CN113033383A - 基于深度学习的透水路面堵塞无损检测方法及系统 - Google Patents

基于深度学习的透水路面堵塞无损检测方法及系统 Download PDF

Info

Publication number
CN113033383A
CN113033383A CN202110308175.9A CN202110308175A CN113033383A CN 113033383 A CN113033383 A CN 113033383A CN 202110308175 A CN202110308175 A CN 202110308175A CN 113033383 A CN113033383 A CN 113033383A
Authority
CN
China
Prior art keywords
permeable pavement
blockage
deep learning
permeable
pavement
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
CN202110308175.9A
Other languages
English (en)
Other versions
CN113033383B (zh
Inventor
杨明强
薛佳宁
张中泽
张炯
郑庆河
李冰
孙玉馨
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110308175.9A priority Critical patent/CN113033383B/zh
Publication of CN113033383A publication Critical patent/CN113033383A/zh
Application granted granted Critical
Publication of CN113033383B publication Critical patent/CN113033383B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Road Repair (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于透水路面堵塞检测领域，提供了一种基于深度学习的透水路面堵塞无损检测方法及系统。其中，该方法包括获取透水路面图像，并转化成透水路面灰度图片；将透水路面灰度图片输入至深度学习堵塞检测模型中，输出透水路面堵塞等级，进而根据透水路面堵塞等级匹配出相应维护策略来保养透水路面；其中，深度学习堵塞检测模型的训练数据是基于不同预定透水路面堵塞等级进行渗水性实验所获取的透水路面模型图像。

