CN112184687A - 基于胶囊特征金字塔的道路裂缝检测方法和存储介质 - Google Patents

基于胶囊特征金字塔的道路裂缝检测方法和存储介质 Download PDF

Info

Publication number
CN112184687A
CN112184687A CN202011079759.5A CN202011079759A CN112184687A CN 112184687 A CN112184687 A CN 112184687A CN 202011079759 A CN202011079759 A CN 202011079759A CN 112184687 A CN112184687 A CN 112184687A
Authority
CN
China
Prior art keywords
capsule
crack
characteristic
feature
convolution
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
CN202011079759.5A
Other languages
English (en)
Other versions
CN112184687B (zh
Inventor
管海燕
于永涛
曹爽
许正森
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 Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202011079759.5A priority Critical patent/CN112184687B/zh
Publication of CN112184687A publication Critical patent/CN112184687A/zh
Application granted granted Critical
Publication of CN112184687B publication Critical patent/CN112184687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本申请涉及一种基于胶囊特征金字塔的道路裂缝检测方法、装置、计算机设备和存储介质。通过将输入的待检测裂缝图像通过基于特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各所述裂缝胶囊特征的分辨率和尺度都不同；通过所述特征金字塔的横向模块对各所述裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征；通过所述特征金字塔的从上而下模块对各所述增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息。采用特征金字塔结构和横向模块的信息增强，充分获得道路裂缝内在的、显著的、高阶性的特征描述，提高裂缝识别正确率。

