CN112258495A - 一种基于卷积神经网络的建筑木材裂缝识别方法 - Google Patents
一种基于卷积神经网络的建筑木材裂缝识别方法 Download PDFInfo
- Publication number
- CN112258495A CN112258495A CN202011203806.2A CN202011203806A CN112258495A CN 112258495 A CN112258495 A CN 112258495A CN 202011203806 A CN202011203806 A CN 202011203806A CN 112258495 A CN112258495 A CN 112258495A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- data set
- building wood
- model
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 82
- 239000002023 wood Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000011423 initialization method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000011176 pooling Methods 0.000 description 11
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000010959 steel 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30161—Wood; Lumber
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明适用深度学习与土木工程的交叉学科领域,涉及一种基于卷积神经网络的建筑木材裂缝识别方法,包括:采集建筑木材裂缝图像并挑选含有裂缝的图片;分类标注建筑木材裂缝数据集,建立大数据集与小数据集,并按比例分为训练集、验证集和测试集;搭载卷积神经网络模型,进行模型初始化,分别基于大数据集和小数据集进行模型训练;设置不同的超参数,引入验证集图片测试,寻找最优超参数值;根据得到的最优模型,对模型进行测试,输出各项检测数值指标,判断是否达到预期值;对现有的图像处理方法进行比较分析。本发明所提出的基于卷积神经网络的建筑木材裂缝识别方法具有更好的鲁棒性与泛化能力,有效提高了建筑木材裂缝识别的精度与效率。
Description
技术领域
本发明属于深度学习与土木工程的交叉学科技术领域,尤其涉及一种基于卷积神经网络的建筑木材裂缝识别方法。
背景技术
木材作为古代建筑的一种重要材料,被广泛的用作建筑的承重构件,较轻的裂缝展现了古建筑的历史和艺术价值,但一些严重的裂缝会影响整个结构的稳定性。目前,古建筑的表面损伤检测主要依靠人工检测,需要有经验的专家用专业的仪器设备进行现场检测,整个过程费时费力。因此,需要新的损伤检测方法来代替或改进人工检查。
目前已有的损伤检测方法主要可以分为两类。一类是基于传感器网络的结构健康监测(SHM)技术,另一类是基于视觉的损伤检测技术。前一种方法的SHM系统通常非常昂贵,并且需要许多专业人员,这会造成使用成本过高,后一种方法都采用DIP技术,这种方法一次只能检测一种类型的损伤,并且当检测环境复杂时,受到环境噪声的影响很大。
近年来,随着深度学习技术的发展,机器视觉对表面损伤检测的精度大大提高,深度学习消除了人工提取损伤特征的需要,但是由于木材表面复杂的纹理,使得建筑木材表面裂纹检测不同于以往的混凝土材料和钢结构材料的简单检测,因此需要改进现有的检测方法,以实现对建筑木材表面裂缝识别。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于卷积神经网络的建筑木材裂缝识别方法,以解决现有技术中建筑木材裂缝识别精度与效率低、鲁棒性与泛化能力差的问题。
为了解决上述技术问题,本发明采用了如下的技术方案:
本发明提供了一种卷积神经网络的建筑木材裂缝识别方法,包括以下步骤:
S10、获取建筑木材裂缝数据集:采集建筑木材裂缝图像,对所述建筑木材裂缝图像进行预处理,并挑选含有裂缝的图片;
S20、建筑木材裂缝数据集处理:根据所述步骤S10得到的所述建筑木材裂缝数据集,分类标注所述建筑木材裂缝数据集,建立大数据集与小数据集,并按比例分为训练集、验证集和测试集;
S30、模型训练:搭载卷积神经网络模型,使用高斯初始化和泽维尔初始化方法进行所述卷积神经网络模型初始化,分别基于所述大数据集和所述小数据集进行所述卷积神经网络模型训练;
S40、模型的调参:根据所述步骤S30的训练结果,设置不同的模型超参数,引入所述验证集图片测试,对比所述卷积神经网络模型训练过程中的损失值及准确率的变化曲线,寻找最优模型超参数值;
S50、模型测试:根据得到的最优卷积神经网络模型,使用开发的特定滑动窗口算法来进行所述测试集图片扫描,并对所述最优卷积神经网络模型进行测试,输出各项检测数值指标,判断是否达到预期值;若是,则输出所述最优卷积神经网络模型;若否,则返回执行所述步骤S40;
S60、比较研究:对现有的图像处理方法进行比较分析。
进一步的,所述步骤S10中的具体步骤为:
