CN112308826A - 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 - Google Patents

一种基于卷积神经网络的桥梁结构表面缺陷检测方法 Download PDF

Info

Publication number
CN112308826A
CN112308826A CN202011145563.1A CN202011145563A CN112308826A CN 112308826 A CN112308826 A CN 112308826A CN 202011145563 A CN202011145563 A CN 202011145563A CN 112308826 A CN112308826 A CN 112308826A
Authority
CN
China
Prior art keywords
image
defects
crack
neural network
bridge structure
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
CN202011145563.1A
Other languages
English (en)
Other versions
CN112308826B (zh
Inventor
周帅琳
熊智
赵耀
张玲
崔雨晨
段胜青
王景琪
王婕
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 CN202011145563.1A priority Critical patent/CN112308826B/zh
Publication of CN112308826A publication Critical patent/CN112308826A/zh
Application granted granted Critical
Publication of CN112308826B publication Critical patent/CN112308826B/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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Abstract

本发明涉及一种基于卷积神经网络的桥梁结构表面缺陷检测方法，属于结构健康监测领域。该方法包括如下步骤：基于卷积神经网络模型实现裂缝类缺陷、露筋类缺陷的识别分类和初步定位；针对识别出来的裂缝类缺陷，训练U‑net卷积神经网络模型实现桥梁结构的裂缝粗分割，通过形态学方法进一步实现裂缝提取，剔除灰度图像中像素值较低易被误认为缺陷的像素点，从桥梁结构的图像中提取出了完整的裂缝区域和骨架提取结果。基于图像分割结果，能够自动跟踪裂缝类缺陷的位置，刻画出裂缝类缺陷的位置参数信息。本发明既能自动化地实现桥梁结构表面裂缝类、露筋类缺陷的识别及初步定位，又能智能化地排除干扰信息，适应多复杂背景下的裂缝缺陷的像素级别检测。