Description

基于胶囊特征金字塔的道路裂缝检测方法和存储介质
技术领域
本申请涉及智能交通技术领域，特别是涉及一种基于胶囊特征金字塔的道路裂缝检测方法、装置、计算机设备和存储介质。
背景技术
随着道路建设的发展，为了满足人们生产生活的需要，建设了庞大且复杂的道路交通网，然而如此庞大且复杂的道路交通网也带来了一个巨大的挑战：道路的养护，由于道路的施工方式、气候条件、行车负载等原因，在使用过程中，高速公路路面通常不可避免地会产生裂缝，如果不及时对路面裂缝进行修复，不但会形成面积更大、危害更严重的裂缝从而增加道路维护成本，还有可能引发严重的交通事故，造成生命、财产的巨大损失。
而目前进行裂缝检测的方式有：1、人工路面裂缝目测丈量法；2、利用安装于移动设备上的CCD数码相机在行驶时自动对道路表面的图像信息进行采集，再通过计算机或图像处理系统来对数据进行分析处理，从真实的道路图像中检测出裂缝的位置及区域；3、通过机器学习构建模型自动拟合裂缝特征进行端到端的裂缝检测等等。
由于实际道路环境的路面背景信息复杂，导致裂缝识别正确率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高裂缝识别正确率的基于胶囊特征金字塔的道路裂缝检测方法、装置、计算机设备和存储介质。
一种基于胶囊特征金字塔的道路裂缝检测方法，所述方法包括：
将输入的待检测裂缝图像通过基于特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各所述裂缝胶囊特征的分辨率和尺度都不同；
通过所述特征金字塔的横向模块对各所述裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征；
通过所述特征金字塔的从上而下模块对各所述增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息。
在其中一个实施例中，所述将输入的待检测裂缝图像通过特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各所述裂缝胶囊特征的分辨率和尺度都不同，包括：
将所述待检测裂缝图像输入第一卷积层进行特征提取，获得低阶裂缝特征信息；
将所述低阶裂缝特征信息输入胶囊初始层进行特征转换，获得裂缝胶囊矢量；
通过N个不同尺度的胶囊卷积组，对所述裂缝胶囊矢量进行胶囊卷积，获得各所述胶囊卷积组输出的裂缝胶囊特征；
其中，N个不同尺度的所述胶囊卷积组构成了从下而上的1～N层金字塔式的特征层次结构，各所述裂缝胶囊特征的分辨率和尺度都不同。
在其中一个实施例中，所述N个不同尺度的所述胶囊卷积组的缩放步长为2，通过2×2最大值池化层连接于各胶囊卷积组之间，各胶囊卷积组包含5个相同图像和相同特征尺寸的3×3胶囊卷积层，使得特征图空间分辨率从下而上逐渐降低。
在其中一个实施例中，所述通过所述特征金字塔的横向模块对各所述裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征，包括：
对各所述裂缝胶囊特征进行密集空洞卷积处理，获得各所述裂缝胶囊特征对应的第一特征图；
对各所述第一特征图通过预设数量不同尺寸的池化层进行并行池化，获得各所述第一特征图对应的裂缝特征图；
对各所述裂缝特征图进行上采样和拼接处理，获得各增强裂缝胶囊特征。
在其中一个实施例中，所述预设数量不同尺寸的池化层为：2×2的池化层、3×3的池化层、5×5的池化层、6×6的池化层。
在其中一个实施例中，所述对各所述裂缝特征图进行上采样和拼接处理，获得各增强裂缝胶囊特征，包括：
对各所述裂缝特征图进行上采样，获得与对应的所述第一特征图尺寸相同的各第二特征图；
将各所述第二特征图与对应的所述第一特征图进行拼接和卷积操作，获得各增强裂缝胶囊特征。
在其中一个实施例中，所述通过所述特征金字塔的从上而下模块对各所述增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息，包括：
将第N层输出的增强裂缝胶囊特征作为当前待拼接的增强裂缝胶囊特征；
对所述当前待拼接的增强裂缝胶囊特征进行上采样后，与前一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图；
对所述拼接后的胶囊特征图进行卷积操作后获得的特征，作为当前待拼接的增强裂缝胶囊特征；
返回所述对所述当前待拼接的增强裂缝胶囊特征进行上采样后，与前一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图的步骤，直至与前一层输出的增强裂缝胶囊特征为第一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图；
对所述拼接后的胶囊特征图进行卷积操作，获得裂缝检测信息。
一种基于胶囊特征金字塔的道路裂缝检测装置，所述装置包括：
特征提取模块，用于将输入的待检测裂缝图像通过基于特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各所述裂缝胶囊特征的分辨率和尺度都不同；
信息增强模块，用于通过所述特征金字塔的横向模块对各所述裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征；
反卷积上采样模块，用于通过所述特征金字塔的从上而下模块对各所述增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
上述基于胶囊特征金字塔的道路裂缝检测方法、装置、计算机设备和存储介质，通过将输入的待检测裂缝图像通过基于特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各所述裂缝胶囊特征的分辨率和尺度都不同；通过所述特征金字塔的横向模块对各所述裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征；通过所述特征金字塔的从上而下模块对各所述增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息。采用特征金字塔结构和横向模块的信息增强，充分获得道路裂缝内在的、显著的、高阶性的特征描述，提高裂缝识别正确率。
