CN112101138A - 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法 - Google Patents

基于深度学习的桥梁拉索表面缺陷实时识别系统及方法 Download PDF

Info

Publication number
CN112101138A
CN112101138A CN202010873554.8A CN202010873554A CN112101138A CN 112101138 A CN112101138 A CN 112101138A CN 202010873554 A CN202010873554 A CN 202010873554A CN 112101138 A CN112101138 A CN 112101138A
Authority
CN
China
Prior art keywords
image
defect
cable
mask
training
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
CN202010873554.8A
Other languages
English (en)
Other versions
CN112101138B (zh
Inventor
王兴松
李�杰
田梦倩
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202010873554.8A priority Critical patent/CN112101138B/zh
Publication of CN112101138A publication Critical patent/CN112101138A/zh
Application granted granted Critical
Publication of CN112101138B publication Critical patent/CN112101138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了基于深度学习的桥梁拉索表面缺陷实时识别系统及方法，包括检测机器人、安装在检测机器人上的四个检测相机、图像分割器、图传单元、远程主机。方法为：一、通过识别系统装置采集待测拉索表面缺陷数据集，并对拉索缺陷对象进行标注，建立数据集。二、把拉索缺陷数据集送入Mask‑RCNN深度学习网络训练并生成权重文件。三、检测机器人在拉索上运行，检测相机获取当前拉索图像并合成图片后，通过图传单元发送给远程主机。四、远程主机接受图像进行识别测试，载入训练获得的权重。五、通过Mask‑RCNN网络获取拉索缺陷识别的图像后，远程主机进行图像处理，得到缺陷像素图像。六、远程主机输出保存原始图像和缺陷识别图像，在原始图像中标注缺陷评级信息。

