CN112861932B - 轨道板裂缝检测方法 - Google Patents
轨道板裂缝检测方法 Download PDFInfo
- Publication number
- CN112861932B CN112861932B CN202110083877.1A CN202110083877A CN112861932B CN 112861932 B CN112861932 B CN 112861932B CN 202110083877 A CN202110083877 A CN 202110083877A CN 112861932 B CN112861932 B CN 112861932B
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- network
- training set
- crack
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims description 34
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 17
- 238000007906 compression Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 239000012855 volatile organic compound Substances 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种轨道板裂缝检测方法，本发明的目的在于构建一个模型用以识别出轨道板图像中的裂缝，本发明在利用卷积神经网络提取裂缝特征的时候，为了识别夜晚拍摄的裂缝图片和复杂背景纹理的图片，在训练集中加入了夜晚拍摄的具有复杂背景纹理的图片。并且，为了平衡样本，还加入了夜晚拍摄的具有简单背景纹理的图片，便于模型学习。
Description
技术领域
本发明涉及一种轨道板裂缝检测方法。
背景技术
当前我国铁路维护工作仍以人工巡视检查为主，加以轨检车等工具辅助的方式。这种人工为主的方式耗时耗力，工作效率低，无法满足越来越长的里程数的实际需求，迫切需要开发高效的自动化检测技术。
现有的绝大部分的研究都是基于默认均匀的光照、未经污染的背景和简单的背景纹理的条件下拍摄的结果，但是轨道的主动维护时间一般都是在夜间铁路暂定运营的时间进行，不均匀光照、低对比度和阴影是常见的检测障碍，另外轨道板经过风化腐蚀后会出现复杂的纹理和凹凸不平的情况，对于较小裂缝的判断有较大的影响。
发明内容
本发明的目的在于提供一种轨道板裂缝检测方法。
为解决上述问题，本发明提供一种轨道板裂缝检测方法，包括：
步骤S1：使用拍摄工具于某城市火车站分别在白天和夜晚对轨道板的裂缝图片进行采样，并采集非裂缝图像作为负样本，其中，分别采集所述裂缝图片复杂背景纹理和简单背景纹理作为正负样本，并使用opencv对负样本进行扩充，用于模拟各种其他情况下拍摄的裂缝图像；
步骤S2：采用LabelImg工具对上述采集到的负样本制定VOC格式数据集，将VOC格式数据集划分为训练集、验证集和测试集；
步骤S3：采用k-means算法对所述训练集的标注信息进行聚类，获得所需的anchor值；
步骤S4：基于所述anchor值，构建改进的YOLOv3网络模型；
步骤S5：通过所述训练集对所述的改进的YOLOv3网络模型进行训练，利用反向传播更新网络参数；
步骤S6：将测试集送入训练好的改进的YOLOv3网络模型中，执行裂缝目标检测和模型评估。
进一步的，在上述方法中，步骤S2中，将VOC格式数据集划分为训练集、验证集和测试集，包括：
将负样本按照7:1:2的比例划分为训练集、验证集和测试集，再对训练集、验证集和测试集分别制作标注。
进一步的，在上述方法中，对训练集、验证集和测试集分别制作标注，包括：
分别在训练集、验证集和测试集的图片上随机标出所有包含裂缝的边界框。
进一步的，在上述方法中，步骤S3：采用k-means算法对所述训练集的标注信息进行聚类，获得所需的anchor值，包括：
采用k-means算法对训练集的标注的信息进行聚类，获得所需的anchor值。
进一步的，在上述方法中，采用k-means算法对训练集的标注的信息进行聚类，获得所需的anchor值，包括：
对训练集的图片的宽高做归一化；
随机选取训练集的图片中若干个边界框作为初始anchor，使用IOU作为聚类过程中的度量值，如果两个anchor越相似，则它们的度量值越接近，将每个边界框分配给距离最近的anchor，计算每个簇中所有的边界框的宽和高的均值，更新anchor，重复迭代直到anchor不再变化。
进一步的，在上述方法中，基于所述anchor值，构建改进的YOLOv3网络模型，包括：
(4-1)对YOLOv3模型原有的Darknet-53网络中残差单元引入深度可分离卷积和倒残差结构，其中，所述深度可分离卷积和倒残差结构，将传统卷积层分解为逐点卷积和逐层卷积两部分；并将原残差单元中的3×3卷积层修改为3×3逐点卷积，将原残差单元中的1×1卷积层修改为1×1逐层卷积，在3×3逐点卷积层之前增加1×1逐层卷积形成“扩张-卷积-压缩”的倒残差结构。
