CN111968101A - 一种隧道渗水检测方法及装置 - Google Patents
一种隧道渗水检测方法及装置 Download PDFInfo
- Publication number
- CN111968101A CN111968101A CN202010869499.5A CN202010869499A CN111968101A CN 111968101 A CN111968101 A CN 111968101A CN 202010869499 A CN202010869499 A CN 202010869499A CN 111968101 A CN111968101 A CN 111968101A
- Authority
- CN
- China
- Prior art keywords
- water seepage
- image
- sample
- area
- detected
- 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.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 130
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000008595 infiltration Effects 0.000 claims description 2
- 238000001764 infiltration Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000035515 penetration Effects 0.000 description 4
- 238000003706 image smoothing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及隧道检测技术领域，尤其是一种隧道渗水检测方法，包括S100，创建样本数据库，所述样本数据库包括渗水样本和非渗水样本的样本图像特征和样本标签；S200，从待测图像中提取疑似渗水区域；S300，从所述疑似渗水区域提取待检图像特征；S400，计算所述待检图像特征与所述样本数据库中各样本的样本图像特征的相似度；S500，按照相似度大小对所述样本进行降序排列，统计排序前N的样本中渗水标签的占比，若占比超过指定阈值则将所述疑似渗水区域确定为渗水区域。本发明相比传统图像处理和机器学习方式，检测效率更为高效。
Description
技术领域
本申请涉及隧道检测领域，尤其是一种隧道渗水检测方法及装置。
背景技术
随着轨道交通的迅速发展，隧道工程的广泛使用，隧道产生的病害会给出行带来安全隐患，因此对隧道病害的检测变得至关重要。隧道病害类型主要包括渗漏水、衬砌结构裂损、基底破损等，其中渗漏水是影响隧道安全性的主要因素之一，所以针对隧道渗漏水的检测是实现预防隧道病害的有效途径。
最初的隧道渗水检测多采用人工的方式，主观性影响大而且效率低，后来慢慢演变为使用设备辅助自动检测，有红外成像、激光扫描等方法，上述的方法能够对渗水检测有显著的效果但是成本要求较高，为了改善成本付出，采用工业相机的检测手段也得到了广泛的应用。
目前采用隧道图像检测渗水的方法有：一是传统的图像处理方法确定候选区域，再根据渗水的轮廓特征以及与周围背景的关系确定最后的输出，由于渗水区域以及背景的复杂程度导致算法难度较大；二是对搜集的样本图像包括渗水和正常的图像进行预处理得到边缘信息后结合机器学习分类的方式进行识别，机器学习需要大量且多态的样本的支撑，需长时间搜集样本；三是采用激光雷达扫描方式实现渗水区域提取，而激光雷达成本较高。
发明内容
为了克服上述现有技术中存在的问题和不足，本申请旨在于提供一种高效便捷的隧道渗水检测方法及装置。
为实现上述发明目的，本申请的具体技术方案如下：
一种隧道渗水检测方法，包括以下步骤：
S100，创建样本数据库，所述样本数据库包括渗水样本和非渗水样本的样本图像特征和样本标签；
S200，从待测图像中提取疑似渗水区域；
S300，从所述疑似渗水区域提取待检图像特征；
S400，计算所述待检图像特征与所述样本数据库中各样本的样本图像特征的相似度；
S500，按照相似度大小对所述样本进行降序排列，统计排序前N的样本中渗水标签的占比，若占比超过指定阈值则将所述疑似渗水区域确定为渗水区域。
进一步的，所述样本图像特征包括灰度特征、形状特征和直方图特征中的至少一种。步骤S200提取的疑似渗水图像归一化到所述样本图像同一尺寸，步骤 S300提取的待检图像特征与所述样本图像特征类型一致且顺序一致。
可选的，所述灰度特征包括渗水区域灰度平均值、背景区域灰度平均值和渗水区域灰度波动标准差。
可选的，所述形状特征包括渗水区域面积、渗水区域形状参数比例 R＝P2/A，以及渗水区域紧凑性结构因子
其中P为渗水区域周长， A为渗水区域面积，L为区域轮廓的长度。
可选的，所述直方图特征包括灰度直方图均值和灰度直方图方差。
进一步的，步骤S200包括：
S210，对待检图像进行平滑处理，得到平滑图像；
S220，将所待检图像与所述平滑图像进行差分处理，得到差分图像；
S230，对所述差分图像进行基于灰度阈值的图像分割处理，得到分割图像；
S240，对所述分割图像进行连通域划分；
S250，根据几何参数特征从各连通域中筛选出疑似渗水区域。
进一步的，步骤S400采用欧式距离计算相似度
其中Ii为第 i种待检图像特征，Si为第i种样本图像特征，M为比对的特征种数。
本发明实施例还提供一种隧道渗水检测装置，包括：