Description

一种基于卷积神经网络的桥梁结构表面缺陷检测方法
技术领域
本发明涉及一种基于卷积神经网络的桥梁结构表面缺陷检测方法，属于结构健康监测领域。
背景技术
随着国民基础设施系统的发展与完善，全国桥梁的建造数量迅速增加，至今已经超过73000座。早期建造的很多桥梁可能已经达到服役期限或者由于施工时的混凝土配料比不均、浇筑振捣不当再加上受到外界载荷长期作用的影响，出现裂缝、露筋腐蚀等病害缺陷，亟须建立有效的桥梁表面缺陷检测方法。
目前现有的桥梁表面缺陷检测方法主要有人工检测和基于图像视觉的两大类检测方法。人工检测主要依靠人眼观测作为缺陷检测的手段，检测人员借助望远镜、绳索、搭设塔架、“窥探者”卡车进行观测。该方法效率低下、强烈的主观性导致准确率低、人工成本较高且存在安全风险，不适用于桥梁等大型结构体缺陷检测。随着无人机技术的发展，桥梁健康监测中开始使用无人机进行检测，利用无人机搭载相机设备对整座桥梁表面进行图像采集，随后基于图像视觉进行分析处理完成桥梁病害缺陷的检测。传统的图像视觉方法较为复杂，需要结合边缘检测Canny、Sobel等方法结合图像的多尺度方法提取裂缝区域的边缘信息，完成裂缝缺陷的检测。但该方法对桥梁结构不同部位背景下的裂缝识别的鲁棒性较弱，较为依赖裂缝所处的背景，难于识别光线弱、有阴影、有斑迹复杂等背景下的裂缝，不具备智能排除干扰项信息的能力。卷积神经网络的出现为处理图像问题提供了新思路，可以从端对端实现对图像的智能识别分类。现有的基于卷积神经网络模型进行桥梁结构缺陷的检测方法，大多只完成了有无缺陷的分类检测，将缺陷的位置从图像的整体区域定位到图像的局部区域。此外，人工检测和基于图像视觉检测的两类方法关注的缺陷较为单一，对于露筋类缺陷的研究较少。
发明内容
本发明提出了一种基于卷积神经网络的桥梁结构表面缺陷检测方法，既能自动化地实现桥梁结构表面裂缝类、露筋类缺陷的识别及初步定位，又可以智能化地排除干扰信息，适应多复杂背景下的裂缝缺陷的像素级别检测。
本发明为解决其技术问题采用如下技术方案：
一种基于卷积神经网络的桥梁结构表面缺陷检测方法，包括如下步骤：
步骤1：首先定义桥梁结构的裂缝类缺陷、露筋类缺陷，利用无人机搭载相机设备采集不同部位、不同光照条件的桥梁结构图像，分别构建裂缝和露筋类缺陷的分类数据集和露筋类缺陷语义分割的数据集，并利用随机旋转、裁切和尺度变换操作实现数据增强来充数据集；
步骤2：构建卷积神经网络模型进行256×256尺寸大小桥梁结构图像裂缝类缺陷、露筋类缺陷的分类；
步骤3：初始化分类模型的超参数，结合缺陷分类数据集进行模型的训练，调整卷积神经网络模型的卷积核、池化层的参数；训练完成的模型对输入图像具有裂缝类缺陷、露筋类缺陷和无缺陷三种输出结果；
步骤4：采用步长为64的交叉滑动方法对大于256×256的桥梁结构图像进行分块的裂缝类缺陷检测，并根据检测结果对缺陷实现初步定位；
步骤5：针对步骤4中检测出的裂缝类缺陷，搭建U-net卷积神经网络模型实现裂缝的粗分割；
步骤6：初始化U-net卷积神经网络模型超参数，取学习率为0.0001的Adam算法调整网络参数，不断减小每个像素点处的预测值和目标值的差距；训练完成的U-net卷积神经网络模型针对桥梁结构裂缝图像的输入，输出裂缝灰度图像的预测结果；
步骤7：采用最大类间差法方法进行图像的二值化，同时利用长为4、宽为4的矩形结构元素对二值图进行腐蚀操作，表示如下：
AΘB＝{x∈En|x+b∈A,b∈B}
其中，A为二值图像，B为结构元素，x为二值图像A中的像素值，b为结构元素B中的尺寸值，En为n维欧式空间，AΘB为图像A被结构元素B的腐蚀结果；