(4-2)对所述残差单元引入SENet通道注意力机制，SENet通道注意力机制的位置设置在残差单元之后，对于残差单元的输出分为两个方向，一个方向经过SENet中的压缩操作，对全局特征图进行平均池化，获得全局感受野；随后进行SENet中的激励操作，将压缩操作得到的结果通过全连接层的学习得到各个通道的权重系数，通过sigmoid函数将各个通道的权重归一化到(0,1)之间；最后将SENet输出的结果与残差单元的输出进行Scale操作，实现对每个通道的特征进行加权；
(4-3)对原YOLOv3网络中的RPN网络进行改进，其中，在RPN网络的基础上增加自下而上的路径聚合网络结构，对RPN网络的多个输出进行下采样和卷积操作，使网络充分利用了浅层特征，解决了网络对微小裂缝检测能力不足的问题；
(4-4)使用Mish作为激活函数。
与现有技术相比，与现有技术相比，本发明具备如下优点：
本发明在原YOLOv3网络模型的基础上引入深度可分离卷积，极大的减少了计算的复杂程度；另外，在参数两相同的情况下，采用深度可卷积网络的神经网络层次更深可以获得更多的语义信息，进而提高网络的检测效果。最后在引入深度可分离卷积之后，发现特征提取受限于输入通道数，因此引入倒残差网络结构。
本发明所使用的网络结构结合了通道注意力机制，加强了网络对有用的特征的关注程度，同时抑制对于当前任务用处不大的特征，从而实现对模型最终准确率的大幅度提升。
本发明中对网络模型中的激活函数进行了替换，使用Mish作为激活函数。Mish对负值的轻微允许可以获得更好的梯度流，与Leaky ReLU的固定斜率负值相比，平滑的特点可以允许更好的信息流入神经网络中，从而提高神经网络实现任务的准确性。
本发明中所使用的改进的特征融合方法，充分利用了网络的浅层特征，使得提取到的特征更加丰富，提高网络对小目标的检测效果。
附图说明
图1为本发明基于YOLOv3改进的轨道板裂缝检测模型的整体结构图；
图2是本发明改进后的残差模块单元整体结构图；
图3是本发明改进的特征融合网络结构图；
图4是本发明裂缝检测效果示例图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1～4所示，本发明提供一种轨道板裂缝检测方法，包括：
步骤S1：使用拍摄工具于某城市火车站分别在白天和夜晚对轨道板的裂缝图片进行采样，并采集非裂缝图像作为负样本，其中，分别采集所述裂缝图片复杂背景纹理和简单背景纹理作为正负样本，并使用opencv对负样本进行扩充，用于模拟各种其他情况下拍摄的裂缝图像；
步骤S2：采用LabelImg工具对上述采集到的负样本制定VOC格式数据集，将VOC格式数据集划分为训练集、验证集和测试集；
步骤S3：采用k-means算法对所述训练集的标注信息进行聚类，获得所需的anchor值；
步骤S4：基于所述anchor值，构建改进的YOLOv3网络模型；
步骤S5：通过所述训练集对所述的改进的YOLOv3网络模型进行训练，利用反向传播更新网络参数；
步骤S6：将测试集送入训练好的改进的YOLOv3网络模型中，执行裂缝目标检测和模型评估。
在此，本发明的目的在于构建一个模型用以识别出轨道板图像中的裂缝。本发明在利用卷积神经网络提取裂缝特征的时候，为了识别夜晚拍摄的裂缝图片和复杂背景纹理的图片，在训练集中加入了夜晚拍摄的具有复杂背景纹理的图片。并且，为了平衡样本，还加入了夜晚拍摄的具有简单背景纹理的图片，便于模型学习。
将测试集送入训练好的改进的YOLOv3网络模型中，执行裂缝目标检测和模型评估，并将训练结果可视化显示，测试结果如图4所示。
本发明的轨道板裂缝检测方法一实施例中，需要补充的是，由于本发明实际是一个单目标检测任务，在步骤S2中，将VOC格式数据集划分为训练集、验证集和测试集，包括：
将负样本按照7:1:2的比例划分为训练集、验证集和测试集，再对训练集、验证集和测试集分别制作标注。
本发明的轨道板裂缝检测方法一实施例中，对训练集、验证集和测试集分别制作标注，包括：
分别在训练集、验证集和测试集的图片上随机标出所有包含裂缝的边界框。
本发明的轨道板裂缝检测方法一实施例中，步骤S3：采用k-means算法对所述训练集的标注信息进行聚类，获得所需的anchor值，包括：
采用k-means算法对训练集的标注的信息进行聚类，获得所需的anchor值。
本发明的轨道板裂缝检测方法一实施例中，采用k-means算法对训练集的标注的信息进行聚类，获得所需的anchor值，包括：
对训练集的图片的宽高做归一化；
随机选取训练集的图片中若干个边界框作为初始anchor，使用IOU作为聚类过程中的度量值，如果两个anchor越相似，则它们的度量值越接近，将每个边界框分配给距离最近的anchor，计算每个簇中所有的边界框的宽和高的均值，更新anchor，重复迭代直到anchor不再变化。