Description

基于深度学习的桥梁拉索表面缺陷实时识别系统及方法
技术领域
本发明属探伤机器人及无损检测领域，具体来说，涉及基于深度学习的桥梁拉索表面缺陷实时识别系统及方法。
背景技术
斜拉桥主要由受压的桥塔、受拉的索和承弯的梁体组成。在斜拉索的正常工作中，斜拉索会受到桥面动载荷、风雨振、日照以及腐蚀性气体的反复作用，很容易发生外层护套破损，局部钢丝锈蚀等病害。斜拉索护套的损坏导致内部钢丝暴露在空气中，还有的斜拉索表面附着有油污可能渗透到索内部，加速钢丝的腐蚀，若不定期维护，最终会因钢丝腐蚀失效导致斜拉索失效甚至桥面坍塌等事故。
拉索检测机器人属于高空作业机器人，有效的代替了人工检测。目前拉索机器人的精确定位以及拉索缺陷识别依旧是机器人应用过程中的重点和难点。拉索表面缺陷检测依旧存在不准确、精度不高、实时性不好的问题。
发明内容
为解决上述问题，本发明公开了基于深度学习的桥梁拉索表面缺陷实时识别系统及方法，解决拉索表面缺陷的识别不准确、精度不高的问题，同时结合检测机器人实现对拉索缺陷的实时检测和评级。
基于深度学习的桥梁拉索表面缺陷实时识别系统及方法，该实时识别系统包括用于桥梁拉索的检测机器人、四个检测相机、图像分割器、图传单元、远程主机，四个检测相机用于获取拉索360度图像，远程主机用于机器人控制和接收处理图像。
基于深度学习的桥梁拉索表面缺陷实时识别系统方法，具体流程包括：
步骤(1)：通过实时识别系统装置采集待测拉索表面缺陷数据集，并对图像中拉索缺陷对象进行标注，建立数据集。
步骤(2)：进行网络参数初始化设定后，把拉索缺陷数据集送入Mask-RCNN深度学习网络训练并生成权重文件。
步骤(3)：远程主机控制检测机器人在拉索上运行，四个检测相机获取当前拉索图像，通过图像分割器合成为一张图片，并通过图传单元发送给远程主机。
步骤(4)：远程主机接受图像进行识别测试，设置深度学习网络参数，载入步骤(2)训练获得的权重，送入Mask-RCNN网络进行拉索缺陷分类、回归和像素掩码生成。
步骤(5)：通过Mask-RCNN网络获取拉索缺陷识别的图像后，远程主机进行图像处理，去除背景，二值化处理，得到缺陷像素图像，通过缺陷像素大小对缺陷损伤程度进行评级。
步骤(6)：远程主机同时输出保持原始图像和缺陷识别图像，并在原始图像中标注缺陷评级信息。返回步骤(3)。
进一步，实时识别系统及方法的步骤(1)的数据集中的图片包含拉索360度的四张图片，分别对应四个相机获取的图像顺序；数据集包括不少于2000张含缺陷的拉索图像，并按4:1分为训练集和测试集；通过labelme软件对图像中缺陷边缘进行标注，标注分类数为2(包括缺陷对象和背景)并转换生成COCO格式的数据集。
进一步，实时识别系统及方法的中步骤(2)的具体过程为：
步骤(201)：训练参数初始化，载入预训练网络模型及权重(如mask_rcnn_R_50_FPN_3x)，设置分类类别为2；
步骤(202)：注册数据集和测试集，数据集包括路径信息、原始图片、标注信息等
步骤(203)：载入到Mask-RCNN训练网络，并经过内部ResNet50、RPN提取特征图。
步骤(204)：迭代足够多的训练步数(如10k)后，输出训练网络权重文件，其中确保损失函数值小于0.2以下，损失函数计算根据以下公式：
L＝Lrpn+LMask＝Lrpn_cls+Lrpn_loc+Lbox_reg+Lcls+Lmask
进一步，实时识别系统及方法的中步骤(4)的具体过程为：
步骤(401)：初始化网络参数，分别将拉索缺陷训练集、验证集注册载入，同时载入步骤(2)训练获取的权重文件。
步骤(402)：通过摄像头获取的图像，图像送入训练好的ResNet50中，通过FPN获取不同深度的feature map。
步骤(403)：使用RPN网络对ROI(感兴趣区域)进行推荐，同时连接两个同级的全连接层，分别为框回归层和框分类层。
步骤(404)：候选框建议RoI被送入RoIAlign层进行池化处理，采用双线性插值处理，从每个RoI提取固定尺寸特征图(例如7×7)。
步骤(405)：经过RoIAlign处理的ROI连接两个全连接层，网络深度为2，进行图像分类和边界框回归，同时连接FCN对图像对象进行像素分割，预测对象的mask。
步骤(406)：根据识别结果，生成拉索缺陷预测图像，包括预测框、概率值、缺陷的像素级别mask。
进一步，实时识别系统及方法的的步骤(5)中图像处理过程包括对缺陷图像除去背景，二值化处理，设定背景像素值为0，缺陷像素值为255。根据图像中缺陷像素与整个图像的比例关系，输出损伤程度评级，分为轻微、明显、严重三个等级，没有缺陷的图像无缺陷评级。
有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：