附图说明
图1为一个实施例中基于胶囊特征金字塔的道路裂缝检测方法的应用环境图；
图2为一个实施例中基于胶囊特征金字塔的道路裂缝检测方法的流程示意图；
图3为一个实施例中密集空洞卷积模型示意图；
图4为一个实施例中多核池化模块示意图；
图5为一个实施例中基于胶囊网络构建具有金字塔结构的模型的检测流程示意图；
图6为一个实施例中基于胶囊特征金字塔的道路裂缝检测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于胶囊特征金字塔的道路裂缝检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104将终端102输入的待检测裂缝图像通过基于特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各裂缝胶囊特征的分辨率和尺度都不同；通过特征金字塔的横向模块对各裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征；通过特征金字塔的从上而下模块对各增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于胶囊特征金字塔的道路裂缝检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S220，将输入的待检测裂缝图像通过基于特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各裂缝胶囊特征的分辨率和尺度都不同。
其中，待检测裂缝图像可以是车辆、卫星、无人机等采集到的高分辨率的道路影像数据，也可以是对高分辨率影像数据进行处理后的高分辨率的道路图像。特征金字塔是由从下而上的特征抽取，从上而下的上采样，以及侧边融合通道组成的网络结构，每一层均会具有较强的语义信息，能很好的满足速度和内存的要求，且大幅度提升了小物体检测的性能。从下而上模块是基于特征金字塔网络结构的从下而上路径进行特征抽取的模块，包括第一卷积层、胶囊初始层以及N个不同尺度的胶囊卷积组。
在一个实施例中，将输入的待检测裂缝图像通过特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各裂缝胶囊特征的分辨率和尺度都不同，包括：
将待检测裂缝图像输入第一卷积层进行特征提取，获得低阶裂缝特征信息；将低阶裂缝特征信息输入胶囊初始层进行特征转换，获得裂缝胶囊矢量；通过N个不同尺度的胶囊卷积组，对裂缝胶囊矢量进行胶囊卷积，获得各胶囊卷积组输出的裂缝胶囊特征；其中，N个不同尺度的胶囊卷积组构成了从下而上的1～N层金字塔式的特征层次结构，各裂缝胶囊特征的分辨率和尺度都不同。
其中，第一卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。胶囊初始层是用于转换为裂缝胶囊矢量的胶囊网络。胶囊卷积组由一个以上胶囊卷积层组成，胶囊卷积层是。N个不同尺度的胶囊卷积组指的是不同尺度的胶囊卷积组有N个，N为自然数，可以根据胶囊卷积的需要，确定N代表的具体数值，如需要4个不同尺度的胶囊卷积组，则N为4。N个不同尺度的胶囊卷积组的缩放步长可以为2，也可以根据实际需要调整缩放步长。裂缝胶囊特征为高阶裂缝特征。
具体地，待检测裂缝图像(800×800像素)通过两个3×3第一卷积层，其激活函数为ReLU(Rectified Linear Unit，修正线性单元)进行特征提取，获得低阶裂缝特征信息；将低阶裂缝特征信息输入到胶囊初始层，转换为裂缝胶囊矢量，其通道数量为64，每个胶囊的维度为16维。也就是经过胶囊初始层卷积操作后产生的特征图包含64个通道，每个通道包含16个特征位置，从而在每个位置形成16维的胶囊，对每个实体，每个位置由64个16维度的胶囊特征表示。
构建4个不同尺度的胶囊卷积组，缩放步长为2，也就是4个不同尺度的胶囊卷积组的数据尺度分别为：1、1/2、1/4和1/8，通过2×2最大值池化层连接于各胶囊卷积组之间，即：第一层的胶囊卷积组通过2×2最大值池化层与第二层的胶囊卷积组连接，第二层的胶囊卷积组通过2×2最大值池化层与第三层的胶囊卷积组连接，第三层的胶囊卷积组通过2×2最大值池化层与第四层的胶囊卷积组连接。每组胶囊卷积组包含5个相同图像和相同特征尺寸的3×3胶囊卷积层，每组胶囊卷积组的最后一层胶囊卷积层由于具有最强的特征而作为该组裂缝胶囊特征，并将该组裂缝胶囊特征输入到2×2最大值池化层进行下采样后输入到下一组胶囊卷积组获得下一组的裂缝胶囊特征，注意最后一组胶囊卷积组没有连接最大池化层，最后一组胶囊卷积组的最后一层胶囊卷积层的输出无需进行池化。通过2×2最大值池化层连接于各胶囊卷积组之间，每组图像数据尺寸根据尺度设定2倍下采样，使得4个不同尺度的胶囊卷积组的数据尺寸分别为800×800像素，400×400像素，200×200像素，100×100像素，对裂缝胶囊矢量执行胶囊卷积。使得特征图空间分辨率自底向上逐渐降低并逐渐选择显著的胶囊特征来提取裂缝胶囊特征。
步骤S240，通过特征金字塔的横向模块对各裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征。
其中，横向模块是基于特征金字塔网络结构的横向路径进行信息增强的模块，包括密集空洞卷积、预设数量不同尺寸的池化层。各个胶囊卷积组输出的裂缝胶囊特征都需要进行信息增强，获得各增强裂缝胶囊特征。
在一个实施例中，通过特征金字塔的横向模块对各裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征，包括：