Description

基于深度学习的透水路面堵塞无损检测方法及系统
技术领域
本发明属于透水路面堵塞检测领域，尤其涉及一种基于深度学习的透水路面堵塞无损检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
城市化进程的快速发展直接导致地面不透水面积的快速增加。传统的不透水路面系统建设导致当地环境发生两大显著变化：(1)水环境方面的变化，与(2)周边热环境的变化。市区不透水面积的增加加重了排水系统的负荷，更易在暴雨期间发生城市洪水，引起严重的环境问题。使用透水路面代替传统的沥青或混凝土，是解决此类问题的有效方法，并已经证明可以减少地表径流量，大大降低峰值流量。透水混凝土，又称多孔混凝土或孔隙率增强型混凝土，由于其在可持续建筑中的应用而迅速风靡全世界。透水性混凝土的孔隙率通常在15％到30％之间，通常透水性混凝土层的水流速率从0.2cm/s到大于1cm/s，具体数值取决于材料与位置。
然而，地表径流中含有大量悬浮颗粒；交通活动中产生的无机和有机颗粒、局部植被或经常被吹到或被迫进入道路的灰尘也可能进入透水混凝土的内部孔隙中，通过的车辆的重量将这些颗粒和固体物质推入可渗透路面的孔隙中，也可能将它们压碎，从而产生更细的尺寸分布。一旦沉积物进入透水混凝土的连通孔隙空间，透水路面就失去了基本的透水能力。
渗水路面的维护是保持高地表入渗率的关键。维护的时间与养护策略则根据透水路面当前堵塞等级的不同而有所差异。判断透水路面堵塞等级的常用办法为人工进行渗透性检测实验，常见的实验方式有单环实验和双环实验两种。然而，发明人发现，人工检测在实地进行时具有诸多限制。渗透性实验的用水量巨大，如果实验地点附近没有水源供应，将无法进行多组渗透性实验。同时，渗透性实验的密封材料不适合在社会路面应用。传统渗透性实验采用油灰或硅酮玻璃胶与热熔胶作为渗透性实验的密封材料，实际操作中发现，使用油灰进行密封费时费力，且密封效果依赖操作者的技术水平，硅酮玻璃胶与热熔胶密封效果好，但是难以去除，影响实验地点的美观，也对实验路面的透水性能造成了不可挽回的破坏。这些特性决定了常用的渗透性检测方法难以应用在社会路面上。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于深度学习的透水路面堵塞无损检测方法及系统，其能够无损且快速地检测出透水路面堵塞情况。
因此，为了提高堵塞等级评估的效率，减少对被测路面产生的影响，急需提出一种自动化无损透水路面堵塞等级判定方法。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于深度学习的透水路面堵塞无损检测方法。
一种基于深度学习的透水路面堵塞无损检测方法，包括：
获取透水路面图像，并转化成透水路面灰度图片；
将透水路面灰度图片输入至深度学习堵塞检测模型中，输出透水路面堵塞等级，进而根据透水路面堵塞等级匹配出相应维护策略来保养透水路面；
其中，深度学习堵塞检测模型的训练数据是基于不同预定透水路面堵塞等级进行渗水性实验所获取的透水路面模型图像。
进一步地，透水路面堵塞等级采用渗透率的剩余百分比表示，渗透率的剩余百分比越大，透水路面的透水能力越强，透水路面堵塞等级越小。
进一步地，当渗透率的剩余百分比不低于90％及渗透率的剩余百分比不低于75％且不超过90％时，透水路面的维护策略为真空抽吸或压力冲洗透水路面。
进一步地，当渗透率的剩余百分比低于75％时，透水路面的维护策略为高压冲洗配合真空抽吸。
进一步地，将透水路面灰度图片输入至深度学习堵塞检测模型之前，还包括：
对透水路面灰度图片进行无重叠切割，且切割后的透水路面灰度图片上保留有设定数量的路面孔隙。
进一步地，所述深度学习堵塞检测模型为残差网络Resnet。
进一步地，在所述深度学习堵塞检测模型的训练的过程中，利用训练数据训练学习各类别的特征，调整网络内部的权重；利用测试数据来调整超参数，抑制模型过拟合，提升模型的泛化能力。
本发明的第二个方面提供一种基于深度学习的透水路面堵塞无损检测系统。
一种基于深度学习的透水路面堵塞无损检测系统，包括：
图像预处理模块，其用于获取透水路面图像，并转化成透水路面灰度图片；
透水路面堵塞检测模块，其用于将透水路面灰度图片输入至深度学习堵塞检测模型中，输出透水路面堵塞等级，进而根据透水路面堵塞等级匹配出相应维护策略来保养透水路面；
其中，深度学习堵塞检测模型的训练数据是基于不同预定透水路面堵塞等级进行渗水性实验所获取的透水路面模型图像。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于深度学习的透水路面堵塞无损检测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于深度学习的透水路面堵塞无损检测方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提供了基于深度学习的透水路面堵塞无损检测方法，为了解决目前对透水路肩堵塞检测需要实地进行渗透性实验，可能会因操作者的实验水平而影响实验结果，甚至出会出现因为做实验而对社会路面的透水性造成不可挽回的损害，其将透水路面灰度图片输入至深度学习堵塞检测模型中，输出透水路面堵塞等级，进而根据透水路面堵塞等级匹配出相应维护策略来保养透水路面，采用计算机视觉图像分类的方法对透水路面的堵塞等级进行分类，不需要实地进行渗透性实验，只需要检测人员对待检测路面进行实地拍照即可，对实验地点附近有无水源供应没有要求，不会因为操作者的实验水平而影响实验结果，从而导致分类错误，也不会因为做实验而对社会路面的透水性造成不可挽回的损害，提高了堵塞等级评估的效率，减少了对被测路面产生的影响。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于深度学习的透水路面堵塞无损检测方法流程图；
