CN112489026A - 基于多分支并行卷积神经网络的沥青路面病害检测方法 - Google Patents
基于多分支并行卷积神经网络的沥青路面病害检测方法 Download PDFInfo
- Publication number
- CN112489026A CN112489026A CN202011425015.4A CN202011425015A CN112489026A CN 112489026 A CN112489026 A CN 112489026A CN 202011425015 A CN202011425015 A CN 202011425015A CN 112489026 A CN112489026 A CN 112489026A
- Authority
- CN
- China
- Prior art keywords
- neural network
- image
- branch parallel
- pavement
- disease
- 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
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
- 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
- G06T2207/20081—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]
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
本发明属于土木工程检测技术领域,尤其涉及一种基于多分支并行卷积神经网络的沥青路面病害检测方法,用于实现路面图像中的路表病害类别识别、位置测定、形态测量;将路面图像及其对应的病害边界框标签、病害类型标签、边界框内像素类别标签作为训练数据;构建建立多分支并行卷积神经网络,包括一个特征提取器、一个感兴趣区域提取器、一个回归器、一个分类器、一个解码器;使用训练数据训练多分支并行卷积神经网络;给定待检测沥青路面区域,采集路面图像,采用训练完成的多分支并行卷积神经网络计算待检测区域内存在的路面病害类型、位置、形态。本发明能够通过路面图像进行路面病害检测,有利于提高沥青路面病害检测的效率和准确率。
Description
技术领域
本发明属于土木工程检测技术领域,尤其涉及基于多分支并行卷积神经网络的沥青路面病害检测方法。
背景技术
沥青路面病害检测是路面性能评估的重要环节,为路面养护提供了重要的数据支持。现阶段,沥青路面病害检测方法主要包括现场调查法和路面图像采集分析法。现场调查法需要封闭交通,检测结果受检测人员主观因素影响大,效率低下,严重影响公路通行效率,不适用于我国大范围的沥青路面病害检测。
路面图像采集分析法具有不影响交通和图像采集效率高的优势,近年来被广泛运用于路面病害检测。然而,路面图像分析方法的缺陷制约了路面图像采集分析法的广泛使用。路面图像分析方法主要包括人工分析和算法分析两大类。人工分析是依靠人工对路面图像中反应的病害进行识别、定位、测量;这种方法效率低下,分析结果受检测人员主观因素影响大,不适用于大范围的路表病害检测。算法分析是采用一个或者多个图像处理算法获取病害的各类信息;现阶段,常见的算法包括K值聚类、人工神经网络、支持向量机等;然而,这些方法的准确性和稳定性存在较大缺陷,无法满足现阶段路表病害检测的工程需求。
发明内容
针对现有技术中存在的技术问题,本发明提供了基于多分支并行卷积神经网络的沥青路面病害检测方法,将多分支并行卷积神经网络应用于路面病害的识别、定位、测量,同时采用特征图共享技术实现路面病害识别、定位、测量的同步进行,大大提高了沥青路面病害检测的效率和准确率,有利于快速准确地统计沥青路面病害,为路面养护提供数据支持。
为了解决上述技术问题,本发明通过以下技术方案予以实现:
一种基于多分支并行卷积神经网络的沥青路面病害检测方法,包括:
采集路面图像,建立路面图像数据集;
根据路面图像数据集制作路面图像数据集的三种图像标签;
根据路面图像数据集和路面图像数据集的三种图像标签建立多分支并行卷积神经网络的训练集;
进一步地,记所述路面图像数据集为N是路面图像数量,N>2000;xi是路面图像数据集X中第i张图像;图像xi包含了ni个路面病害区域,每个路面病害类型属于病害类型集ωl是第l种路面病害,l=1,…,M;M是病害类型总数。
进一步地,记所述路面图像数据集的三种图像标签为第一种标签、第二种标签和第三种标签;
第三种标签是用于描述图像xi中病害边界框所包围区域内所有像素点类别的签标是图像xi中第j个边界框所包围区域内所有像素点的类别标签集合;表示图像xi中第j个边界框所包围区域内像素点个数,si,j,k∈Ω'表示图像xi中第j个边界框所包围区域内第k个像素点的类别标签;是像素点类别集;ωl'为表示像素点属于第l’种路面病害区域内的像素点,l'=1,…,M;ωl'和ωl∈Ω的病害类型逐一对应;ωM+1∈Ω'表示像素点是沥青路面背景像素点;