对各裂缝胶囊特征进行密集空洞卷积处理，获得各裂缝胶囊特征对应的第一特征图；对各第一特征图通过预设数量不同尺寸的池化层进行并行池化，获得各第一特征图对应的裂缝特征图；对各裂缝特征图进行上采样和拼接处理，获得各增强裂缝胶囊特征。
其中，各裂缝胶囊特征是各胶囊卷积组的最后一层胶囊卷积层输出的特征，然后对每个裂缝胶囊特征进行密集空洞卷积，如图3所示，假设输入的裂缝胶囊特征的尺度为1/8，也就是100×100像素，64个胶囊特征(100×100×64)；密集空洞卷积包含四个并联分支，每个分支最大空洞卷积率分别为{1,3,3,5}，相对应的感受野大小分别为{3,7,9,19}；四个分支输出特征图直接拼接，随后对拼接后的特征图执行1×1卷积操作，输出100×100×64的特征图，即第一特征图。预设数量不同尺寸的池化层，其预设数量可以根据实际需要设定，池化层的尺寸可根据实际需要设定，如：预设数量不同尺寸的池化层为2×2的池化层、3×3的池化层、5×5的池化层、6×6的池化层。并行池化是对一个第一特征图进行预设数量个不同尺寸池化操作。
在一个实施例中，对各裂缝特征图进行上采样和拼接处理，获得各增强裂缝胶囊特征，包括：
对各裂缝特征图进行上采样，获得与对应的第一特征图尺寸相同的各第二特征图；将各第二特征图与对应的第一特征图进行拼接和卷积操作，获得各增强裂缝胶囊特征。
其中，对每一个裂缝特征图进行上采样，获得每一个裂缝特征图的第二特征图，该第二特征图与对应的第一特征图尺寸相同。将每一个第二特征图与对应的第一特征图进行拼接和卷积操作，获得各裂缝特征图的增强裂缝胶囊特征。
具体地，以预设数量不同尺寸的池化层为4个2×2、3×3、5×5、6×6并行池化操作后，进行1×1卷积输出为例：假设输入第一特征图尺度为1/8，也就是100×100像素，64个胶囊特征(100×100×64)，对100×100×64第一特征图进行四个不同尺寸池化操作(即：通过4个2×2、3×3、5×5、6×6并行池化操作)，扩大特征图的感受野，获得第一特征图对应的裂缝特征图。如图4所示，对第一特征图对应的裂缝特征图进行四个不同尺寸池化操作，获得第一特征图对应的裂缝特征图，将第一特征图对应的裂缝特征图进行上采样生成与输入第一特征图尺寸相同大小(100×100×64)的特征输出，与输入第一特征图进行拼接后，执行1×1卷积操作进行特征融合与通道调整，获得增强裂缝胶囊特征。
步骤S260，通过特征金字塔的从上而下模块对各增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息。
其中，从上而下模块是基于特征金字塔网络结构的从上而下路径进行反卷积上采样的模块。裂缝检测信息是可以表征该待检测裂缝图像对应的道路是否出现道路裂缝、道路裂缝的大小等信息，裂缝检测信息可以是文字信息，也可以是图片信息，还可以是文字信息和图片信息。
在一个实施例中，通过特征金字塔的从上而下模块对各增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息，包括：
将第N层输出的增强裂缝胶囊特征作为当前待拼接的增强裂缝胶囊特征；对当前待拼接的增强裂缝胶囊特征进行上采样后，与前一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图；对拼接后的胶囊特征图进行卷积操作后获得的特征，作为当前待拼接的增强裂缝胶囊特征；返回对当前待拼接的增强裂缝胶囊特征进行上采样后，与前一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图的步骤，直至与前一层输出的增强裂缝胶囊特征为第一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图；对拼接后的胶囊特征图进行卷积操作，获得裂缝检测信息。
其中，裂缝检测信息可以是对拼接后的胶囊特征图进行卷积操作输出的特征图。
上述基于胶囊特征金字塔的道路裂缝检测方法中，通过将输入的待检测裂缝图像通过基于特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各所述裂缝胶囊特征的分辨率和尺度都不同；通过所述特征金字塔的横向模块对各所述裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征；通过所述特征金字塔的从上而下模块对各所述增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息。采用特征金字塔结构和横向模块的信息增强，充分获得道路裂缝内在的、显著的、高阶性的特征描述，提高裂缝识别正确率。
在一个实施例中，如图5所示，提供了一个基于胶囊特征金字塔的道路裂缝检测方法，具体实现如下：
在执行基于胶囊特征金字塔的道路裂缝检测方法之前，搭建基于胶囊网络构建具有金字塔结构的模型，包括：特征金字塔的从下而上模块、特征金字塔的横向模块和特征金字塔的从上而下模块；从下而上模块包括第一卷积层(即两个3×3卷积层)、胶囊初始层、数据尺度为1的胶囊卷积组、数据尺度为1/2的胶囊卷积组、数据尺度为1/4的胶囊卷积组以及数据尺度为1/8的胶囊卷积组，每组胶囊卷积组包含5个相同图像和相同特征尺寸的3×3胶囊卷积层(即图5中的胶囊层)，数据尺度为1的胶囊卷积组通过2×2最大值池化层(即图5中的最大值池化层)连接数据尺度为1/2的胶囊卷积组，数据尺度为1/2的胶囊卷积组通过2×2最大值池化层与数据尺度为1/4的胶囊卷积组连接，数据尺度为1/4的胶囊卷积组通过2×2最大值池化层与数据尺度为1/8的胶囊卷积组连接，缩放步长为2；特征金字塔的横向模块包括：四个并联分支，每个分支最大空洞卷积率分别为{1,3,3,5}，相对应的感受野大小分别为{3,7,9,19}的密集空洞卷积，和并行池化的2×2的池化层、3×3的池化层、5×5的池化层、6×6的池化层。从上而下模块包括用于反卷积上采样的上采样和3×3卷积。
