验证集，10％的样本图像作为测试集。
7.根据权利要求1所述的一种基于深度卷积神经网络的隧道表面缺陷分类方法，其特征在于：所述步骤S3具体包括以下步骤：
(1)构建基于深度卷积神经网络的隧道表面缺陷分类模型；
(2)设计缺陷分类网络模型的损失函数，利用训练集样本图像进行模型训练；
(3)利用训练好的分类模型进行隧道表面缺陷检测及分类，输出缺陷分类结果。
8.根据权利要求7所述的一种基于深度卷积神经网络的隧道表面缺陷分类方法，其特征在于：所述步骤(1)中构建的深度卷积神经网络包括3个卷积层，2个SE模块和3个全连接层，其中，第1层卷积层使用的卷积核大小为11×11，步长为4，第2层卷积层使用的卷积核大小为5×5，步长为1，第3层卷积层使用的卷积核大小为3×3，步长为2，3个卷积层均包括3×3的最大池化层和ReLU层；SE模块均由一个Squeeze操作和一个Excitation操作构成，两个SE模块的输出结果分别与前两个卷积块得到的特征图进行特征融合；最后一层全连接层使用n个节点作为输出，n为隧道表面缺陷类别数；输出层采用Softmax分类器，其中，SE模块Squeeze操作的计算公式为：
Figure RE-FDA0002719435590000031
其中，x表示经过卷积操作后得到的多个特征图，c表示通道数，xc表示第c个通道的特征图，zc表示特征图压缩后的值，W和H分别表示特征图的宽和高，i∈[1，W]，j∈[1，H]；
Excitation操作的计算公式为：
s＝Fex(z，W)＝σ(g(z，W))＝σ(W2δ(W1z))
x′c＝Fscale(xc，sc)＝xc×sc
其中，z表示经过Squeeze操作后得到的结果，s表示经过Excitation操作后得到的各个通道的权重，
Figure RE-FDA0002719435590000032
表示降维参数，
Figure RE-FDA0002719435590000033
表示升维参数，δ表示ReLU函数，σ表示Sigmoid函数；x′c表示SE模块最终的输出结果，Fscale(xc，sc)表示第c个通道的特征图xc和对应权重sc的乘积；
Softmax分类器的计算公式为：
Figure RE-FDA0002719435590000034
其中，ai表示输入Softmax分类器的向量的第i个值，yi表示输出结果y的第i个值，即，输入样本预测为属于类别i的概率，aj表示输入Softmax分类器的向量的第j个值，T表示类别数，此处T＝3，i∈[1，3]。
9.根据权利要求7所述的一种基于深度卷积神经网络的隧道表面缺陷分类方法，其特征在于：所述步骤(2)的具体步骤为：
A.损失函数为交叉熵损失函数，利用交叉熵损失函数和Adam优化器对网络进行训练，得到卷积神经网络模型，其中，所述交叉熵损失函数为：
Figure RE-FDA0002719435590000041
其中，y(i)表示第i个样本的真实概率值，
Figure RE-FDA0002719435590000042
表示第i个样本的预测概率值，N示批量训练的样本数量，此处设置N＝100，i∈[1,100]；
B.使用验证集的样本验证模型的性能，对其进行参数微调，具体方法为：训练模型的过程中利用反向传播算法和随机梯度下降法更新网络权重，直到损失值收敛得到训练好的深度卷积网络模型，从而确立用于隧道表面缺陷图像分类的深度学习模型。
10.根据权利要求7所述的一种基于深度卷积神经网络的隧道表面缺陷分类方法，其特征在于：所述步骤(3)中，利用训练好的缺陷分类模型对测试集的样本进行隧道表面缺陷图像分类，统计缺陷分类结果。
CN202010319996.8A 2020-04-21 2020-04-21 一种基于深度卷积神经网络的隧道表面缺陷分类方法 Active CN111931800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010319996.8A CN111931800B (zh) 2020-04-21 2020-04-21 一种基于深度卷积神经网络的隧道表面缺陷分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010319996.8A CN111931800B (zh) 2020-04-21 2020-04-21 一种基于深度卷积神经网络的隧道表面缺陷分类方法

Publications (2)

Publication Number Publication Date
CN111931800A true CN111931800A (zh) 2020-11-13
CN111931800B CN111931800B (zh) 2022-02-11

Family

ID=73316340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010319996.8A Active CN111931800B (zh) 2020-04-21 2020-04-21 一种基于深度卷积神经网络的隧道表面缺陷分类方法

Country Status (1)