S11、使用电子产品从中国故宫博物院的历史建筑中采集所述建筑木材裂缝图像;
S12、原始采集的所述建筑木材裂缝图像将自动分为分辨率为256*256像素的所述建筑木材裂缝数据集;
S13、挑选裂缝图片。
进一步的,所述步骤S20中的具体步骤为:
S21、使用matlab标注程序分类标注建筑木材裂缝,分为正常和裂缝;
S22、标注后的所述建筑木材裂缝数据集即为所述小数据集,而将标注后的所述建筑木材裂缝数据集使用数据增强技术进行扩增后的数据集为所述大数据集;
S23、使用matlab分类程序将所述大数据集和所述小数据集按8:1:1的比例分为所述训练集、所述验证集和所述测试集。
进一步的,所述步骤S22中数据增强的主要方法有平移变换、尺度缩放、旋转变换、对称变换、模糊处理、对比度调整。
进一步的,所述步骤S23中的所述训练集、所述验证集和所述测试集的图像互不交叉重合,有利于检验所述卷积神经网络模型的鲁棒性和泛化能力。
进一步的,所述步骤S30中的具体步骤为:
S31、搭载所述卷积神经网络模型框架,所述卷积神经网络模型框架对Alexnet进行微调,构建了卷积神经网络裂纹识别体系结构;
S32、采用随机梯度下降法结合动量法来更新参数,分别对所述大数据集和所述小数据集进行训练,观察损失值函数图像,达到平稳时即所述卷积神经网络模型收敛,此时停止训练。
进一步的,所述步骤S40中调整的模型超参数为初始学习率、总迭代次数、动量系数、重衰减值;调整模型超参数的主要依据为:设置不同模型超参数时,所述卷积神经网络模型在所述验证集上的检测表现,即识别的效率,还有准确率上升曲线的最大值和损失值下降曲线的平稳度和收敛性。
进一步的,所述步骤S50的最优卷积神经网络模型为,基于所述大数据集得到的卷积神经网络模型精准度更高,选择该卷积神经网络模型为所述最优卷积神经网络模型。
进一步的,所述步骤S50中图片扫描的具体内容为,滑动窗口会将扫描后的图片区域输入训练后的所述卷积神经网络模型,进行损伤识别;所述步骤S50中检测数值指标主要包括精度、准确度、召回率。
进一步的,所述步骤S60中比较研究的方法是Soble边缘检测法和Canny边缘检测法。
本发明提供的一种基于卷积神经网络的建筑木材裂缝识别方法与现有技术相比,至少具有如下有益效果:
本发明采用的卷积神经网络,可以直接提取裂纹区域,为工程师区分裂纹提供了更直观的结果,并且由于卷积神经网络对于噪声的不敏感性,能大大提高裂纹识别的效率;采用滑动窗口算法,采用固定“滑动窗”进行两步扫描策略,可以很好的解决裂纹位于图片边缘而导致的识别错误;采用深度学习的方法,通过对大量建筑木材裂缝的学习,卷积神经网络模型能够学习到更具鲁棒性的特征表达,增加了泛化能力,提高了识别的准确度。
附图说明
为了更清楚地说明本发明的方案,下面将对实施例描述中所需要使用的图作一个简单的介绍,显而易见地,下面描述中的附图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。
图1为本发明提供的一种基于卷积神经网络的建筑木材裂缝识别方法的总流程示意图;
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
如图1所示,本发明提供一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,包括以下步骤:
S10、获取建筑木材裂缝数据集:采集建筑木材裂缝图像,对图像进行预处理,并挑选含有裂缝的图片,具体过程为:
S11、建筑木材裂缝图像采集方法为:使用iphone6从中国故宫博物院的历史建筑中提取;
S12、原始采集的图像将自动分为分辨率为256*256像素的数据集;
S13、由专业人员挑选裂缝图片。
具体地,挑选图片的主要依据有:
图片应具有多样性,建筑木材裂缝数据集应包括光照强、阴影、木材纹路等图片;
图片视角应多样化,包括正视图片,侧视图片,斜视图片等;
病害目标应具有代表性,具有明显的病害特征;
病害应在图片中清晰。
S20、数据集处理:根据步骤S10得到的数据集,分类标注建筑木材裂缝数据集,建立大数据集和小数据集,并按比例分为训练集、验证集和测试集,具体过程为:
S21、使用matlab标注程序分类标注建筑木材裂缝,分为正常和裂缝;
S22、标注后的数据集即为小数据集,而将标注后的数据集使用数据增强技术进行扩增后的数据集为大数据集,数据增强的主要方法有平移变换,尺度缩放,旋转变换,对称变换,模糊处理,对比度调整;
S23、使用matlab分类程序将大数据集和小数据集按8:1:1的比例分为训练集,验证集和测试集,且互不交叉重合,有利于检验卷积神经网络模型的鲁棒性和泛化能力。
具体地,本发明使用矩形框标注病害位置,检测时,也以矩形预测框检测并框选病害。
具体地,标注病害时,应尽量沿边缘划分,对于边界不明显的病害,应由有经验的专业人员进行辨认。
S30、模型训练:搭载多层下采样的卷积神经网络模型,使用高斯初始化和泽维尔初始化方法进行卷积神经网络模型初始化,分别基于大数据集和小数据集进行卷积神经网络模型训练,具体步骤为:
S31、搭载卷积神经网络模型框架,该卷积神经网络模型框架对Alexnet进行微调,构建了卷积神经网络裂纹识别体系结构;
S32、采用随机梯度下降法(SGD)结合动量法来更新参数,分别对大数据集和小数据集进行训练,观察损失值函数图像,达到平稳时即卷积神经网络模型收敛,此时停止训练。