在此，在基于anchor的目标检测算法中，anchor一般都是通过人工设计的。YOLOv3中设置了9个不同大小和宽高比的anchor。然而，通过人工设计的anchor存在一个弊端，就是并不能保证它们一定能很好的适合数据集，如果anchor的尺寸和目标的尺寸差异较大，则会影响模型的检测效果。
anchor通常表示为(x1，y1，x2，y2)，即(x1，y1)表示左上角定点位置，(x2，y2)表示右下角顶点位置。首先对训练集的图片的宽高做归一化，即：
其中，wbox，hbox分别表示边界框的宽和高，wimg，himg分别表示图片的宽和高。
随机选取训练集的图片中若干个边界框作为初始anchor，使用IOU作为聚类过程中的度量，如果两个anchor越相似，则它们的度量值越接近，将每个边界框分配给距离最近的anchor，计算每个簇中所有的边界框的宽和高的均值，更新anchor，重复迭代直到anchor不再变化，其中IOU和度量值d的定义如下：
d(A，B)＝1-IOU(A，B)
其中A和B分别为真实边界框和预测边界框。
采用该技术方案不但可以使优化检测效果，而且还可以加快网络收敛速度。
本发明的轨道板裂缝检测方法一实施例中，步骤S4，基于所述anchor值，构建改进的YOLOv3网络模型，包括：
(4-1)对YOLOv3模型原有的Darknet-53网络中残差单元引入深度可分离卷积和倒残差结构，其中，所述深度可分离卷积(Depthwise Separable Convolution)和倒残差结构，将传统卷积层分解为逐点卷积(Depthwise)和逐层卷积(Pointwise)两部分；并将原残差单元中的3×3卷积层修改为3×3逐点卷积，将原残差单元中的1×1卷积层修改为1×1逐层卷积，在3×3逐点卷积层之前增加1×1逐层卷积形成“扩张-卷积-压缩”的倒残差结构。
(4-2)对所述残差单元引入SENet通道注意力机制，SENet通道注意力机制的位置设置在残差单元之后，对于残差单元的输出分为两个方向，一个方向经过SENet中的压缩操作，对全局特征图进行平均池化，获得全局感受野；随后进行SENet中的激励操作，将压缩操作得到的结果通过全连接层的学习得到各个通道的权重系数，通过sigmoid函数将各个通道的权重归一化到(0,1)之间；最后将SENet输出的结果与残差单元的输出进行Scale操作，实现对每个通道的特征进行加权；
(4-3)对原YOLOv3网络中的RPN网络进行改进，其中，在RPN网络的基础上增加自下而上的路径聚合网络结构，对RPN网络的多个输出进行下采样和卷积操作，使网络充分利用了浅层特征，解决了网络对微小裂缝检测能力不足的问题。
(4-4)使用Mish作为激活函数，Mish的定义如下：
mish(x)＝x*tanh(softplus(x))＝x*tanh(ln(1+ex))
其中，tanh(x)＝(ex-e-x)/(ex+e-x)，
softplus(x)＝log(1+ex)
在此，构建改进的YOLOv3网络模型，改进的轨道板裂缝检测模型的整体结构如图1所示，具体改进措施如下：
如图2所示，对YOLOv3模型原有的Darknet-53网络中残差单元引入深度可分离卷积和倒残差结构，深度可分离卷积(Depthwise Separable Convolution)将传统卷积层分解为逐点卷积(Depthwise)和逐层卷积(Pointwise)两部分。将原残差单元中的3×3卷积层修改为3×3逐点卷积，原残差单元中的1×1卷积层修改为1×1逐层卷积，在3×3逐点卷积层之前增加1×1逐层卷积形成“扩张-卷积-压缩”的倒残差结构。
对改进的残差单元引入SENet通道注意力机制，如图2所示，其位置设置在残差单元之后，对于残差单元的输出分为两个方向，一个方向经过SENet中的压缩操作，对全局特征图进行平均池化，获得全局感受野。随后进行SENet中的激励操作，将压缩操作得到的结果通过全连接层的学习得到各个通道的权重系数，通过sigmoid函数将各个通道的权重归一化到(0,1)之间。最后将SENet输出的结果与残差单元的输出进行Scale操作，实现对每个通道的特征进行加权。
对原YOLOv3网络中的RPN网络进行改进，如图3所示，具体为在RPN网络的基础上增加自下而上的路径聚合网络结构，对RPN网络的多个输出进行下采样和卷积操作，使网络充分利用了浅层特征，解决了网络对微小裂缝检测能力不足的问题。如图3中a为特征金字塔网络，b为自下而上的路径聚合策略。
与现有技术相比，本发明具备如下优点：
本发明在原YOLOv3网络模型的基础上引入深度可分离卷积，极大的减少了计算的复杂程度；另外，在参数两相同的情况下，采用深度可卷积网络的神经网络层次更深可以获得更多的语义信息，进而提高网络的检测效果。最后在引入深度可分离卷积之后，发现特征提取受限于输入通道数，因此引入倒残差网络结构。
本发明所使用的网络结构结合了通道注意力机制，加强了网络对有用的特征的关注程度，同时抑制对于当前任务用处不大的特征，从而实现对模型最终准确率的大幅度提升。
本发明中对网络模型中的激活函数进行了替换，使用Mish作为激活函数。Mish对负值的轻微允许可以获得更好的梯度流，与Leaky ReLU的固定斜率负值相比，平滑的特点可以允许更好的信息流入神经网络中，从而提高神经网络实现任务的准确性。