Country Link
CN (1) CN111931800B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284107A (zh) * 2021-05-25 2021-08-20 重庆邮电大学 一种引入注意力机制改进型U-net的混凝土裂缝实时检测方法
CN113358665A (zh) * 2021-05-25 2021-09-07 同济大学 一种无人机隧洞缺陷检测方法及系统
CN113446953A (zh) * 2021-06-22 2021-09-28 深圳市市政设计研究院有限公司 一种基于数字摄影测量技术的地铁隧道变形监测系统
CN114002129A (zh) * 2021-12-02 2022-02-01 河北省交通规划设计研究院有限公司 一种高水压裂隙岩体渗流试验平台
CN114441541A (zh) * 2022-01-05 2022-05-06 哈尔滨工程大学 一种输水隧洞检测机器人声光视觉检测系统、方法、设备和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710826A (zh) * 2018-04-13 2018-10-26 燕山大学 一种交通标志深度学习模式识别方法
CN110728186A (zh) * 2019-09-11 2020-01-24 中国科学院声学研究所南海研究站 一种基于多网融合的火灾检测方法
CN111028217A (zh) * 2019-12-10 2020-04-17 南京航空航天大学 一种基于全卷积神经网络的图像裂缝分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710826A (zh) * 2018-04-13 2018-10-26 燕山大学 一种交通标志深度学习模式识别方法
CN110728186A (zh) * 2019-09-11 2020-01-24 中国科学院声学研究所南海研究站 一种基于多网融合的火灾检测方法
CN111028217A (zh) * 2019-12-10 2020-04-17 南京航空航天大学 一种基于全卷积神经网络的图像裂缝分割方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284107A (zh) * 2021-05-25 2021-08-20 重庆邮电大学 一种引入注意力机制改进型U-net的混凝土裂缝实时检测方法
CN113358665A (zh) * 2021-05-25 2021-09-07 同济大学 一种无人机隧洞缺陷检测方法及系统
CN113446953A (zh) * 2021-06-22 2021-09-28 深圳市市政设计研究院有限公司 一种基于数字摄影测量技术的地铁隧道变形监测系统
CN113446953B (zh) * 2021-06-22 2023-03-07 深圳市市政设计研究院有限公司 一种基于数字摄影测量技术的地铁隧道变形监测系统
CN114002129A (zh) * 2021-12-02 2022-02-01 河北省交通规划设计研究院有限公司 一种高水压裂隙岩体渗流试验平台
CN114002129B (zh) * 2021-12-02 2022-08-09 河北省交通规划设计研究院有限公司 一种高水压裂隙岩体渗流试验平台
CN114441541A (zh) * 2022-01-05 2022-05-06 哈尔滨工程大学 一种输水隧洞检测机器人声光视觉检测系统、方法、设备和介质

Also Published As

Publication number Publication date
CN111931800B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN111931800B (zh) 一种基于深度卷积神经网络的隧道表面缺陷分类方法
CN113947590A (zh) 一种基于多尺度注意力引导和知识蒸馏的表面缺陷检测方法
Gyawali et al. Comparative analysis of multiple deep CNN models for waste classification
CN116310785B (zh) 基于YOLO v4的无人机影像路面病害检测方法
CN110490842A (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN111914902B (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
CN112508857B (zh) 基于改进型Cascade R-CNN的铝材表面缺陷检测方法
CN113221956B (zh) 基于改进的多尺度深度模型的目标识别方法及装置
CN106650823A (zh) 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法
Yusof et al. Automated asphalt pavement crack detection and classification using deep convolution neural network
CN113256601A (zh) 路面病害检测方法及系统
CN116863274A (zh) 一种基于半监督学习的钢板表面缺陷检测方法及系统
CN112967255A (zh) 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法
CN112381175A (zh) 一种基于图像处理的电路板识别与分析方法
CN113781466B (zh) 基于多尺度注意力密集网络的太阳能电池板缺陷识别方法
CN114387261A (zh) 一种适用于铁路钢桥螺栓病害的自动检测方法
CN114399763A (zh) 一种单样本与小样本微体古生物化石图像识别方法及系统
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
CN112132137A (zh) 一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法
CN116958073A (zh) 基于注意力特征金字塔机制的小样本钢材缺陷检测方法
CN111723742A (zh) 一种人群密度分析方法、系统、装置及计算机可读存储介质
CN110930406A (zh) 一种基于卷积神经网络的匣钵筛分检测方法
CN110163081A (zh) 基于ssd的实时区域入侵检测方法、系统及存储介质
CN113724233B (zh) 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法
CN115187816A (zh) 一种基于多属性辅助任务学习的中药饮片识别分类方法

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