样本数据库，所述样本数据库包括渗水样本和非渗水样本的样本图像特征和样本标签；
疑似渗水区域提取模块，用于从待测图像中提取疑似渗水区域；
待检图像特征提取模块，用于从所述疑似渗水区域提取待检图像特征；
相似度计算模块，用于计算所述待检图像特征与所述样本数据库中各样本的样本图像特征的相似度；
渗水区域判定模块，用于按照相似度大小对所述样本进行降序排列，统计排序前N的样本中渗水标签的占比，若占比超过指定阈值则将所述疑似渗水区域确定为渗水区域。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
有益效果：
本发明基于样本数据库和相似度排序统计的方式，实现了基于图像特征的隧道渗水检测，相比传统图像处理和机器学习方式，检测效率更为高效，相比激光雷达方案，成本更为低廉。随着样本数据库的丰富和完善，本发明提供的检测方案能够获得检测准确度和检测效率的共同提升。
进一步的方案中，本发明采用灰度、形状、直方图等多维度图像特征进行样本图像和待检图像特征比对，根据多种特征的比对结果计算综合特征相似度，使得相似度排序结果更符合真实结果，提高了检测准确度。
进一步的方案中，本发明依次通过图像平滑、图像差分、图像分割、连通域划分和区域筛选过程提取疑似渗水区域。先采用图像平滑消除背景噪声，再进行图像差分突出感兴趣区域，实际检测结果表明，采用该流程能够快速有效提取疑似渗水区域，提高检准率，降低漏检率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1本发明实施例隧道检测方法流程图；
图2为本发明实施例样本数据库创建流程图；
图3为本发明实施例提取疑似渗水区域流程图；
图4为本发明实施例提取疑似渗水区域中间过程图；
图5为本发明实施例疑似渗水区域实际提取成果图。
具体实施方式
下面通过几个具体的实施例来进一步说明实现本申请发明目的技术方案，需要说明的是，本申请要求保护的技术方案包括但不限于以下实施例。
实施例1
实施例1提供一种隧道渗水检测方法，如图1所示，包括以下步骤：
S100，创建样本数据库，所述样本数据库包括渗水样本和非渗水样本的样本图像特征和样本标签；
S200，从待测图像中提取疑似渗水区域；
S300，从所述疑似渗水区域提取待检图像特征；
S400，计算所述待检图像特征与所述样本数据库中各样本的样本图像特征的相似度；
S500，按照相似度大小对所述样本进行降序排列，统计排序前N的样本中渗水标签的占比，若占比超过指定阈值则将所述疑似渗水区域确定为渗水区域。
样本数据库创建流程如图2所示，样本数据库构建主要包含三部分内容：
(1)样本收集，其中包含真实渗水样本和其它与渗水不相关的样本；
(2)样本标记，包括样本的标签和样本特征；
(3)构建数据库：构建的数据库中包含特征数据、标签数据，其中特征数据用于相关性度量，标签数据用于结果统计。
可选的，渗水样本和其他样本的数量比例为1：1，各包括1000个样本。步骤S500中统计相似度排前100的样本中渗水样本的占比。优选的，所述占比取超过0.7则确定疑似渗水区域为真实渗水区域。
所述样本图像特征包括灰度特征、形状特征和直方图特征中的至少一种。步骤S200提取的疑似渗水图像归一化到所述样本图像同一尺寸，步骤S300提取的待检图像特征与所述样本图像特征类型一致且顺序一致。
所述灰度特征包括渗水区域灰度平均值、背景区域灰度平均值和渗水区域灰度波动标准差。
渗水区域的灰度平均值计算方式为：
其中，N为像素总数量，Ii为像素点为i的灰度值。背景区域灰度平均值，计算方式与渗水区域灰度平均值相同。
渗水区域灰度波动标准差D计算方式为：
所述形状特征包括渗水区域面积、渗水区域形状参数比例R＝P2/A，以及渗水区域紧凑性结构因子
其中P为渗水区域周长，A为渗水区域面积， L为区域轮廓的长度。
所述直方图特征包括灰度直方图均值和灰度直方图方差。
灰度直方图均值计算方式为：
灰度直方图方差计算方式为：
其中，i为像素的灰度值，ni为灰度值为i的像素的数量，N为渗水区域的总像素数量。
步骤S200流程如图3所示，包括：
S210，对待检图像进行平滑处理，得到平滑图像；本实施例中的所使用的平滑为均值平滑，平滑窗口的大小大于预设的渗水区域的大小。
S220，将所待检图像与所述平滑图像进行差分处理，得到差分图像。
S230，对所述差分图像进行基于灰度阈值的图像分割处理，得到分割图像。可选的，采用的固定阈值或者动态阈值完成分割。
S240，对所述分割图像进行8邻域方式连通域划分。
S250，根据几何参数特征从各连通域中筛选出疑似渗水区域。本实施例中，区域筛选条件采用的是区域的面积、长度、宽度等几何参数进行筛选。
图4为本发明实施例提取疑似渗水区域中间过程图，图5为本发明实施例疑似渗水区域实际提取成果图。
步骤S400采用欧式距离计算相似度
其中Ii为第i种待检图像特征，Si为第i种样本图像特征，M为比对的特征种数。欧式距离是一种最容易理解的距离计算方法，距离的值越小，相似度越高，计算结果与相似程度成反比。
将相似度值从大到小排序，选择前N个数据，统计前N个数据中为渗水区域的数量为m，计算渗水区域的占比为：r＝m/N，若r>0.7，则认为当前输入的待测图像为渗水图像。
本发明实施例还提供一种隧道渗水检测装置，包括：
样本数据库，所述样本数据库包括渗水样本和非渗水样本的样本图像特征和样本标签；
疑似渗水区域提取模块，用于从待测图像中提取疑似渗水区域；
待检图像特征提取模块，用于从所述疑似渗水区域提取待检图像特征；
相似度计算模块，用于计算所述待检图像特征与所述样本数据库中各样本的样本图像特征的相似度；