待检测裂缝图像(800×800像素)通过第一卷积层，进行特征提取，获得低阶裂缝特征信息；将低阶裂缝特征信息输入到胶囊初始层，转换为裂缝胶囊矢量，将裂缝胶囊矢量输入数据尺度为1的胶囊卷积组(数据尺寸为800×800像素)，数据尺度为1的胶囊卷积组的最后一层输出的特征作为数据尺度为1的胶囊卷积组的裂缝胶囊特征，并将数据尺度为1的胶囊卷积组最后层输出的特征输入2×2最大值池化层进行池化后输入数据尺度为1/2的胶囊卷积组(数据尺寸为400×400像素)，数据尺度1/2的胶囊卷积组的最后一层输出的特征作为数据尺度为1/2的胶囊卷积组的裂缝胶囊特征，并将数据尺度1/2的胶囊卷积组的最后一层输出的特征输入2×2最大值池化层进行池化后输入数据尺度为1/4的胶囊卷积组(数据尺寸为200×200像素)，数据尺度1/4的胶囊卷积组的最后一层输出的特征作为数据尺度为1/4的胶囊卷积组的裂缝胶囊特征，并将数据尺度1/4的胶囊卷积组的最后一层输出的特征输入2×2最大值池化层进行池化后输入数据尺度为1/8的胶囊卷积组(数据尺寸为100×100像素)，数据尺度1/8的胶囊卷积组的最后一层输出的特征作为数据尺度为1/8的胶囊卷积组的裂缝胶囊特征。
每个胶囊卷积组输出的裂缝胶囊特征输入到密集空洞卷积进行空洞卷积操作，获得各裂缝胶囊特征对应的第一特征图，将获得各裂缝胶囊特征对应的第一特征图通过2×2的池化层、3×3的池化层、5×5的池化层和6×6的池化层进行并行池化，获得各第一特征图对应的裂缝特征图，对各裂缝特征图进行上采样和拼接处理，获得每个胶囊卷积组输出的裂缝胶囊特征进行信息增强后的增强裂缝胶囊特征。将数据尺度1/8的胶囊卷积组对应的增强裂缝胶囊特征(1/8尺度的胶囊特征图，100×100像素)通过上采样后(上采样后的图像为200×200像素)，再与数据尺度1/4的胶囊卷积组对应的增强裂缝胶囊特征(1/4尺度的胶囊特征图，200×200像素)进行拼接(即特征耦合)，将拼接后的胶囊特征图进行3×3卷积操作输出1/4尺度的卷积特征图P3(200×200像素)；卷积特征图P3进行上采样后(上采样后的图像为400×400像素)，与数据尺度1/4的胶囊卷积组对应的增强裂缝胶囊特征(1/2尺度的胶囊特征图，400×400像素)进行拼接(即特征耦合)，并对拼接后的胶囊特征图进行3×3卷积操作输出1/2尺度的卷积特征图P2(400×400像素)；卷积特征图P2进行上采样后(上采样后的图像为800×800像素)与数据尺度1/8的胶囊卷积组对应的增强裂缝胶囊特征进行拼接(即特征耦合)，并对拼接后的胶囊特征图进行3×3卷积操作输出最终特征图和预测结果。
通过上述基于胶囊特征金字塔的道路裂缝检测方法，将胶囊网络运用到裂缝检测中，可有效利用胶囊矢量对裂缝的几何、位置、内在属性等进行描述；联合特征金字塔模型以及由密集空洞卷积和多核池化构成的上下文增强模块对不同层次、不同尺度的胶囊特征进行综合，提升了裂缝语义信息的表达，达到准确、有效的裂缝检测，为道路的安全防护提供了保障。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种基于胶囊特征金字塔的道路裂缝检测装置，包括：特征提取模块310、信息增强模块320和反卷积上采样模块330，其中：
特征提取模块310，用于将输入的待检测裂缝图像通过基于特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各所述裂缝胶囊特征的分辨率和尺度都不同；
信息增强模块320，用于通过所述特征金字塔的横向模块对各所述裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征；
反卷积上采样模块330，用于通过所述特征金字塔的从上而下模块对各所述增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息。
在一个实施例中，特征提取模块310还用于：将待检测裂缝图像输入第一卷积层进行特征提取，获得低阶裂缝特征信息；将低阶裂缝特征信息输入胶囊初始层进行特征转换，获得裂缝胶囊矢量；通过N个不同尺度的胶囊卷积组，对裂缝胶囊矢量进行胶囊卷积，获得各胶囊卷积组输出的裂缝胶囊特征；其中，N个不同尺度的胶囊卷积组构成了从下而上的1～N层金字塔式的特征层次结构，各裂缝胶囊特征的分辨率和尺度都不同。
在一个实施例中，特征提取模块310还用于：N个不同尺度的胶囊卷积组的缩放步长为2，通过2×2最大值池化层连接于各胶囊卷积组之间，各胶囊卷积组包含5个相同图像和相同特征尺寸的3×3胶囊卷积层，使得特征图空间分辨率从下而上逐渐降低。
在一个实施例中，信息增强模块320还用于：对各裂缝胶囊特征进行密集空洞卷积处理，获得各裂缝胶囊特征对应的第一特征图；对各第一特征图通过预设数量不同尺寸的池化层进行并行池化，获得各第一特征图对应的裂缝特征图；对各裂缝特征图进行上采样和拼接处理，获得各增强裂缝胶囊特征。
在一个实施例中，信息增强模块320还用于：预设数量不同尺寸的池化层为：2×2的池化层、3×3的池化层、5×5的池化层、6×6的池化层。
在一个实施例中，信息增强模块320还用于：对各裂缝特征图进行上采样，获得与对应的第一特征图尺寸相同的各第二特征图；将各第二特征图与对应的第一特征图进行拼接和卷积操作，获得各增强裂缝胶囊特征。
在一个实施例中，反卷积上采样模块330还用于：将第N层输出的增强裂缝胶囊特征作为当前待拼接的增强裂缝胶囊特征；对当前待拼接的增强裂缝胶囊特征进行上采样后，与前一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图；对拼接后的胶囊特征图进行卷积操作后获得的特征，作为当前待拼接的增强裂缝胶囊特征；返回对当前待拼接的增强裂缝胶囊特征进行上采样后，与前一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图的步骤，直至与前一层输出的增强裂缝胶囊特征为第一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图；对拼接后的胶囊特征图进行卷积操作，获得裂缝检测信息。