具体地,高斯初始化从具有固定均值和标准差的高斯分布中获得权重,泽维尔初始化应用大量的统计原理来解决参数方差减小,梯度随层加深而消失的问题。
具体地,传统的全连接神经网络通过矩阵乘法连接输入层和输出层,输入层和输出层的每一个元素间都需要有一个对应的矩阵参数计算,这个过程计算量过于庞大,因此,本发明引入卷积神经网络,卷积有以下两个优点:参数共享,相比于一一对应的全连接权值矩阵,卷积核作用在输入层的每一个位置上,使得神经网络具有了平移不变性;稀疏连接,卷积操作将全连接权值矩阵简化为卷积核,降低了存储需求和计算量。
具体地,目前常用的激活函数包括ReLU、Sigmoid和tanh函数,然而,与其他两个激活函数相比,ReLU函数只需要一个阈值进行计算,大大减少了计算量,提高了计算效率。此外,ReLU函数是一个不饱和函数,它解决了Sigmoid函数和tanh函数容易饱和的问题,因此,本发明采用ReLU函数作为激活函数。
具体地,通常使用的池化函数包括平均池化和最大池化,平均池化是取相邻矩形区域内的平均值来代替网络在该位置的输出,最大池化是取相邻矩形区域内的最大值来代替网络在该位置的输出,图像数据集中的最大池化性能优于平均池化,最大池化不仅可以大大减少计算数据量,而且可以对特征映射执行下采样操作,最大池化后,卷积神经网络模型对输入特征映射的值位置变化不敏感,使卷积神经网络模型更加稳定,因此,本发明的池化函数为最大池化。
具体地,随机梯度下降法每次使一部分样本更新卷积神经网络模型参数,称为批处理,动量法具有良好的收敛速度,特别适用于深卷积神经网络中。
具体地,训练算法主要分为前向传播阶段和反向传播阶段,前向传播阶段:采用正向传播算法从第一层开始正向一层一层计算,求出每层经过激活函数ReLU得到的结果,直到最后一层,但是为了使整个网络的损失函数值最小,需要不断迭代来更新神经元前面的参数和偏差;反向传播阶段:通过首先计算最后一层的误差,然后再逐层反向求出各层的误差,利用得到的残差来对权值和偏置进行更新,从而计算出卷积神经网络模型的最小损失函数,其中,训练过程中,每经过一次前向传播和一次反向传播为一次迭代。
S40、模型的调参:根据步骤S30的训练结果,设置不同的模型超参数,引入验证集图片测试,对比卷积神经网络模型训练过程中的损失值及准确率的变化曲线,寻找最优卷积神经网络模型超参数值;
具体地,调整的模型超参数为初始学习率,总迭代次数,动量系数,权重衰减值。
作为优选方案,本实施例调整超参数的主要依据为,设置不同模型超参数时,卷积神经网络模型在验证集上的检测表现,即识别的效率,还有准确率上升曲线的最大值和损失值下降曲线的平稳度和收敛性。
作为优选方案,本实施例经过多次调优,最终的模型超参数为:初始学习率为0.001,动量系数为0.9,权重衰减值为0.0005,总迭代次数为100000次。
S50、模型测试:根据得到的最优卷积神经网络模型,使用开发的特定滑动窗口算法来进行测试集图片扫描,并对卷积神经网络模型进行测试,输出各项检测数值指标,判断是否达到预期值;
具体地,基于大数据集得到的卷积神经网络模型精准度更高,选择该卷积神经网络模型为最优卷积神经网络模型;
具体地,滑动窗口会将扫描后的图片区域输入训练后的卷积神经网络模型,进行损伤识别;
具体地,检测数值指标主要包括精度,准确度,召回率。
S60、比较研究:为了验证该方法的有效性和优势,对现有的图像处理方法进行了比较分析。
具体地,比较研究的方法是Soble边缘检测法和Canny边缘检测法,这两种算法对于噪声相对敏感,而且都不能有效地识别小裂纹,与Soble算法相比,Canny算法采用高斯滤波器,具有更好的性能和更高的对外部噪声的鲁棒性,然而,在强光条件下,Canny算法的识别结果并不是很好。
以上实施例所述的基于卷积神经网络的建筑木材裂缝识别方法,采用的卷积神经网络,可以直接提取裂纹区域,为工程师区分裂纹提供了更直观的结果,并且由于卷积神经网络对于噪声的不敏感性,能大大提高裂纹识别的效率;采用滑动窗口算法,采用固定“滑动窗”进行两步扫描策略,可以很好的解决裂纹位于图片边缘而导致的识别错误;采用深度学习的方法,通过对大量建筑木材裂缝的学习,卷积神经网络模型能够学习到更具鲁棒性的特征表达,增加了泛化能力,提高了识别的准确度,能够很好的弥补现有的Soble边缘检测法与Canny边缘检测法的不足,能有效促进建筑木材养护行业的发展。
显然,以上所描述的实施例仅仅是本发明较佳实施例,而不是全部的实施例,附图中给出了本发明的较佳实施例,但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (10)
1.一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,包括以下步骤:
S10、获取建筑木材裂缝数据集:采集建筑木材裂缝图像,对所述建筑木材裂缝图像进行预处理,并挑选含有裂缝的图片;
S20、建筑木材裂缝数据集处理:根据所述步骤S10得到的所述建筑木材裂缝数据集,分类标注所述建筑木材裂缝数据集,建立大数据集与小数据集,并按比例分为训练集、验证集和测试集;
S30、模型训练:搭载卷积神经网络模型,使用高斯初始化和泽维尔初始化方法进行所述卷积神经网络模型初始化,分别基于所述大数据集和所述小数据集进行所述卷积神经网络模型训练;
S40、模型的调参:根据所述步骤S30的训练结果,设置不同的模型超参数,引入所述验证集图片测试,对比所述卷积神经网络模型训练过程中的损失值及准确率的变化曲线,寻找最优模型超参数值;