渗水区域判定模块，用于按照相似度大小对所述样本进行降序排列，统计排序前N的样本中渗水标签的占比，若占比超过指定阈值则将所述疑似渗水区域确定为渗水区域。
实施例2
实施例2提供一种隧道渗水检测装置，包括：
样本数据库，所述样本数据库包括渗水样本和非渗水样本的样本图像特征和样本标签；
疑似渗水区域提取模块，用于从待测图像中提取疑似渗水区域；
待检图像特征提取模块，用于从所述疑似渗水区域提取待检图像特征；
相似度计算模块，用于计算所述待检图像特征与所述样本数据库中各样本的样本图像特征的相似度；
渗水区域判定模块，用于按照相似度大小对所述样本进行降序排列，统计排序前N的样本中渗水标签的占比，若占比超过指定阈值则将所述疑似渗水区域确定为渗水区域。
本领域内的技术人员应明白，实施例2中各模块的功能对应与实施例1中的方法的各个步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种隧道渗水检测方法，其特征在于，包括以下步骤：
S100，创建样本数据库，所述样本数据库包括渗水样本和非渗水样本的样本图像特征和样本标签；
S200，从待测图像中提取疑似渗水区域；
S300，从所述疑似渗水区域提取待检图像特征；
S400，计算所述待检图像特征与所述样本数据库中各样本的样本图像特征的相似度；
S500，按照相似度大小对所述样本进行降序排列，统计排序前N的样本中渗水标签的占比，若占比超过指定阈值则将所述疑似渗水区域确定为渗水区域。
2.根据权利要求1所述的检测方法，其特征在于：所述样本图像特征包括灰度特征、形状特征和直方图特征中的至少一种；步骤S200提取的疑似渗水图像归一化到所述样本图像同一尺寸，步骤S300提取的待检图像特征与所述样本图像特征类型一致且顺序一致。
3.根据权利要求2所述的检测方法，其特征在于：所述灰度特征包括渗水区域灰度平均值、背景区域灰度平均值和渗水区域灰度波动标准差。
4.根据权利要求2所述的检测方法，其特征在于：所述形状特征包括渗水区域面积、渗水区域形状参数比例
，以及渗水区域紧凑性结构因子
，其中P为渗水区域周长，A为渗水区域面积，L为区域轮廓的长度。
5.根据权利要求2所述的检测方法，其特征在于：所述直方图特征包括灰度直方图均值和灰度直方图方差。
6.根据权利要求2所述的检测方法，其特征在于：步骤S200包括：
S210，对待检图像进行平滑处理，得到平滑图像；
S220，将所待检图像与所述平滑图像进行差分处理，得到差分图像；
S230，对所述差分图像进行基于灰度阈值的图像分割处理，得到分割图像；
S240，对所述分割图像进行连通域划分；
S250，根据几何参数特征从各连通域中筛选出疑似渗水区域。
7.根据权利要求2所述的检测方法，其特征在于：步骤S400采用欧式距离计算相似度
，其中
为第i种待检图像特征，为第i种样本图像特征，M为比对的特征种数。
8.一种隧道渗水检测装置，其特征在于，包括：
样本数据库，所述样本数据库包括渗水样本和非渗水样本的样本图像特征和样本标签；
疑似渗水区域提取模块，用于从待测图像中提取疑似渗水区域；
待检图像特征提取模块，用于从所述疑似渗水区域提取待检图像特征；
相似度计算模块，用于计算所述待检图像特征与所述样本数据库中各样本的样本图像特征的相似度；
渗水区域判定模块，用于按照相似度大小对所述样本进行降序排列，统计排序前N的样本中渗水标签的占比，若占比超过指定阈值则将所述疑似渗水区域确定为渗水区域。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至7任一项所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010869499.5A CN111968101A (zh) | 2020-08-26 | 2020-08-26 | 一种隧道渗水检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010869499.5A CN111968101A (zh) | 2020-08-26 | 2020-08-26 | 一种隧道渗水检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111968101A true CN111968101A (zh) | 2020-11-20 |
Family
ID=73390467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010869499.5A Withdrawn CN111968101A (zh) | 2020-08-26 | 2020-08-26 | 一种隧道渗水检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111968101A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160171328A1 (en) * | 2014-12-11 | 2016-06-16 | Xerox Corporation | Methods and systems for vehicle tag number recognition |
| CN105893926A (zh) * | 2015-12-15 | 2016-08-24 | 乐视致新电子科技（天津）有限公司 | 手识别方法、系统及装置 |
| CN107358270A (zh) * | 2017-08-08 | 2017-11-17 | 浙江国自机器人技术有限公司 | 一种隧道墙体的渗水检测方法及装置 |