图2是本发明实施例的原始数据集图片的增扩；
图3是本发明实施例的透水路面灰度图片；
图4是本发明实施例的对灰度图片进行无重叠切割的过程；
图5是本发明实施例的图片预处理、划分数据集及训练过程；
图6是本发明实施例的透水路面的热力图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，本实施例的一种基于深度学习的透水路面堵塞无损检测方法，包括：
S101：获取透水路面图像，并转化成透水路面灰度图片。
在本实施例中，为了排除实地拍照采集数据集时路面颜色不同和光照不均匀对机器模型学习如何分类可能产生的影响，将所有彩色照片转化成灰度图片。部分原始图片及转换成的灰度图片，如图3。
S102：将透水路面灰度图片输入至深度学习堵塞检测模型中，输出透水路面堵塞等级，进而根据透水路面堵塞等级匹配出相应维护策略来保养透水路面.；
其中，深度学习堵塞检测模型的训练数据是基于不同预定透水路面堵塞等级进行渗水性实验所获取的透水路面模型图像。
在具体实施中，透水路面堵塞等级采用渗透率的剩余百分比表示，渗透率的剩余百分比越大，透水路面的透水能力越强，透水路面堵塞等级越小。
根据《中国城市透水路面养护技术规范》(DB37/T 5125-2018)，将透水路面的渗透性评价指标表示为渗透率剩余率(PRP)，并可以根据以下公式计算方程：
Figure BDA0002988708080000061
其中，PRP是指渗透率的剩余百分比，取值范围为
Figure BDA0002988708080000062
根据PRP的值，透水路面的透水能力可分为四个等级：A，B，C和D，其中A≥90％；90％≥B＞75％；75％≥C＞60％；D<60％。
不同类别对应于不同的路面维护方法：
根据DB37/T 5125-2018，A和B堵塞水平下的透水路面需要真空抽吸或压力冲洗，而C和D堵塞水平下的透水路面需要高压冲洗+真空抽吸。
本实施例的该方法可大大降低人工进行渗水性实验对实验操作员和实验场地的要求，还可避免传统渗水性实验对路面的不可逆损害。
在本实施例中，所述深度学习堵塞检测模型为残差网络Resnet。残差网络可有效抑制过拟合现象。对18层的残差网络resnet-12进行简化，并增添了L2正则化和dropout，最终使用改进后的12层残差网络resnet-12进行训练。
在具体实施中，对实地进行渗水性实验的透水路面按照对路面的透水能力(比如：渗水速度)划分成四个等级，并实地拍照构造原始数据集，原始图片大小为4032*3024。
原始数据集图片数量较少，故对其进行旋转(90°、180°、270°)以增扩数据集，如图2所示。
原始图片太大，本实施例采用的深度学习堵塞检测模型自动将输入图片压缩成设定大小(比如：224*224的大小)。若采用原始图片直接输入网络，原始图片中的孔隙会产生畸变，且原始图片和被压缩后的图片尺寸相差过大，在压缩后的图片中路面的孔隙小到无法分辨，对机器模型学习特征造成困难。因此，将透水路面灰度图片输入至深度学习堵塞检测模型之前，还包括：
对透水路面灰度图片进行无重叠切割，且切割后的透水路面灰度图片上保留有设定数量的路面孔隙。
例如：对灰度图片进行无重叠切割，切割后的图片大小为400*400，既能保证压缩前后图片不发生畸变，也能保证图片中的路面孔隙清晰可见，有利于机器模型的学习。切割过程如图4。
将切割后的图片按照0.6、0.2、0.2的比例划分成训练集、验证集和测试集。
具体地，将Batchsize设置为64张图片，如果Batchsize太小，模型的训练时间将大大延长；如果Batchsize太大，则模型的泛化能力将降低。每个epoch包含296次迭代。最大epoch数的功能是找到过度拟合的时间点。在实验过程中，最大epoch数设置为850次。根据训练集和验证集的精度曲线的收敛性，使用“提前终止”方法来防止过拟合。每次迭代后，相关参数将自动保存。自适应学习率算法用于根据精度曲线的收敛性自动调整学习率。添加L2正则化(λ＝0.0005)以提高模型的泛化能力。添加了dropout(随机丢失率为0.1)，以防止过度拟合。
整个训练过程分为训练集训练和超参数调整。训练集用于模型训练，学习各类别的特征，调整网络内部的权重。模型首先随机初始化网络权重，然后用图片的预测类别和图片真正类别构造损失函数，再通过反向传播和梯度下降调整网络内部权重。通过调整权重，学习到每个类别的特征。验证集用于超参数调整，通过调整超参数，抑制模型过拟合，提升模型的泛化能力。测试集用于测试模型的泛化能力，将测试集图片输入经过了训练和超参数调整的模型，得到模型预测的分类结果，然后和原始标签作对比，得到网络的预测正确率。其中，图片预处理、划分数据集及训练过程如图5。