本发明中所使用的改进的特征融合方法，充分利用了网络的浅层特征，使得提取到的特征更加丰富，提高网络对小目标的检测效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (4)
1.一种轨道板裂缝检测方法，其内容包括：
步骤S1：使用拍摄工具于某城市火车站分别在白天和夜晚对轨道板的裂缝图片进行采样，并采集非裂缝图像作为负样本，其中，分别采集所述裂缝图片复杂背景纹理和简单背景纹理作为正负样本，并使用opencv对负样本进行扩充，用于模拟各种其他情况下拍摄的裂缝图像；
步骤S2：采用LabelImg工具对上述采集到的负样本制定VOC格式数据集，将VOC格式数据集划分为训练集、验证集和测试集；
步骤S3：采用k-means算法对所述训练集的标注信息进行聚类，获得所需的anchor值，包括：对训练集的图片的宽高做归一化；随机选取训练集的图片中若干个边界框作为初始anchor，使用IOU作为聚类过程中的度量值，如果两个anchor越相似，则它们的度量值越接近，将每个边界框分配给距离最近的anchor，计算每个簇中所有的边界框的宽和高的均值，更新anchor，重复迭代直到anchor不再变化；
步骤S4：基于所述anchor值，构建改进的YOLOv3网络模型，包括：(4-1)对YOLOv3模型原有的Darknet-53网络中残差单元引入深度可分离卷积和倒残差结构，其中，所述深度可分离卷积和倒残差结构，将传统卷积层分解为逐点卷积和逐层卷积两部分；并将原残差单元中的3×3卷积层修改为3×3逐点卷积，将原残差单元中的1×1卷积层修改为1×1逐层卷积，在3×3逐点卷积层之前增加1×1逐层卷积形成“扩张-卷积-压缩”的倒残差结构；(4-2)对所述残差单元引入SENet通道注意力机制，SENet通道注意力机制的位置设置在残差单元之后，对于残差单元的输出分为两个方向，一个方向经过SENet中的压缩操作，对全局特征图进行平均池化，获得全局感受野；随后进行SENet中的激励操作，将压缩操作得到的结果通过全连接层的学习得到各个通道的权重系数，通过sigmoid函数将各个通道的权重归一化到(0,1)之间；最后将SENet输出的结果与残差单元的输出进行Scale操作，实现对每个通道的特征进行加权；(4-3)对原YOLOv3网络中的RPN网络进行改进，其中，在RPN网络的基础上增加自下而上的路径聚合网络结构，对RPN网络的多个输出进行下采样和卷积操作，使网络充分利用了浅层特征，解决了网络对微小裂缝检测能力不足的问题；(4-4)使用Mish作为激活函数；
步骤S5：通过所述训练集对所述的改进的YOLOv3网络模型进行训练，利用反向传播更新网络参数；
步骤S6：将测试集送入训练好的改进的YOLOv3网络模型中，执行裂缝目标检测和模型评估。
2.如权利要求1所述的轨道板裂缝检测方法，其特征在于，步骤S2中，将VOC格式数据集划分为训练集、验证集和测试集，包括：
将负样本按照7:1:2的比例划分为训练集、验证集和测试集，再对训练集、验证集和测试集分别制作标注。
3.如权利要求2所述的轨道板裂缝检测方法，其特征在于，对训练集、验证集和测试集分别制作标注，包括：
分别在训练集、验证集和测试集的图片上随机标出所有包含裂缝的边界框。
4.如权利要求3所述的轨道板裂缝检测方法，其特征在于，步骤S3：采用k-means算法对所述训练集的标注信息进行聚类，获得所需的anchor值，包括：
采用k-means算法对训练集的标注的信息进行聚类，获得所需的anchor值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110083877.1A CN112861932B (zh) | 2021-01-21 | 2021-01-21 | 轨道板裂缝检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110083877.1A CN112861932B (zh) | 2021-01-21 | 2021-01-21 | 轨道板裂缝检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112861932A CN112861932A (zh) | 2021-05-28 |
| CN112861932B true CN112861932B (zh) | 2024-02-02 |
Family
ID=76009074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110083877.1A Active CN112861932B (zh) | 2021-01-21 | 2021-01-21 | 轨道板裂缝检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861932B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN111681240A (zh) * | 2020-07-07 | 2020-09-18 | 福州大学 | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 |