| CN107437243A (zh) * | 2017-06-19 | 2017-12-05 | 中国科学院自动化研究所 | 基于x光图像的轮胎杂质检测方法及装置 |
| CN108734122A (zh) * | 2018-05-17 | 2018-11-02 | 北京理工大学 | 一种基于自适应样本选择的高光谱城区水体检测方法 |
-
2020
- 2020-08-26 CN CN202010869499.5A patent/CN111968101A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160171328A1 (en) * | 2014-12-11 | 2016-06-16 | Xerox Corporation | Methods and systems for vehicle tag number recognition |
| CN105893926A (zh) * | 2015-12-15 | 2016-08-24 | 乐视致新电子科技（天津）有限公司 | 手识别方法、系统及装置 |
| CN107437243A (zh) * | 2017-06-19 | 2017-12-05 | 中国科学院自动化研究所 | 基于x光图像的轮胎杂质检测方法及装置 |
| CN107358270A (zh) * | 2017-08-08 | 2017-11-17 | 浙江国自机器人技术有限公司 | 一种隧道墙体的渗水检测方法及装置 |
| CN108734122A (zh) * | 2018-05-17 | 2018-11-02 | 北京理工大学 | 一种基于自适应样本选择的高光谱城区水体检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘学增;桑运龙;苏云帆;: "基于数字图像处理的隧道渗漏水病害检测技术", 岩石力学与工程学报 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | Automatic road crack detection using random structured forests | |
| CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| Wang et al. | Towards an automated condition assessment framework of underground sewer pipes based on closed-circuit television (CCTV) images | |
| CN105787486B (zh) | 一种基于图像处理的钢梁裂纹检测方法 | |
| CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
| CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
| CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
| CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及系统 | |
| CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
| CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
| CN111598827A (zh) | 外观瑕疵检测方法、电子装置及存储介质 | |
| Daniel et al. | Automatic road distress detection and analysis | |
| CN112085699B (zh) | 一种基于二维图像的路面裂缝提取方法 | |
| CN114429577B (zh) | 一种基于高置信标注策略的旗帜检测方法及系统及设备 | |
| CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
| CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
| CN110246139B (zh) | 基于双阈值的浮游生物原位图像roi快速提取方法 | |
| CN109543498A (zh) | 一种基于多任务网络的车道线检测方法 | |
| CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
| Lau et al. | Estimating Norway lobster abundance from deep-water videos: an automatic approach | |
| JP3330829B2 (ja) | 機械部品の画像における評価可能区域の自動検出方法 | |
| CN105404682A (zh) | 一种基于数字图像内容的图书检索方法 | |
| CN113780287A (zh) | 一种多深度学习模型的最优选取方法及系统 | |
| CN111968101A (zh) | 一种隧道渗水检测方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201120 |