(1)通过深度学习实现对拉索表面缺陷的智能检测，相较于常用的图像处理方法，提高了拉索表面缺陷检测的精度和准确率。
(2)使用该缺陷实时识别系统和方法，实现了拉索检测机器人对缺陷的实时检测，有效代替了人眼辨识，减少拉索检测工作强度。
(3)采用位于拉索检测机器人四个相机同时获取拉索360度图像并合成为一张图像，经深度学习一次性完成了拉索表面360度的检测，减少了拉索缺陷检测的重复工作。
(4)通过使用图像处理对缺陷损伤程度评级，对进一步的拉索维护提供了标准和依据。
附图说明
图1为本发明基于深度学习的桥梁拉索表面缺陷实时识别方法的流程图。
图2为本发明基于深度学习的桥梁拉索表面缺陷实时识别系统的工作示意图。
图3为本发明实例系统构成。
图4为本发明中深度学习对拉索缺陷识别的流程图
图5为本发明中拉索缺陷识别的深度学习网络结构。
图6为本发明中拉索表面缺陷识别和处理效果。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
如图1、2、3所示，本实施例提供一种基于深度学习的桥梁拉索表面缺陷实时识别系统及方法，该实时识别系统包括用于桥梁拉索的检测机器人、四个检测相机、图像分割器、图传单元、远程主机，四个检测相机用于获取拉索360度图像，远程主机用于机器人控制和接收处理图像。具体流程包括：
步骤(1)：通过所述识别系统装置采集待测拉索表面缺陷数据集，并对图像中拉索缺陷对象进行标注，建立数据集。
其中所述步骤(1)的数据集中的图片包含拉索360度的四张图片，分别对应四个相机获取的图像顺序；数据集包括不少于2000张含缺陷的拉索图像，像素为640*480，并按4:1分为训练集和测试集；通过labelme软件对图像中缺陷边缘进行标注，标注分类数为2(包括缺陷对象和背景)并转换生成COCO格式的数据集。
步骤(2)：进行网络参数初始化设定后，把拉索缺陷数据集送入Mask-RCNN深度学习网络训练并生成权重文件。
其中所述步骤(2)的具体过程为：
步骤(201)：训练参数初始化，载入预训练网络模型及权重(如mask_rcnn_R_50_FPN_3x)，设置分类类别为2；
步骤(202)：注册数据集和测试集，数据集包括路径信息、原始图片、标注信息等
步骤(203)：载入到Mask-RCNN训练网络，并经过内部ResNet50、RPN提取特征图。
步骤(204)：迭代足够多的训练步数(如10k)后，输出训练网络权重文件，其中确保损失函数值小于0.2以下，损失函数计算根据以下公式：
L＝Lrpn+LMask＝Lrpn_cls+Lrpn_loc+Lbox_reg+Lcls+Lmask
步骤(3)：所述远程主机控制检测机器人在拉索上运行，四个检测相机获取当前拉索图像，通过图像分割器合成为一张图片，并通过图传单元发送给远程主机。
步骤(4)：所述远程主机接受图像进行识别测试，设置深度学习网络参数，载入步骤(2)训练获得的权重，送入Mask-RCNN网络进行拉索缺陷分类、回归和像素掩码生成。
如图3、4所示，所述步骤(4)的具体过程为：
步骤(401)：初始化网络参数，分别将拉索缺陷训练集、验证集注册载入，同时载入步骤(2)训练获取的权重文件。
步骤(402)：通过摄像头获取的图像，图像送入训练好的ResNet50中，通过FPN获取不同深度的feature map。
步骤(403)：使用RPN网络对ROI(感兴趣区域)进行推荐，同时连接两个同级的全连接层，分别为框回归层和框分类层。
步骤(404)：候选框建议RoI被送入RoIAlign层进行池化处理，采用双线性插值处理，从每个RoI提取固定尺寸特征图(例如7×7)。
步骤(405)：经过RoIAlign处理的ROI连接两个全连接层，网络深度为2，进行图像分类和边界框回归，同时连接FCN对图像对象进行像素分割，预测对象的mask。
步骤(406)：根据识别结果，生成拉索缺陷预测图像，包括预测框、概率值、缺陷的像素级别mask。
步骤(5)：通过Mask-RCNN网络获取拉索缺陷识别的图像后，远程主机进行图像处理，去除背景，二值化处理，得到缺陷像素图像，通过缺陷像素大小对缺陷损伤程度进行评级。
其中所述步骤(5)中图像处理过程包括对缺陷图像除去背景，二值化处理，设定背景像素值为0，缺陷像素值为255；根据图像中缺陷像素与整个图像的比例关系，输出损伤程度评级，分为轻微、明显、严重三个等级，没有缺陷的图像无缺陷评级。
步骤(6)：远程主机同时输出和保存原始图像和缺陷识别图像，并在原始图像中标注缺陷评级信息。返回步骤(3)。
如图5所示，拉索缺陷图片经过深度学习处理后完成缺陷的分类、识别、mask生成，并通过进一步的图像处理，提取出拉索缺陷像素的二值化图片，根据像素比例关系实现损坏程度分级。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (5)