步骤8：针对腐蚀图像的结果，采用Zhang-Suen并行快速细化算法进行图像骨架的提取；
步骤9：寻找裂缝的二值图像骨架提取图中轮廓点集的凸包，再求出凸包的最小外接矩形；以图像的左上顶点作为原点，建立x、y坐标轴；旋转角度θ是与x轴平行的水平线逆时针旋转与缺陷外接矩形碰到的第一条边的夹角，并且这个边的边长是宽度，另一条边边长是高度；从而给出裂缝的最小外接矩形定位图，给出缺陷外接矩形的中心点、宽度、高度以及旋转角度θ特征描述信息。
步骤2中所述卷积神经网络模型总共包含4层，包括前三层的卷积池化操作以及最后一层的全连接、激活、分类操作。
所述卷积池化操作采用最大池化方法，同时使用了BN以及Dropout操作，并将ReLU函数作为激活函数和Softmax函数作为分类函数。
步骤5中所述U-net卷积神经网络模型的具体内容如下：
图像数据先经过压缩路径进行下采样提取图像特征编码为特征图，然后再经过扩展路径上采样将提取的特征反向解码，利用最后一层特征图进行像素级别的分类，完成图像的分割；将最后一层特征图经过Sigmoid分类单元将每个像素进行分类获得预测的值。
所述压缩路径中由4层的两次3×3的卷积、一次3×3的最大池化操作组成；所述扩展路径由4层2×2上卷积、通道特征融合、两次3×3的最大池化操作组成。
本发明的有益效果如下：
1.本发明通过构建卷积神经网络模型实现裂缝、露筋不同缺陷的分类并实现初步定位。
2.本发明根据构建的U-net卷积神经网络模型进行粗分割时，通过增加不同背景下的桥梁裂缝类缺陷数据集用于网络训练，使得该网络模型对不同部位、不同光照条件下的桥梁表面裂缝图像都有比较好的适应性，有效地排除光照产生的阴影、裂缝附近的斑驳、桥梁表面含有的其他污渍等干扰信息，实现智能化地裂缝检测。
3.本发明通过卷积神经网络和形态学处理实现可适应复杂多背景下桥梁结构表面裂缝的提取并给出裂缝最小外接矩形的位置参数信息描述。
附图说明
图1是本发明的总体流程图。
图2是本发明基于卷积神经网络模型的缺陷分类模型图。
图3是本发明基于U-net卷积神经网络构建的裂缝粗分割模型图。
图4是本发明提取裂缝骨架时的二维像素点图。
图5是本发明给出的裂缝的位置参数示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，一种基于卷积神经网络的桥梁结构表面缺陷检测方法包括如下步骤：
步骤1：首先定义桥梁结构的裂缝类缺陷、露筋类缺陷，利用无人机搭载相机设备采集不同部位、不同光照条件的桥梁结构图像，分别构建裂缝、露筋等缺陷分类的数据集和裂缝分割的数据集，并利用随机旋转、裁切和尺度变换数据增强的方式扩充数据集。
步骤2：构建卷积神经网络模型进行256×256尺寸大小桥梁结构图像裂缝类缺陷、露筋类缺陷的分类。如图2所示，卷积神经网络模型总共包含4层，包括前三层的卷积、归一化、池化操作以及最后一层的全连接、激活、分类操作。第一层中conv1为卷积操作，设置步长为2，卷积核大小为10×10，卷积核数量为24，接着使用BN(归一化网络)，然后进行最大池化操作pool1，设置步长为2，卷积核大小为4×4，结果为data1；第二层中conv2为卷积操作，设置步长为2，卷积核大小为7×7，卷积核数量为48，接着使用BN(归一化网络)，然后进行最大池化操作pool2，设置步长为1，卷积核大小为2×2，结果为data2；第三层中conv3为卷积操作，设置步长为2，卷积核大小为11×11，卷积核数量为96，接着使用BN(归一化网络)，结果为data3；对data3进行Dropout(随机舍弃参数层)操作，通过Flatten(展平层)将二维图像数据展平成列向量，并将ReLU(修正线性单元)函数作为激活函数和Softmax(逻辑回归单元)函数作为分类函数处理列向量，得到最终的分类结果。