关于基于胶囊特征金字塔的道路裂缝检测装置的具体限定可以参见上文中对于基于胶囊特征金字塔的道路裂缝检测方法的限定，在此不再赘述。上述基于胶囊特征金字塔的道路裂缝检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储裂缝检测信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于胶囊特征金字塔的道路裂缝检测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于胶囊特征金字塔的道路裂缝检测方法，其特征在于，所述方法包括：
将输入的待检测裂缝图像通过基于特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各所述裂缝胶囊特征的分辨率和尺度都不同；
通过所述特征金字塔的横向模块对各所述裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征；
通过所述特征金字塔的从上而下模块对各所述增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息。
2.根据权利要求1所述的方法，其特征在于，所述将输入的待检测裂缝图像通过特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各所述裂缝胶囊特征的分辨率和尺度都不同，包括：
将所述待检测裂缝图像输入第一卷积层进行特征提取，获得低阶裂缝特征信息；
将所述低阶裂缝特征信息输入胶囊初始层进行特征转换，获得裂缝胶囊矢量；
通过N个不同尺度的胶囊卷积组，对所述裂缝胶囊矢量进行胶囊卷积，获得各所述胶囊卷积组输出的裂缝胶囊特征；
其中，N个不同尺度的所述胶囊卷积组构成了从下而上的1～N层金字塔式的特征层次结构，各所述裂缝胶囊特征的分辨率和尺度都不同。
3.根据权利要求2所述的方法，其特征在于，所述N个不同尺度的所述胶囊卷积组的缩放步长为2，通过2×2最大值池化层连接于各胶囊卷积组之间，各胶囊卷积组包含5个相同图像和相同特征尺寸的3×3胶囊卷积层，使得特征图空间分辨率从下而上逐渐降低。
4.根据权利要求1所述的方法，其特征在于，所述通过所述特征金字塔的横向模块对各所述裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征，包括：
对各所述裂缝胶囊特征进行密集空洞卷积处理，获得各所述裂缝胶囊特征对应的第一特征图；
对各所述第一特征图通过预设数量不同尺寸的池化层进行并行池化，获得各所述第一特征图对应的裂缝特征图；
对各所述裂缝特征图进行上采样和拼接处理，获得各增强裂缝胶囊特征。
5.根据权利要求4所述的方法，其特征在于，所述预设数量不同尺寸的池化层为：2×2的池化层、3×3的池化层、5×5的池化层、6×6的池化层。
6.根据权利要求4所述的方法，其特征在于，所述对各所述裂缝特征图进行上采样和拼接处理，获得各增强裂缝胶囊特征，包括：
对各所述裂缝特征图进行上采样，获得与对应的所述第一特征图尺寸相同的各第二特征图；
将各所述第二特征图与对应的所述第一特征图进行拼接和卷积操作，获得各增强裂缝胶囊特征。
7.根据权利要求2所述的方法，其特征在于，所述通过所述特征金字塔的从上而下模块对各所述增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息，包括：
将第N层输出的增强裂缝胶囊特征作为当前待拼接的增强裂缝胶囊特征；
对所述当前待拼接的增强裂缝胶囊特征进行上采样后，与前一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图；
对所述拼接后的胶囊特征图进行卷积操作后获得的特征，作为当前待拼接的增强裂缝胶囊特征；
返回所述对所述当前待拼接的增强裂缝胶囊特征进行上采样后，与前一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图的步骤，直至与前一层输出的增强裂缝胶囊特征为第一层输出的增强裂缝胶囊特征进行拼接，获得拼接后的胶囊特征图；
对所述拼接后的胶囊特征图进行卷积操作，获得裂缝检测信息。
8.一种基于胶囊特征金字塔的道路裂缝检测装置，其特征在于，所述装置包括：
特征提取模块，用于将输入的待检测裂缝图像通过基于特征金字塔的从下而上模块进行特征提取，获得各裂缝胶囊特征，各所述裂缝胶囊特征的分辨率和尺度都不同；
信息增强模块，用于通过所述特征金字塔的横向模块对各所述裂缝胶囊特征进行信息增强，获得各增强裂缝胶囊特征；
反卷积上采样模块，用于通过所述特征金字塔的从上而下模块对各所述增强裂缝胶囊特征进行反卷积上采样，获得裂缝检测信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202011079759.5A 2020-10-10 2020-10-10 基于胶囊特征金字塔的道路裂缝检测方法和存储介质 Active CN112184687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011079759.5A CN112184687B (zh) 2020-10-10 2020-10-10 基于胶囊特征金字塔的道路裂缝检测方法和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011079759.5A CN112184687B (zh) 2020-10-10 2020-10-10 基于胶囊特征金字塔的道路裂缝检测方法和存储介质