1.基于深度学习的桥梁拉索表面缺陷实时识别系统，其特征在于：所述识别系统包括用于桥梁拉索的检测机器人、四个检测相机、图像分割器、图传单元、远程主机，四个检测相机用于获取拉索360度图像，远程主机用于机器人控制和接收处理图像。
2.基于深度学习的桥梁拉索表面缺陷实时识别方法，其特征在于,该方法包括以下步骤；
步骤(1)：通过所述识别系统装置采集待测拉索表面缺陷数据集，并对图像中拉索缺陷对象进行标注，建立数据集。
步骤(2)：进行网络参数初始化设定后，把拉索缺陷数据集送入Mask-RCNN深度学习网络训练并生成权重文件。
步骤(3)：所述远程主机控制检测机器人在拉索上运行，四个检测相机获取当前拉索图像，通过图像分割器合成为一张图片，并通过图传单元发送给远程主机。
步骤(4)：所述远程主机接受图像进行识别测试，设置深度学习网络参数，载入步骤(2)训练获得的权重，送入Mask-RCNN网络进行拉索缺陷分类、回归和像素掩码生成。
步骤(5)：通过Mask-RCNN网络获取拉索缺陷识别的图像后，远程主机进行图像处理，去除背景，二值化处理，得到缺陷像素图像，通过缺陷像素大小对缺陷损伤程度进行评级。
步骤(6)：远程主机同时输出和保存原始图像和缺陷识别图像，并在原始图像中标注缺陷评级信息。返回步骤(3)。
3.根据权利要求2所述的基于深度学习的桥梁拉索表面缺陷实时识别方法，其特征在于，所述步骤(1)的数据集中的图片包含拉索360度的四张图片，分别对应四个相机获取的图像顺序；数据集包括不少于2000张含缺陷的拉索图像，并按4:1分为训练集和测试集；通过labelme软件对图像中缺陷边缘进行标注，标注分类数为2(包括缺陷对象和背景)并转换生成COCO格式的数据集。
4.根据权利要求2所述的基于深度学习的桥梁拉索表面缺陷实时识别方法，其特征在于，所述步骤(2)的具体过程为：
步骤(201)：训练参数初始化，载入预训练网络模型及权重(如mask_rcnn_R_50_FPN_3x)，设置分类类别为2；
步骤(202)：注册数据集和测试集，数据集包括路径信息、原始图片、标注信息等；
步骤(203)：载入到Mask-RCNN训练网络，并经过内部Res Net50、RPN提取特征图。
步骤(204)：迭代足够多的训练步数后，输出训练网络权重文件，其中确保损失函数值小于0.2以下，损失函数计算根据以下公式：
L＝Lrpn+LMask＝Lrpn_cls+Lrpn_loc+Lbox_reg+Lcls+Lmask
根据权利要求2所述的基于深度学习的桥梁拉索表面缺陷实时识别方法，其特征在于，所述步骤(4)的具体过程为：
步骤(401)：初始化网络参数，分别将拉索缺陷训练集、验证集注册载入，同时载入步骤(2)训练获取的权重文件；
步骤(402)：通过摄像头获取的图像，图像送入训练好的ResNet50中，通过FPN获取不同深度的feature map；
步骤(403)：使用RPN网络对ROI(感兴趣区域)进行推荐，同时连接两个同级的全连接层，分别为框回归层和框分类层；
步骤(404)：候选框建议RoI被送入RoIAlign层进行池化处理，采用双线性插值处理，从每个RoI提取固定尺寸特征图；
步骤(405)：经过RoIAlign处理的ROI连接两个全连接层，网络深度为2，进行图像分类和边界框回归，同时连接FCN对图像对象进行像素分割，预测对象的mask；
步骤(406)：根据识别结果，生成拉索缺陷预测图像，包括预测框、概率值、缺陷的像素级别mask。
5.根据权利1所述的权利要求2所述的基于深度学习的桥梁拉索表面缺陷实时识别方法，其特征在于，所述步骤(5)中图像处理过程包括对缺陷图像除去背景，二值化处理，设定背景像素值为0，缺陷像素值为255；根据图像中缺陷像素与整个图像的比例关系，输出损伤程度评级，分为轻微、明显、严重三个等级，没有缺陷的图像无缺陷评级。
CN202010873554.8A 2020-08-26 2020-08-26 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法 Active CN112101138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010873554.8A CN112101138B (zh) 2020-08-26 2020-08-26 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010873554.8A CN112101138B (zh) 2020-08-26 2020-08-26 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法