S50、模型测试:根据得到的最优卷积神经网络模型,使用开发的特定滑动窗口算法来进行所述测试集图片扫描,并对所述最优卷积神经网络模型进行测试,输出各项检测数值指标,判断是否达到预期值;若是,则输出所述最优卷积神经网络模型;若否,则返回执行所述步骤S40;
S60、比较研究:对现有的图像处理方法进行比较分析。
2.根据权利要求1所述的一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,所述步骤S10中的具体步骤为:
S11、使用电子产品从中国故宫博物院的历史建筑中采集所述建筑木材裂缝图像;
S12、原始采集的所述建筑木材裂缝图像将自动分为分辨率为256*256像素的所述建筑木材裂缝数据集;
S13、挑选裂缝图片。
3.根据权利要求1所述的一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,所述步骤S20中的具体步骤为:
S21、使用matlab标注程序分类标注建筑木材裂缝,分为正常和裂缝;
S22、标注后的所述建筑木材裂缝数据集即为所述小数据集,而将标注后的所述建筑木材裂缝数据集使用数据增强技术进行扩增后的数据集为所述大数据集;
S23、使用matlab分类程序将所述大数据集和所述小数据集按8:1:1的比例分为所述训练集、所述验证集和所述测试集。
4.根据权利要求3所述的一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,所述步骤S22中数据增强的主要方法有平移变换、尺度缩放、旋转变换、对称变换、模糊处理、对比度调整。
5.根据权利要求4所述的一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,所述步骤S23中的所述训练集、所述验证集和所述测试集的图像互不交叉重合。
6.根据权利要求1所述的一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,所述步骤S30中的具体步骤为:
S31、搭载所述卷积神经网络模型框架,所述卷积神经网络模型框架对Alexnet进行微调,构建卷积神经网络裂纹识别体系结构;
S32、采用随机梯度下降法结合动量法来更新参数,分别对所述大数据集和所述小数据集进行训练,观察损失值函数图像,达到平稳时即模型收敛,此时停止训练。
7.根据权利要求1所述的一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,所述步骤S40中调整的模型超参数为初始学习率、总迭代次数、动量系数、重衰减值。
8.根据权利要求1所述的一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,所述步骤S50的所述最优卷积神经网络模型为,基于所述大数据集得到的卷积神经网络模型精准度更高,选择该卷积神经网络模型为所述最优卷积神经网络模型。
9.根据权利要求8所述的一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,所述步骤S50中图片扫描的具体内容为,滑动窗口会将扫描后的图片区域输入训练后的所述卷积神经网络模型,进行损伤识别;所述步骤S50中检测数值指标主要包括精度、准确度、召回率。
10.根据权利要求1所述的一种基于卷积神经网络的建筑木材裂缝识别方法,其特征在于,所述步骤S60中比较研究的方法是Soble边缘检测法和Canny边缘检测法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203806.2A CN112258495A (zh) | 2020-11-02 | 2020-11-02 | 一种基于卷积神经网络的建筑木材裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203806.2A CN112258495A (zh) | 2020-11-02 | 2020-11-02 | 一种基于卷积神经网络的建筑木材裂缝识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112258495A true CN112258495A (zh) | 2021-01-22 |
Family
ID=74268445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011203806.2A Pending CN112258495A (zh) | 2020-11-02 | 2020-11-02 | 一种基于卷积神经网络的建筑木材裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258495A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297909A (zh) * | 2021-04-25 | 2021-08-24 | 东南大学 | 一种基于无人机视觉的建筑损伤实时识别方法 |
CN113344919A (zh) * | 2021-08-02 | 2021-09-03 | 苏州大学 | 基于卷积神经网络的陶瓷热冲击损伤程度检测方法及系统 |