步骤3：初始化上述分类模型的超参数，结合缺陷分类数据集进行模型的训练，调整卷积神经网络模型的卷积核、池化层的参数。训练完成的模型对输入图像具有裂缝类缺陷、露筋类缺陷和无缺陷三种输出结果。
步骤4：采用步长为64的交叉滑动方法对大于256×256的桥梁结构图像进行分块的缺陷检测，并根据检测结果对缺陷实现初步定位。
步骤5：如图3所示，针对步骤4中检测出的裂缝类缺陷，搭建U-net卷积神经网络模型实现裂缝的粗分割。U-net卷积神经网络模型的具体内容如下：图像数据先经过压缩路径(extracting path)进行下采样提取图像特征编码为特征图(feature maps)，然后再经过扩展路径(expansive path)上采样将提取的特征反向解码，利用最后一层特征图进行像素级别的分类，完成图像的分割。压缩路径中由4层的两次3×3的卷积、一次3×3的最大池化操作组成；扩展路径由4层2×2上卷积、通道特征融合、两次3×3的最大池化操作组成。将最后一层特征图经过Sigmoid(S型激活函数)分类单元将每个像素进行分类获得预测的值。
步骤6：初始化U-net卷积神经网络模型超参数，取学习率为0.0001的Adam梯度下降法调整网络参数，不断减小每个像素点处的预测值和目标值的差距。训练完成的U-net卷积神经网络模型针对桥梁结构裂缝图像的输入，输出裂缝灰度图像的预测结果。
步骤7：采用最大类间差法(OSTU)方法进行图像的二值化，同时利用长为4、宽为4的矩形结构元素对二值图进行腐蚀操作，表示如下：
AΘB＝{x∈En|x+b∈A,b∈B}
其中，A为二值图像，B为结构元素，x为二值图像A中的像素值b为结构元素B中的尺寸值，En为n维欧式空间，AΘB为图像A被结构元素B的腐蚀结果。
步骤8：针对腐蚀图像的结果，采用Zhang-Suen并行快速细化算法进行图像骨架的提取。由矩阵IT定义二维图像矩阵，如图4所示，有P1,P2……P9共9个点，各点处的像素值只能取0或1。
设A(P1)为P2→P3→P4→P5→P6→P7→P8→P9方向中从像素值0变化到像素值1的次数；B(P1)表示P1周围像素值为1的个数。
具体迭代过程分为两步：
(1)若P1满足如下条件，将P1像素值设置为0。
P1值为1，且P1周围八个邻域没有边界元素和四个角点元素；
2＜＝B(P1)＜＝6；
A(P1)＝1；
P2,P4,P6中至少有一个像素值为0；
P4,P6,P8中至少有一个像素值为0；
(2)若P1满足如下条件，将P1像素值设置为0。
P1值为1，且P1周围八个邻域没有边界元素和四个角点元素；
2＜＝B(P1)＜＝6；
A(P1)＝1；
P2,P4,P8中至少有一个像素值为0；
P2,P6,P8中至少有一个像素值为0；
重复以上(1)、(2)操作，直至语义分割完成后图像的像素点不再变化，获得形态学优化后的裂缝二值图像骨架提取结果图，实现裂缝类缺陷的像素级别检测。
步骤9：如图5所示，寻找裂缝的二值图像骨架提取图中轮廓点集的凸包，再求出凸包的最小外接矩形。以图像的左上顶点作为原点，建立x、y坐标轴。旋转角度θ是与x轴平行的水平线逆时针旋转与缺陷外接矩形碰到的第一条边的夹角，并且这个该边的边长是宽度，另一条边边长是高度。从而给出裂缝的最小外接矩形定位图，给出缺陷外接矩形的中心点、宽度、高度以及旋转角度θ特征描述信息。