训练结束后，将网络结构和参数进行保存，用测试集进行测试，最终训练的模型在测试集上的分类准确率为87.388％。对模型做可视化实验，生成热力图，发现模型学到的特征主要集中于路面孔隙部分，如图6。
与传统渗水性实验相比，本实施例节省了人力和物力，不需要专业人员进行实地渗水性实验，也不需要实验地点附近有充足的水源，更不会对路面产生不可修复的透水性损害。
实施例二
本实施例提供了一种基于深度学习的透水路面堵塞无损检测系统，包括：
图像预处理模块，其用于获取透水路面图像，并转化成透水路面灰度图片；
透水路面堵塞检测模块，其用于将透水路面灰度图片输入至深度学习堵塞检测模型中，输出透水路面堵塞等级，进而根据透水路面堵塞等级匹配出相应维护策略来保养透水路面；
其中，深度学习堵塞检测模型的训练数据是基于不同预定透水路面堵塞等级进行渗水性实验所获取的透水路面模型图像。
此处需要说明的是，本实施例的基于深度学习的透水路面堵塞无损检测系统中的各个模块，与实施例一中的基于深度学习的透水路面堵塞无损检测方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于深度学习的透水路面堵塞无损检测方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于深度学习的透水路面堵塞无损检测方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的透水路面堵塞无损检测方法，其特征在于，包括：
获取透水路面图像，并转化成透水路面灰度图片；
将透水路面灰度图片输入至深度学习堵塞检测模型中，输出透水路面堵塞等级，进而根据透水路面堵塞等级匹配出相应维护策略来保养透水路面；
其中，深度学习堵塞检测模型的训练数据是基于不同预定透水路面堵塞等级进行渗水性实验所获取的透水路面模型图像。
2.如权利要求1所述的基于深度学习的透水路面堵塞无损检测方法，其特征在于，透水路面堵塞等级采用渗透率的剩余百分比表示，渗透率的剩余百分比越大，透水路面的透水能力越强，透水路面堵塞等级越小。
3.如权利要求2所述的基于深度学习的透水路面堵塞无损检测方法，其特征在于，当渗透率的剩余百分比不低于90％及渗透率的剩余百分比不低于75％且不超过90％时，透水路面的维护策略为真空抽吸或压力冲洗透水路面。
4.如权利要求2所述的基于深度学习的透水路面堵塞无损检测方法，其特征在于，当渗透率的剩余百分比低于75％时，透水路面的维护策略为高压冲洗配合真空抽吸。
5.如权利要求1所述的基于深度学习的透水路面堵塞无损检测方法，其特征在于，将透水路面灰度图片输入至深度学习堵塞检测模型之前，还包括：
对透水路面灰度图片进行无重叠切割，且切割后的透水路面灰度图片上保留有设定数量的路面孔隙。
6.如权利要求1所述的基于深度学习的透水路面堵塞无损检测方法，其特征在于，所述深度学习堵塞检测模型为残差网络Resnet。
7.如权利要求1所述的基于深度学习的透水路面堵塞无损检测方法，其特征在于，在所述深度学习堵塞检测模型的训练的过程中，利用训练集中数据训练学习各类别的特征，调整网络内部的权重；利用验证集中的数据来调整超参数，抑制模型过拟合，提升模型的泛化能力。
8.一种基于深度学习的透水路面堵塞无损检测系统，其特征在于，包括：
图像预处理模块，其用于获取透水路面图像，并转化成透水路面灰度图片；
透水路面堵塞检测模块，其用于将透水路面灰度图片输入至深度学习堵塞检测模型中，输出透水路面堵塞等级，进而根据透水路面堵塞等级匹配出相应维护策略来保养透水路面；
其中，深度学习堵塞检测模型的训练数据是基于不同预定透水路面堵塞等级进行渗水性实验所获取的透水路面模型图像。
9.一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，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于深度学习的透水路面堵塞无损检测方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于深度学习的透水路面堵塞无损检测方法中的步骤。
CN202110308175.9A 2021-03-23 2021-03-23 基于深度学习的透水路面堵塞无损检测方法及系统 Active CN113033383B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110308175.9A CN113033383B (zh) 2021-03-23 2021-03-23 基于深度学习的透水路面堵塞无损检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110308175.9A CN113033383B (zh) 2021-03-23 2021-03-23 基于深度学习的透水路面堵塞无损检测方法及系统