Publications (2)

Publication Number Publication Date
CN112184687A true CN112184687A (zh) 2021-01-05
CN112184687B CN112184687B (zh) 2023-09-26

Family

ID=73947941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011079759.5A Active CN112184687B (zh) 2020-10-10 2020-10-10 基于胶囊特征金字塔的道路裂缝检测方法和存储介质

Country Status (1)

Country Link
CN (1) CN112184687B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011360A (zh) * 2021-03-29 2021-06-22 江苏思玛特科技有限公司 一种基于通道-空间注意力胶囊网络模型的道路交通标志线检测方法及系统
CN114049356A (zh) * 2022-01-17 2022-02-15 湖南大学 一种结构表观裂缝检测方法、装置及系统
WO2023001059A1 (zh) * 2021-07-19 2023-01-26 中国第一汽车股份有限公司 检测方法、装置、电子设备及存储介质
CN117764988A (zh) * 2024-02-22 2024-03-26 山东省计算中心（国家超级计算济南中心） 基于异核卷积多感受野网络的道路裂缝检测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019020075A1 (zh) * 2017-07-28 2019-01-31 北京市商汤科技开发有限公司 图像处理方法、装置、存储介质、计算机程序和电子设备
CN110147714A (zh) * 2019-03-28 2019-08-20 中国矿业大学 基于无人机的煤矿采空区裂缝识别方法及检测系统
CN110942026A (zh) * 2019-11-26 2020-03-31 深圳大学 基于深度学习的胶囊机器人排水管病害检测方法及系统
CN111080641A (zh) * 2019-12-30 2020-04-28 上海商汤智能科技有限公司 裂缝检测方法、装置、计算机设备及存储介质
CN111127468A (zh) * 2020-04-01 2020-05-08 北京邮电大学 一种道路裂缝检测方法和装置
CN111401455A (zh) * 2020-03-20 2020-07-10 中国科学院空天信息创新研究院 一种基于Capsules-Unet模型的遥感图像深度学习分类方法和系统
AU2020101011A4 (en) * 2019-06-26 2020-07-23 Zhejiang University Method for identifying concrete cracks based on yolov3 deep learning model
CN111460818A (zh) * 2020-03-31 2020-07-28 中国测绘科学研究院 一种基于增强胶囊网络的网页文本分类方法及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019020075A1 (zh) * 2017-07-28 2019-01-31 北京市商汤科技开发有限公司 图像处理方法、装置、存储介质、计算机程序和电子设备
CN110147714A (zh) * 2019-03-28 2019-08-20 中国矿业大学 基于无人机的煤矿采空区裂缝识别方法及检测系统
AU2020101011A4 (en) * 2019-06-26 2020-07-23 Zhejiang University Method for identifying concrete cracks based on yolov3 deep learning model
CN110942026A (zh) * 2019-11-26 2020-03-31 深圳大学 基于深度学习的胶囊机器人排水管病害检测方法及系统
CN111080641A (zh) * 2019-12-30 2020-04-28 上海商汤智能科技有限公司 裂缝检测方法、装置、计算机设备及存储介质
CN111401455A (zh) * 2020-03-20 2020-07-10 中国科学院空天信息创新研究院 一种基于Capsules-Unet模型的遥感图像深度学习分类方法和系统
CN111460818A (zh) * 2020-03-31 2020-07-28 中国测绘科学研究院 一种基于增强胶囊网络的网页文本分类方法及存储介质
CN111127468A (zh) * 2020-04-01 2020-05-08 北京邮电大学 一种道路裂缝检测方法和装置