Claims (5)

1.一种基于卷积神经网络的桥梁结构表面缺陷检测方法，其特征在于，包括如下步骤：
步骤1：首先定义桥梁结构的裂缝类缺陷、露筋类缺陷，利用无人机搭载相机设备采集不同部位、不同光照条件的桥梁结构图像，分别构建裂缝和露筋类缺陷的分类数据集和露筋类缺陷语义分割的数据集，并利用随机旋转、裁切和尺度变换操作实现数据增强来充数据集；
步骤2：构建卷积神经网络模型进行256×256尺寸大小桥梁结构图像裂缝类缺陷、露筋类缺陷的分类；
步骤3：初始化分类模型的超参数，结合缺陷分类数据集进行模型的训练，调整卷积神经网络模型的卷积核、池化层的参数；训练完成的模型对输入图像具有裂缝类缺陷、露筋类缺陷和无缺陷三种输出结果；
步骤4：采用步长为64的交叉滑动方法对大于256×256的桥梁结构图像进行分块的裂缝类缺陷检测，并根据检测结果对缺陷实现初步定位；
步骤5：针对步骤4中检测出的裂缝类缺陷，搭建U-net卷积神经网络模型实现裂缝的粗分割；
步骤6：初始化U-net卷积神经网络模型超参数，取学习率为0.0001的Adam算法调整网络参数，不断减小每个像素点处的预测值和目标值的差距；训练完成的U-net卷积神经网络模型针对桥梁结构裂缝图像的输入，输出裂缝灰度图像的预测结果；
步骤7：采用最大类间差法方法进行图像的二值化，同时利用长为4、宽为4的矩形结构元素对二值图进行腐蚀操作，表示如下：
AΘB＝{x∈En|x+b∈A,b∈B}
其中，A为二值图像，B为结构元素，x为二值图像A中的像素值，b为结构元素B中的尺寸值，En为n维欧式空间，AΘB为图像A被结构元素B的腐蚀结果；
步骤8：针对腐蚀图像的结果，采用Zhang-Suen并行快速细化算法进行图像骨架的提取；
步骤9：寻找裂缝的二值图像骨架提取图中轮廓点集的凸包，再求出凸包的最小外接矩形；以图像的左上顶点作为原点，建立x、y坐标轴；旋转角度θ是与x轴平行的水平线逆时针旋转与缺陷外接矩形碰到的第一条边的夹角，并且这个边的边长是宽度，另一条边边长是高度；从而给出裂缝的最小外接矩形定位图，给出缺陷外接矩形的中心点、宽度、高度以及旋转角度θ特征描述信息。
2.根据权利要求1所述的一种基于卷积神经网络的桥梁结构表面缺陷检测方法，其特征在于，步骤2中所述卷积神经网络模型总共包含4层，包括前三层的卷积池化操作以及最后一层的全连接、激活、分类操作。
3.根据权利要求2所述的一种基于卷积神经网络的桥梁结构表面缺陷检测方法，其特征在于，所述卷积池化操作采用最大池化方法，同时使用了BN以及Dropout操作，并将ReLU函数作为激活函数和Softmax函数作为分类函数。
4.根据权利要求1所述的一种基于卷积神经网络的桥梁结构表面缺陷检测方法，其特征在于，步骤5中所述U-net卷积神经网络模型的具体内容如下：
图像数据先经过压缩路径进行下采样提取图像特征编码为特征图，然后再经过扩展路径上采样将提取的特征反向解码，利用最后一层特征图进行像素级别的分类，完成图像的分割；将最后一层特征图经过Sigmoid分类单元将每个像素进行分类获得预测的值。
5.根据权利要求4所述的一种基于卷积神经网络的桥梁结构表面缺陷检测方法，其特征在于，所述压缩路径中由4层的两次3×3的卷积、一次3×3的最大池化操作组成；所述扩展路径由4层2×2上卷积、通道特征融合、两次3×3的最大池化操作组成。
CN202011145563.1A 2020-10-23 2020-10-23 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 Active CN112308826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011145563.1A CN112308826B (zh) 2020-10-23 2020-10-23 一种基于卷积神经网络的桥梁结构表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011145563.1A CN112308826B (zh) 2020-10-23 2020-10-23 一种基于卷积神经网络的桥梁结构表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112308826A true CN112308826A (zh) 2021-02-02
CN112308826B CN112308826B (zh) 2022-07-22