Publications (2)

Publication Number Publication Date
CN113033383A true CN113033383A (zh) 2021-06-25
CN113033383B CN113033383B (zh) 2022-04-12

Family

ID=76472818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110308175.9A Active CN113033383B (zh) 2021-03-23 2021-03-23 基于深度学习的透水路面堵塞无损检测方法及系统

Country Status (1)

Country Link
CN (1) CN113033383B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102416649A (zh) * 2010-09-28 2012-04-18 北京仁创铸造有限公司 一种复合透水砖的制备工艺
CN102433819A (zh) * 2011-10-10 2012-05-02 苏鸣 一种半柔性结构透水行道及其铺装方法
CN102622651A (zh) * 2012-02-21 2012-08-01 天津市市政工程设计研究院 一种建立及其改进绿色生态型道路的方法
CN103439236A (zh) * 2013-08-30 2013-12-11 山东大学 透水性混凝土路面堵塞试验模拟装置与方法
CN103452058A (zh) * 2013-08-16 2013-12-18 交通运输部公路科学研究所 排水性沥青路面标线结构
CN104198353A (zh) * 2014-09-17 2014-12-10 山东大学 透水路面雨洪径流近似试验模拟装置及方法
CN104198155A (zh) * 2014-09-17 2014-12-10 山东大学 径流作用下颗粒输运和透水路面堵塞近似模拟装置及方法
CN106248547A (zh) * 2016-07-19 2016-12-21 山东科技大学 透水水泥混凝土封闭孔隙率的测定方法
CN106827545A (zh) * 2017-02-04 2017-06-13 山东大学 基于ct扫描透明透水混凝土试件3d打印方法
CN109374624A (zh) * 2018-12-12 2019-02-22 山东大学 透水路面堵塞检测方法及系统
CN109672115A (zh) * 2018-12-06 2019-04-23 国网安徽省电力有限公司黄山供电公司 一种基于视频可视化的输电线路电缆排管清障方法和系统
CN109828606A (zh) * 2019-03-21 2019-05-31 青岛罗博飞海洋技术有限公司 一种水下网箱巡检系统
CN109946211A (zh) * 2017-12-21 2019-06-28 山东大学 一种透水路面渗透系数原位检测仪及方法
CN109975501A (zh) * 2019-03-22 2019-07-05 中国铁建大桥工程局集团有限公司 一种用于海绵城市的巡检车
CN110176143A (zh) * 2019-06-10 2019-08-27 长安大学 一种基于深度学习算法的高速公路交通拥堵检测方法
CN110689042A (zh) * 2019-08-20 2020-01-14 中国矿业大学(北京) 隧道渗漏等级的识别方法和装置、存储介质、电子装置
CN110827276A (zh) * 2019-11-25 2020-02-21 河南科技大学 基于深度学习的血液透析器空心纤维通透状态识别方法
CN111046773A (zh) * 2019-12-05 2020-04-21 北京城市排水集团有限责任公司 一种基于图像技术判定路面积滞水的方法
CN111191696A (zh) * 2019-12-20 2020-05-22 山东大学 一种基于深度学习算法的钢筋分层方法及系统
CN111627006A (zh) * 2020-05-27 2020-09-04 王勇 基于区块链和cim的集装箱锁孔堵塞检测方法
CN112001418A (zh) * 2020-07-14 2020-11-27 华北电力大学（保定） 一种发电机定子线圈冷却水路堵塞故障诊断方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102416649A (zh) * 2010-09-28 2012-04-18 北京仁创铸造有限公司 一种复合透水砖的制备工艺
CN102433819A (zh) * 2011-10-10 2012-05-02 苏鸣 一种半柔性结构透水行道及其铺装方法