进一步地,所述多分支并行卷积神经网络包括一个特征提取器一个感兴趣区域提取器一个回归器一个分类器和一个解码器所述多分支并行卷积神经网络的输入xi首先输入特征提取器之后特征提取器的输出结果输入感兴趣区域提取器感兴趣区域提取器的输出结果同时输入回归器分类器和解码器进行并行计算;分类器回归器和解码器输出结果即为所述多分支并行卷积神经网络关于图像xi的预测结果;因此,多分支并行卷积神经网络用于建立路面图像数据集X中图像xi和其对应的三种标签集Bi、Ci和Si之间的映射关系,即
5.根据权利要求4所述的一种基于多分支并行卷积神经网络的沥青路面病害检测方法,其特征在于,特征提取器的输入是路面图像数据集的第i张图像xi;特征提取器的输出结果是xi的特征图fi;特征提取器的输入和输出之间包括若干个卷积层和池化层;卷积层和池化层的个数依据检测需求决定;每个卷积层的卷积核的个数依据检测需求决定;因此,特征提取器可描述为xi和fi的映射关系
进一步地,感兴趣区域提取器的输入是xi的特征图fi,感兴趣区域提取器的输出结果是特征图fi的ni个子区域集合ni是图像xi包含的路面病害区域的个数;感兴趣区域提取器的输入和输出之间包括若干个全连接层;全连接层的个数和每个全连接层的神经元数量依据检测需求决定;因此,感兴趣区域提取器的可描述为特征图fi和ni个特征图子区域集合的映射关系
进一步地,回归器的输入是特征图子区域集合回归器的输出结果是多分支并行卷积神经网络预测的xi中ni个路面病害区域的位置回归器的输入和输出之间包括若干个卷积层、池化层、全连接层和回归层;卷积层、池化层和全连接层的个数依据检测需求决定;每个卷积层的卷积核的个数依据检测需求决定;每个全连接层的神经元数量依据检测需求决定;回归层数量为1。
进一步地,分类器的输入是特征图子区域集合分类器的输出结果是多分支并行卷积神经网络预测的病害边界框所包围的路面病害的类型概率分布分类器的输入和输出之间包括若干个卷积层、池化层、全连接层和softmax层;卷积层、池化层和全连接层的个数依据检测需求决定;每个卷积层的卷积核的个数依据检测需求决定;每个全连接层的神经元数量依据检测需求决定;softmax层数量为1。
进一步地,解码器的输入是特征图子区域集合解码器的输出结果是多分支并行卷积神经网络预测的xi中ni个路面病害区域边界框的像素级图像分割结果解码器的输入和输出之间包括若干个反卷积层和1个softmax层;反卷积层数量及每个反卷积层的卷积核的个数依据检测需求决定。
随机选取多分支并行卷积神经网络的训练集D中的一个样本di=(xi,Bi,Ci,Si);
与现有技术相比,本发明至少具有以下有益效果:本发明利用沥青路面图像和深度学习技术进行路表病害检测,使得路表病害检测不在依赖人工识别和测量,有利于提高路表病害检测效率,对于提高路面病害和性能检测的效率具有积极的意义。
本发明提出了多分支并行卷积神经网络,同步实现了路表病害的类型识别、空间位置测定、形态学信息采集,提供了完整的路表病害信息,对于提高路面病害和性能检测的准确性具有积极的意义。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明采用的多分支并行卷积神经网络结构示意图;
图2为本发明实施例中路面图像示例;
图3为本发明实施例中路面图像的三种标签示例;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
近年来,在基于计算机视觉的目标识别、定位、测量领域,深度学习技术和卷积神经网络取得了重大成就,一定程度上克服了其他算法在准确性和稳定性方面存在的缺陷。因此,本发明在深度学习技术和卷积神经网络的基础上,提出了多分支并行卷积神经网络模型并将其运用于沥青路面病害检测,旨在实现高效准确的沥青路面病害识别、定位、测量,提高了沥青路面病害检测的效率和准确率。
本实施例提供一种基于多分支并行卷积神经网络的沥青路面病害检测方法,具体的,本实施例采用的多分支并行卷积神经网络示意图如图1所示,具体包括以下步骤:
步骤1,使用功能路面检测车采集路面图像,建立路面图像数据集其中,N是路面图像数量,本实施例中N=3285,路面图像示例如图2所示;xi是路面图像数据集X中第i张图像;图像xi包含了ni个路面病害区域,每个路面病害属于病害类型集ωl是第l种路面病害,l=1,…,M;M是病害类型总数;本实施例中共包括4种路面病害:裂缝、坑槽、修补区域、泛油,故M=4。
步骤2,制作路面图像数据集X中每一张图像的三种标签,路面图像的三种标签示例如图3所示;以图像数据集X中第i张图像xi为例,说明三种类型的标签:
其中,第一种标签是用于描述xi中病害位置的边界框标签例如图3中红色矩形边框所示;图像xi包含了ni个路面病害区域,其中第j个路面病害区域用边界框包围,j=1,…,ni;和分别为边界框的长和宽,单位是像素点;为边界框中心点在图像xi中的坐标位置。
其中,第三种标签是用于描述图像xi中病害边界框所包围区域内所有像素点类别的签标例如图3中不同颜色的标注区域,例如绿色区域为裂缝,蓝色区域为坑槽;是图像xi中第j个边界框所包围区域内所有像素点的类别标签集合;表示图像xi中第j个边界框所包围区域内像素点个数,si,j,k∈Ω'表示图像xi中第j个边界框所包围区域内第k个像素点的标签类别;是像素点类别集;其中ωl'为表示像素点属于第l’种路面病害区域内的像素点;ωl'和步骤1中ωl∈Ω的病害类型逐一对应;ωM+1∈Ω'表示像素点是沥青路面背景像素点。