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
GUAN HAIYAN 等: "RoadCapsFPN: Capsule Feature Pyramid Network for Road Extraction From VHR Optical Remote Sensing Imagery", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 23, no. 08, pages 11041 - 11051 *
YONGFENG REN 等: "DA-CapsUNet: A dual-attention capsule U-Net for road extraction from remote sensing imagery", 《REMOTE SENSING》, vol. 12, no. 18, pages 2866 *
YU YONGTAO 等: "Capsule Feature Pyramid Network for Building Footprint Extraction From High-Resolution Aerial Imagery", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 18, no. 05, pages 895 - 899, XP011851409, DOI: 10.1109/LGRS.2020.2986380 *
YU YONGTAO 等: "CCapFPN: A Context-Augmented Capsule Feature Pyramid Network for Pavement Crack Detection", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 23, no. 04, pages 3324 - 3335 *
YU YONGTAO 等: "Vehicle Detection From High-Resolution Remote Sensing Imagery Using Convolutional Capsule Networks", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 16, no. 12, pages 1894 - 1898, XP011753177, DOI: 10.1109/LGRS.2019.2912582 *
刘杰: "基于局部特征的人体重识别技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 01, pages 138 - 1492 *
刘锦行: "基于实例化参数压缩胶囊网络的目标识别与用户属性分析方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 07, pages 138 - 18 *
张天柱 等: "使用模糊聚类的胶囊网络在图像分类上的研究", 《计算机科学》, vol. 46, no. 12, pages 279 - 285 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011360A (zh) * 2021-03-29 2021-06-22 江苏思玛特科技有限公司 一种基于通道-空间注意力胶囊网络模型的道路交通标志线检测方法及系统
CN113011360B (zh) * 2021-03-29 2023-11-24 江苏思玛特科技有限公司 基于注意力胶囊网络模型的道路交通标志线检测方法及系统
WO2023001059A1 (zh) * 2021-07-19 2023-01-26 中国第一汽车股份有限公司 检测方法、装置、电子设备及存储介质
CN114049356A (zh) * 2022-01-17 2022-02-15 湖南大学 一种结构表观裂缝检测方法、装置及系统
CN114049356B (zh) * 2022-01-17 2022-04-12 湖南大学 一种结构表观裂缝检测方法、装置及系统
CN117764988A (zh) * 2024-02-22 2024-03-26 山东省计算中心（国家超级计算济南中心） 基于异核卷积多感受野网络的道路裂缝检测方法及系统
CN117764988B (zh) * 2024-02-22 2024-04-30 山东省计算中心（国家超级计算济南中心） 基于异核卷积多感受野网络的道路裂缝检测方法及系统

Also Published As

Publication number Publication date
CN112184687B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN112184687A (zh) 基于胶囊特征金字塔的道路裂缝检测方法和存储介质
CN111079632A (zh) 文本检测模型的训练方法、装置、计算机设备和存储介质
CN110516541B (zh) 文本定位方法、装置、计算机可读存储介质和计算机设备
CN112183203B (zh) 一种基于多尺度像素特征融合的实时交通标志检测方法
CN109886330B (zh) 文本检测方法、装置、计算机可读存储介质和计算机设备
CN114092833B (zh) 遥感图像分类方法、装置、计算机设备和存储介质
CN112949507B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN110378222A (zh) 一种输电线路防震锤目标检测与缺陷识别方法及装置
CN113111835A (zh) 卫星遥感图像语义分割方法、装置、电子设备和存储介质
CN112183295A (zh) 行人重识别方法、装置、计算机设备及存储介质
CN113888514A (zh) 导地线缺陷检测方法、装置、边缘计算设备和存储介质
CN112016502B (zh) 安全带检测方法、装置、计算机设备及存储介质
CN112241646A (zh) 车道线识别方法、装置、计算机设备和存储介质
CN112132216B (zh) 车型识别方法、装置、电子设备及存储介质
CN111291794A (zh) 字符识别方法、装置、计算机设备和计算机可读存储介质
CN112001931A (zh) 图像分割方法、装置、设备及存储介质
CN111047088A (zh) 预测图像获取方法、装置、计算机设备和存储介质
CN116028499B (zh) 检测信息生成方法、电子设备和计算机可读介质
CN111666931B (zh) 基于混合卷积文字图像识别方法、装置、设备及存储介质
CN114463637A (zh) 一种基于深度学习的冬小麦遥感识别分析方法和系统
CN112348116A (zh) 利用空间上下文的目标检测方法、装置和计算机设备
CN111666932A (zh) 单据审核方法、装置、计算机设备及存储介质
CN114821736A (zh) 基于对比学习的多模态人脸识别方法、装置、设备及介质
CN111105076A (zh) 天气预报数据的生成方法、装置、计算机设备和存储介质
CN112132025B (zh) 应急车道图像处理方法、装置、计算机设备及存储介质

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