CN115236077A (zh) * | 2022-07-08 | 2022-10-25 | 广州一洲信息技术有限公司 | 一种钢筋断裂位置和形态的识别方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860596A (zh) * | 2020-06-17 | 2020-10-30 | 长安大学 | 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 |
-
2020
- 2020-11-02 CN CN202011203806.2A patent/CN112258495A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860596A (zh) * | 2020-06-17 | 2020-10-30 | 长安大学 | 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 |
Non-Patent Citations (2)
Title |
---|
刘树春 等: "《深度实践OCR 基于深度学习的文字识别》", 机械工业出版社 * |
王念念: "深度学习在古建筑表面损伤检测中的应用研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297909A (zh) * | 2021-04-25 | 2021-08-24 | 东南大学 | 一种基于无人机视觉的建筑损伤实时识别方法 |
CN113297909B (zh) * | 2021-04-25 | 2024-05-07 | 东南大学 | 一种基于无人机视觉的建筑损伤实时识别方法 |
CN113344919A (zh) * | 2021-08-02 | 2021-09-03 | 苏州大学 | 基于卷积神经网络的陶瓷热冲击损伤程度检测方法及系统 |
CN113344919B (zh) * | 2021-08-02 | 2021-11-23 | 苏州大学 | 基于卷积神经网络的陶瓷热冲击损伤程度检测方法及系统 |
CN115236077A (zh) * | 2022-07-08 | 2022-10-25 | 广州一洲信息技术有限公司 | 一种钢筋断裂位置和形态的识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364280B (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
CN112258495A (zh) | 一种基于卷积神经网络的建筑木材裂缝识别方法 | |
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN107480649B (zh) | 一种基于全卷积神经网络的指纹汗孔提取方法 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN109978032B (zh) | 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN111724355B (zh) | 一种鲍鱼体型参数的图像测量方法 | |
CN110188774A (zh) | 一种基于深度学习的电涡流扫描图像分类识别方法 | |
CN111141653B (zh) | 一种基于神经网络的隧道渗漏速率预测方法 | |
CN113177456B (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN110544253A (zh) | 基于图像金字塔和列模板的织物瑕疵检测方法 | |
CN114758222B (zh) | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
CN108960413A (zh) | 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法 | |
CN106056161A (zh) | 一种针对平面旋转目标的视觉检测方法 | |
CN111053579B (zh) | 盆底状态的分类方法、系统、超声设备及计算机存储介质 | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
CN115849202B (zh) | 基于数字孪生技术的智能起重机操作目标识别方法 | |
CN108694375A (zh) | 一种可用于多电子鼻平台的图像化白酒识别方法 | |
CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN113807206B (zh) | 一种基于去噪任务辅助的sar图像目标识别方法 | |
Dunphy et al. | Autonomous crack detection approach for masonry structures using artificial intelligence |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210122 |
|
RJ01 | Rejection of invention patent application after publication |