步骤4,建立多分支并行卷积神经网络包括一个特征提取器一个感兴趣区域提取器一个回归器一个分类器一个解码器多分支并行卷积神经网络的输入xi首先输入特征提取器之后特征提取器的输出结果输入ROI提取器ROI提取器的输出结果同时输入回归器分类器解码器进行并行计算;分类器回归器解码器输出结果即为多分支并行卷积神经网络关于图像xi的预测结果;因此,多分支并行卷积神经网络用于建立路面图像数据集X中图像xi和其对应的三种标签Bi、Ci、Si之间的映射关系,即
其中,是回归器的输出结果;具体的,是预测的xi中ni个路面病害区域的位置,用病害区域的边界框表示;是预测的第j个路面病害区域的边界框,j=1,...,ni;和分别为预测的边界框的长和宽,单位是像素点;为预测的边界框中心点在图像xi中的坐标位置。
其中,是分类器的输出结果;具体的,是预测的病害边界框所包围的路面病害类型的概率分布;是图像xi中第j个路面病害区域边界框的病害类型的概率分布;pi,j,l是图像xi中第j个路面病害区域边界框属于ωl类病害的概率;是病害类型集,与步骤1一致。
其中,是解码器的输出结果;具体的,是预测的xi中ni个病害边界框的像素级图像分割结果;是预测的图像xi中第j个路面病害区域边界框内所有像素点类别的概率分布集合;表示图像xi中第j个路面病害区域边界框内像素点个数;是预测的图像xi中第j个路面病害区域边界框内第k个像素点的概率分布;第k个像素点属于ωl'类的概率;是像素点类别集,与步骤2一致。
其中,特征提取器的输入是路面图像数据集的一张图像;以图像数据集X中第i张图像xi为例;特征提取器的输出结果是xi的特征图fi;输入和输出之间包括若干个卷积层和池化层;本实施例中特征提取器的卷积层和池化层数量及各层信息如表1所示;因此,特征提取器可描述为xi和fi的映射关系
其中,ROI提取器的输入是xi的特征图fi,输出结果是特征图fi的ni个子区域集合ni是图像xi包含的路面病害区域的个数;输入和输出之间包括若干个全连接层,本实施例中ROI提取器的全连接层数量及各层信息如表2所示;因此,ROI提取器可描述为特征图fi和ni个特征图子区域集合的映射关系
其中,回归器的输入是特征图子区域集合输出结果是预测的xi中ni个路面病害区域的位置输入和输出之间包括若干个卷积层、池化层、全连接层、回归层;本实施例中回归器的卷积层、池化层、全连接层数量及各层信息如表3所示。
其中,分类器的输入是特征图子区域集合输出结果是预测的病害边界框所包围的路面病害的类型概率分布输入和输出之间包括若干个卷积层、池化层、全连接层、softmax层;本实施例中分类器的卷积层、池化层、全连接层数量及各层信息如表4所示。
其中,解码器的输入是特征图子区域集合输出结果是预测的xi中ni个路面病害区域边界框的像素级图像分割结果输入和输出之间包括若干个反卷积层和1个softmax层;本实施例中解码器的卷积层、池化层、反卷积层数量及各层信息如表5所示。
随机选取步骤3中训练集D中的一个样本,以为di=(xi,Bi,Ci,Si)例;
式中所有符号定义与上述步骤1-4相同。
依据步骤计算得到的偏差使用链导法则计算回归器分类器解码器中各个结构层权重和偏值的梯度;再依据梯度,调整各个结构层权重和偏值;上述过程中的梯度计算以及权重和偏值调整方法和传统神经网络的卷积层、池化层、反卷积层的梯度计算以及权重和偏值调整方法相同。
计算和的平均值作为特征提取器的关于输出特征图的偏差,将偏差输入特征提取器中计算其各个结构层权重和偏值的梯度;再依据梯度,调整各个结构层权重和偏值;上述过程中的梯度计算以及权重和偏值调整方法和传统神经网络的卷积层、池化层的梯度计算以及权重和偏值调整方法相同。
步骤6,给定待检测沥青路面区域,采集路面图像;将全部路面图像分别输入训练完成的多分支并行卷积神经网络获得待检测沥青路面区域内每张路面图像的计算结果;图5为本发明实施例计算结果示例;每张图像计算得到的边界框尺寸用于表征图像内对应病害的尺寸信息,计算得到的边界框坐标用于表征图像内对应病害的位置信息,计算得到的边界框类型用于表征图像内对应病害的类型信息,计算得到的边界框内的病害分割结果用于表征对应病害的形态信息;统计上述计算结果可得到待检测沥青路面区域内的全部病害信息,为路面养护提供数据支持。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
3.根据权利要求2所述的一种基于多分支并行卷积神经网络的沥青路面病害检测方法,其特征在于,记所述路面图像数据集的三种图像标签为第一种标签、第二种标签和第三种标签;
第三种标签是用于描述图像xi中病害边界框所包围区域内所有像素点类别的签标 是图像xi中第j个边界框所包围区域内所有像素点的类别标签集合;表示图像xi中第j个边界框所包围区域内像素点个数,si,j,k∈Ω'表示图像xi中第j个边界框所包围区域内第k个像素点的类别标签;是像素点类别集;ωl'为表示像素点属于第l’种路面病害区域内的像素点,l'=1,…,M;ωl'和ωl∈Ω的病害类型逐一对应;ωM+1∈Ω'表示像素点是沥青路面背景像素点;