Family

ID=74327611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011145563.1A Active CN112308826B (zh) 2020-10-23 2020-10-23 一种基于卷积神经网络的桥梁结构表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112308826B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012103A (zh) * 2021-02-07 2021-06-22 电子科技大学 一种大口径望远镜镜片表面疵病定量检测方法
CN113326846A (zh) * 2021-04-15 2021-08-31 湖南桥康智能科技有限公司 一种基于机器视觉的桥梁表观病害快速检测方法
CN113358659A (zh) * 2021-04-25 2021-09-07 上海工程技术大学 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法
CN113506281A (zh) * 2021-07-23 2021-10-15 西北工业大学 一种基于深度学习框架的桥梁裂缝检测方法
CN113570478A (zh) * 2021-06-29 2021-10-29 中北大学 基于边缘计算的桥梁健康状态智能评估方法
CN117314917A (zh) * 2023-11-29 2023-12-29 山东科技大学 一种桥梁裂缝检测方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364280A (zh) * 2018-01-03 2018-08-03 东南大学 结构裂缝自动化描绘及宽度精准测量方法与设备
CN109712147A (zh) * 2018-12-19 2019-05-03 广东工业大学 一种基于Zhang-Suen图像骨架提取的干涉条纹中心线拟合方法
CN111507998A (zh) * 2020-04-20 2020-08-07 南京航空航天大学 基于深度级联的多尺度激励机制隧道表面缺陷分割方法
CN111612758A (zh) * 2020-05-19 2020-09-01 南京航空航天大学 一种基于卷积神经网络的隧道表面缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364280A (zh) * 2018-01-03 2018-08-03 东南大学 结构裂缝自动化描绘及宽度精准测量方法与设备
CN109712147A (zh) * 2018-12-19 2019-05-03 广东工业大学 一种基于Zhang-Suen图像骨架提取的干涉条纹中心线拟合方法
CN111507998A (zh) * 2020-04-20 2020-08-07 南京航空航天大学 基于深度级联的多尺度激励机制隧道表面缺陷分割方法
CN111612758A (zh) * 2020-05-19 2020-09-01 南京航空航天大学 一种基于卷积神经网络的隧道表面缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张勇 等: "基于凸包及最小面积外接矩形的QR码定位", 《电子测量技术》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012103A (zh) * 2021-02-07 2021-06-22 电子科技大学 一种大口径望远镜镜片表面疵病定量检测方法
CN113012103B (zh) * 2021-02-07 2022-09-06 电子科技大学 一种大口径望远镜镜片表面疵病定量检测方法
CN113326846A (zh) * 2021-04-15 2021-08-31 湖南桥康智能科技有限公司 一种基于机器视觉的桥梁表观病害快速检测方法
CN113326846B (zh) * 2021-04-15 2022-07-05 湖南桥康智能科技有限公司 一种基于机器视觉的桥梁表观病害快速检测方法
CN113358659A (zh) * 2021-04-25 2021-09-07 上海工程技术大学 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法
CN113358659B (zh) * 2021-04-25 2022-07-19 上海工程技术大学 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法
CN113570478A (zh) * 2021-06-29 2021-10-29 中北大学 基于边缘计算的桥梁健康状态智能评估方法
CN113570478B (zh) * 2021-06-29 2023-10-31 中北大学 基于边缘计算的桥梁健康状态智能评估方法
CN113506281A (zh) * 2021-07-23 2021-10-15 西北工业大学 一种基于深度学习框架的桥梁裂缝检测方法
CN113506281B (zh) * 2021-07-23 2024-02-27 西北工业大学 一种基于深度学习框架的桥梁裂缝检测方法
CN117314917A (zh) * 2023-11-29 2023-12-29 山东科技大学 一种桥梁裂缝检测方法、装置、计算机设备及存储介质
CN117314917B (zh) * 2023-11-29 2024-02-06 山东科技大学 一种桥梁裂缝检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112308826B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN112308826B (zh) 一种基于卷积神经网络的桥梁结构表面缺陷检测方法
Ali et al. Structural crack detection using deep convolutional neural networks
Ren et al. Image-based concrete crack detection in tunnels using deep fully convolutional networks
Ai et al. Computer vision framework for crack detection of civil infrastructure—A review
Sony et al. A systematic review of convolutional neural network-based structural condition assessment techniques
Park et al. Patch-based crack detection in black box images using convolutional neural networks
Akagic et al. Pavement crack detection using Otsu thresholding for image segmentation
Jiang et al. A deep learning approach for fast detection and classification of concrete damage
Wang et al. RENet: Rectangular convolution pyramid and edge enhancement network for salient object detection of pavement cracks
Li et al. Automatic crack recognition for concrete bridges using a fully convolutional neural network and naive Bayes data fusion based on a visual detection system
Deng et al. Review on computer vision-based crack detection and quantification methodologies for civil structures
Alidoost et al. A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image
Zang et al. Traffic sign detection based on cascaded convolutional neural networks
Bang et al. A deep residual network with transfer learning for pixel-level road crack detection
CN111462140B (zh) 一种基于区块拼接的实时图像实例分割方法
Zhong et al. Multi-scale feature fusion network for pixel-level pavement distress detection
Wan et al. Ceramic tile surface defect detection based on deep learning
Gupta et al. Image-based crack detection approaches: a comprehensive survey
Chaiyasarn et al. Damage detection and localization in masonry structure using faster region convolutional networks
Hoang et al. A novel approach for detection of pavement crack and sealed crack using image processing and salp swarm algorithm optimized machine learning
Sarmiento Pavement distress detection and segmentation using YOLOv4 and DeepLabv3 on pavements in the Philippines
Li et al. Pixel-level recognition of pavement distresses based on U-Net
Zhang et al. Automated fatigue crack detection in steel box girder of bridges based on ensemble deep neural network
CN113326846B (zh) 一种基于机器视觉的桥梁表观病害快速检测方法
Crognale et al. Damage detection with image processing: A comparative study

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