| CN112053354A (zh) * | 2020-09-15 | 2020-12-08 | 上海应用技术大学 | 一种轨道板裂缝检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI754806B (zh) * | 2019-04-09 | 2022-02-11 | 栗永徽 | 利用深度學習定位虹膜之裝置與方法 |
-
2021
- 2021-01-21 CN CN202110083877.1A patent/CN112861932B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN111681240A (zh) * | 2020-07-07 | 2020-09-18 | 福州大学 | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 |
| CN112053354A (zh) * | 2020-09-15 | 2020-12-08 | 上海应用技术大学 | 一种轨道板裂缝检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于卷积神经网络的多类别路面病害识别研究;常莹;蔡蓉宾;;上海电气技术(02);全文 * |
| 基于改进YOLO深度卷积神经网络的缝纫手势检测;王晓华;姚炜铭;王文杰;张蕾;李鹏飞;;纺织学报(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112861932A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898085B (zh) | 一种基于手机视频的道路病害智能检测方法 | |
| 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 | |
| CN110619282A (zh) | 一种无人机正射影像建筑物自动提取方法 | |
| 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 | |
| CN104881662B (zh) | 一种单幅图像行人检测方法 | |
| CN106845374A (zh) | 基于深度学习的行人检测方法及检测装置 | |
| CN103208123B (zh) | 图像分割方法与系统 | |
| CN107833213A (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
| CN111160205B (zh) | 一种交通场景嵌入式多类目标端对端统一检测方法 | |
| CN116485717B (zh) | 一种基于像素级深度学习的混凝土坝表面裂缝检测方法 | |
| CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
| CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
| 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 | |
| CN116863274A (zh) | 一种基于半监督学习的钢板表面缺陷检测方法及系统 | |
| CN110689000A (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
| CN116206112A (zh) | 基于多尺度特征融合和sam的遥感图像语义分割方法 | |
| CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
| CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 | |
| CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
| CN112861932B (zh) | 轨道板裂缝检测方法 | |
| CN110660068B (zh) | 三维细胞构筑图像的半自动脑区分割方法 | |
| CN117078925A (zh) | 一种基于RDSA-DeepLabV3+网络的建筑垃圾年产量精算方法 | |
| CN106778504A (zh) | 一种行人检测方法 | |
| KR102416714B1 (ko) | 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법 | |
| CN112861682B (zh) | 基于朴素贝叶斯云计算路面图像采集分类方法及其装置 |
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 |