10.根据权利要求9所述的一种基于多分支并行卷积神经网络的沥青路面病害检测方法,其特征在于,采用梯度下降法训练多分支并行卷积神经网络对多分支并行卷积神经网络中各个结构层的权值和偏值进行调整,具体包括如下步骤:
随机选取多分支并行卷积神经网络的训练集D中的一个样本di=(xi,Bi,Ci,Si);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011425015.4A CN112489026B (zh) | 2020-12-08 | 2020-12-08 | 基于多分支并行卷积神经网络的沥青路面病害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011425015.4A CN112489026B (zh) | 2020-12-08 | 2020-12-08 | 基于多分支并行卷积神经网络的沥青路面病害检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112489026A true CN112489026A (zh) | 2021-03-12 |
CN112489026B CN112489026B (zh) | 2023-08-18 |
Family
ID=74940524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011425015.4A Active CN112489026B (zh) | 2020-12-08 | 2020-12-08 | 基于多分支并行卷积神经网络的沥青路面病害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112489026B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240623A (zh) * | 2021-03-18 | 2021-08-10 | 中国公路工程咨询集团有限公司 | 一种路面病害检测方法及装置 |
CN113591606A (zh) * | 2021-07-08 | 2021-11-02 | 武汉理工大学 | 沥青路面隐藏病害识别方法、装置、电子设备及存储介质 |
CN114663449A (zh) * | 2022-05-25 | 2022-06-24 | 深圳思谋信息科技有限公司 | 道路病害面积计算方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232883A1 (en) * | 2017-02-13 | 2018-08-16 | Amit Sethi | Systems & Methods for Computational Pathology using Points-of-interest |
CN108573491A (zh) * | 2017-03-10 | 2018-09-25 | 南京大学 | 一种基于机器学习的三维超声图像分割方法 |
CN110390256A (zh) * | 2019-05-29 | 2019-10-29 | 广东建科交通工程质量检测中心有限公司 | 一种沥青路面裂缝提取方法 |
CN110415233A (zh) * | 2019-07-26 | 2019-11-05 | 东南大学 | 基于两步卷积神经网络的路面裂缝快速提取方法 |
CN110717903A (zh) * | 2019-09-30 | 2020-01-21 | 天津大学 | 一种利用计算机视觉技术进行农作物病害检测的方法 |
CN110827273A (zh) * | 2019-11-14 | 2020-02-21 | 中南大学 | 一种基于区域卷积神经网络的茶叶病害检测方法 |
-
2020
- 2020-12-08 CN CN202011425015.4A patent/CN112489026B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232883A1 (en) * | 2017-02-13 | 2018-08-16 | Amit Sethi | Systems & Methods for Computational Pathology using Points-of-interest |
CN108573491A (zh) * | 2017-03-10 | 2018-09-25 | 南京大学 | 一种基于机器学习的三维超声图像分割方法 |
CN110390256A (zh) * | 2019-05-29 | 2019-10-29 | 广东建科交通工程质量检测中心有限公司 | 一种沥青路面裂缝提取方法 |
CN110415233A (zh) * | 2019-07-26 | 2019-11-05 | 东南大学 | 基于两步卷积神经网络的路面裂缝快速提取方法 |
CN110717903A (zh) * | 2019-09-30 | 2020-01-21 | 天津大学 | 一种利用计算机视觉技术进行农作物病害检测的方法 |