Publications (2)

Publication Number Publication Date
CN112101138A true CN112101138A (zh) 2020-12-18
CN112101138B CN112101138B (zh) 2024-04-30

Family

ID=73757909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010873554.8A Active CN112101138B (zh) 2020-08-26 2020-08-26 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法

Country Status (1)

Country Link
CN (1) CN112101138B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012139A (zh) * 2021-03-29 2021-06-22 南京奥纵智能科技有限公司 一种用于液晶屏的导电粒子缺陷检测的深度学习算法
CN113989619A (zh) * 2021-11-05 2022-01-28 中科三清科技有限公司 一种基于深度学习识别模型的储罐预测方法和装置
CN115482491A (zh) * 2022-09-23 2022-12-16 湖南大学 一种基于transformer的桥梁缺陷识别方法与系统
CN115497260A (zh) * 2022-08-08 2022-12-20 天津城建大学 一种漏磁与视觉分析的桥梁缆索缺陷预警装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767422A (zh) * 2018-12-08 2019-05-17 深圳市勘察研究院有限公司 基于深度学习的管道检测识别方法、存储介质及机器人
CN109978847A (zh) * 2019-03-19 2019-07-05 东南大学 基于迁移学习与拉索机器人的拉索外套病害自动识别方法
CN110751075A (zh) * 2019-10-12 2020-02-04 海南长光卫星信息技术有限公司 一种基于实例分割的遥感影像养殖塘检测方法
CN111402247A (zh) * 2020-03-23 2020-07-10 华南理工大学 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767422A (zh) * 2018-12-08 2019-05-17 深圳市勘察研究院有限公司 基于深度学习的管道检测识别方法、存储介质及机器人
CN109978847A (zh) * 2019-03-19 2019-07-05 东南大学 基于迁移学习与拉索机器人的拉索外套病害自动识别方法
CN110751075A (zh) * 2019-10-12 2020-02-04 海南长光卫星信息技术有限公司 一种基于实例分割的遥感影像养殖塘检测方法
CN111402247A (zh) * 2020-03-23 2020-07-10 华南理工大学 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012139A (zh) * 2021-03-29 2021-06-22 南京奥纵智能科技有限公司 一种用于液晶屏的导电粒子缺陷检测的深度学习算法
CN113989619A (zh) * 2021-11-05 2022-01-28 中科三清科技有限公司 一种基于深度学习识别模型的储罐预测方法和装置
CN115497260A (zh) * 2022-08-08 2022-12-20 天津城建大学 一种漏磁与视觉分析的桥梁缆索缺陷预警装置
CN115482491A (zh) * 2022-09-23 2022-12-16 湖南大学 一种基于transformer的桥梁缺陷识别方法与系统

Also Published As

Publication number Publication date
CN112101138B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
CN112101138B (zh) 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法
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
CN109615611B (zh) 一种基于巡检影像的绝缘子自爆缺陷检测方法
CN111339882B (zh) 基于实例分割的输电线路隐患检测方法
CN111784685A (zh) 一种基于云边协同检测的输电线路缺陷图像识别方法
CN113744270A (zh) 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法
CN113469177A (zh) 基于深度学习的排水管道缺陷检测方法及系统
CN114973002A (zh) 一种基于改进的YOLOv5的麦穗检测方法
CN112766110A (zh) 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置
CN114549407A (zh) 基于x射线图像的耐张线夹压接缺陷程度判断方法
CN112241950A (zh) 一种塔式起重机裂缝图像的检测方法
WO2024060529A1 (zh) 一种道路病害识别方法、系统、设备及存储介质
CN112727705A (zh) 风力发电机组桨叶监测探伤方法
CN113962973A (zh) 一种基于卫星技术的输电线路无人机智能巡检系统及方法
CN115409789A (zh) 基于图像语义分割的输电线路工程缺陷检测方法
CN111275020A (zh) 一种房间状态识别方法
CN114037895A (zh) 一种无人机杆塔巡检图像识别方法
CN114120086A (zh) 路面病害识别、图像处理模型训练方法、装置及电子设备
CN112115737A (zh) 一种车辆朝向的确定方法、装置及车载终端
CN114418968A (zh) 一种基于深度学习的输电线路小目标缺陷检测方法
CN112308135A (zh) 基于深度学习的铁路动车撒砂管松脱故障检测方法
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN116630296B (zh) 基于轻量化网络的水下船体像素级缺陷检测方法及系统
CN114708267B (zh) 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法
CN113947567B (zh) 基于多任务学习的缺陷检测方法

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