CN110827273A (zh) * | 2019-11-14 | 2020-02-21 | 中南大学 | 一种基于区域卷积神经网络的茶叶病害检测方法 |
Non-Patent Citations (3)
Title |
---|
JIANMING ZHANG 等: "Concrete Cracks Detection Based on FCN with Dilated Convolution", 《APPLIED SCIENCES》 * |
沙爱民 等: "基于卷积神经网络的路表病害识别与测量", 《中国公路学报》, vol. 31, no. 1 * |
沙爱民 等: "基于级联卷积神经网络的公路路基病害识别", 《长安大学学报(自然科学版)》, vol. 39, no. 2 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240623A (zh) * | 2021-03-18 | 2021-08-10 | 中国公路工程咨询集团有限公司 | 一种路面病害检测方法及装置 |
CN113240623B (zh) * | 2021-03-18 | 2023-11-07 | 中国公路工程咨询集团有限公司 | 一种路面病害检测方法及装置 |
CN113591606A (zh) * | 2021-07-08 | 2021-11-02 | 武汉理工大学 | 沥青路面隐藏病害识别方法、装置、电子设备及存储介质 |
CN113591606B (zh) * | 2021-07-08 | 2024-06-04 | 武汉理工大学 | 沥青路面隐藏病害识别方法、装置、电子设备及存储介质 |
CN114663449A (zh) * | 2022-05-25 | 2022-06-24 | 深圳思谋信息科技有限公司 | 道路病害面积计算方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112489026B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660052B (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法 | |
CN112489026A (zh) | 基于多分支并行卷积神经网络的沥青路面病害检测方法 | |
König et al. | Optimized deep encoder-decoder methods for crack segmentation | |
CN107316064B (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
CN108346144B (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
CN107423760A (zh) | 基于预分割和回归的深度学习目标检测方法 | |
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 | |
CN109978032B (zh) | 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法 | |
CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
CN108564589A (zh) | 一种基于改进全卷积神经网络的植物叶片分割方法 | |
CN110751644B (zh) | 道路表面裂纹检测方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN111914902B (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
Han et al. | Vision-based crack detection of asphalt pavement using deep convolutional neural network | |
CN116029980A (zh) | 一种基于改进SegNet的沥青路面损坏检测及评估方法 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN115937518A (zh) | 一种基于多源图像融合的路面病害识别方法及系统 | |
CN116128839A (zh) | 晶圆缺陷识别方法、装置、电子设备以及存储介质 | |
CN115170520A (zh) | 一种基于结构对比信息叠层的金属网栅缺陷检测方法 | |
CN117291913B (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
CN111428752B (zh) | 一种基于红外图像的能见度检测方法 |
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 |