CN102622651A (zh) * 2012-02-21 2012-08-01 天津市市政工程设计研究院 一种建立及其改进绿色生态型道路的方法
CN103452058A (zh) * 2013-08-16 2013-12-18 交通运输部公路科学研究所 排水性沥青路面标线结构
CN103439236A (zh) * 2013-08-30 2013-12-11 山东大学 透水性混凝土路面堵塞试验模拟装置与方法
CN104198353A (zh) * 2014-09-17 2014-12-10 山东大学 透水路面雨洪径流近似试验模拟装置及方法
CN104198155A (zh) * 2014-09-17 2014-12-10 山东大学 径流作用下颗粒输运和透水路面堵塞近似模拟装置及方法
CN106248547A (zh) * 2016-07-19 2016-12-21 山东科技大学 透水水泥混凝土封闭孔隙率的测定方法
CN106827545A (zh) * 2017-02-04 2017-06-13 山东大学 基于ct扫描透明透水混凝土试件3d打印方法
CN109946211A (zh) * 2017-12-21 2019-06-28 山东大学 一种透水路面渗透系数原位检测仪及方法
CN109672115A (zh) * 2018-12-06 2019-04-23 国网安徽省电力有限公司黄山供电公司 一种基于视频可视化的输电线路电缆排管清障方法和系统
CN109374624A (zh) * 2018-12-12 2019-02-22 山东大学 透水路面堵塞检测方法及系统
CN109828606A (zh) * 2019-03-21 2019-05-31 青岛罗博飞海洋技术有限公司 一种水下网箱巡检系统
CN109975501A (zh) * 2019-03-22 2019-07-05 中国铁建大桥工程局集团有限公司 一种用于海绵城市的巡检车
CN110176143A (zh) * 2019-06-10 2019-08-27 长安大学 一种基于深度学习算法的高速公路交通拥堵检测方法
CN110689042A (zh) * 2019-08-20 2020-01-14 中国矿业大学(北京) 隧道渗漏等级的识别方法和装置、存储介质、电子装置
CN110827276A (zh) * 2019-11-25 2020-02-21 河南科技大学 基于深度学习的血液透析器空心纤维通透状态识别方法
CN111046773A (zh) * 2019-12-05 2020-04-21 北京城市排水集团有限责任公司 一种基于图像技术判定路面积滞水的方法
CN111191696A (zh) * 2019-12-20 2020-05-22 山东大学 一种基于深度学习算法的钢筋分层方法及系统
CN111627006A (zh) * 2020-05-27 2020-09-04 王勇 基于区块链和cim的集装箱锁孔堵塞检测方法
CN112001418A (zh) * 2020-07-14 2020-11-27 华北电力大学（保定） 一种发电机定子线圈冷却水路堵塞故障诊断方法

Also Published As

Publication number Publication date
CN113033383B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN110516730B (zh) 基于pso-svm算法和图像识别的围岩质量在线分级方法
CN110458119B (zh) 一种非接触式测量的混凝土骨料级配快速识别方法
CN103364410B (zh) 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法
CN105654482B (zh) 基于数字图像技术的土石混合体表征单元体尺度的确定方法
CN102663726B (zh) 对物料堆积图像进行物料分割的方法和装置
CN104463882B (zh) 基于形状补全区域图和特征编码的sar图像分割方法
CN103824309A (zh) 一种城市建成区边界自动提取方法
KR101540355B1 (ko) 강우 및 공간 유형에 따른 저영향개발 기법의 물순환 회복 효과 분석 시스템 및 방법
CN103761526A (zh) 一种基于特征位置优选整合的城区检测方法
CN116612114B (zh) 图像处理视域下的透水混凝土胶石比确定方法
CN110910411A (zh) 一种具有尺寸自适应的页岩裂缝自动提取方法
CN113033383B (zh) 基于深度学习的透水路面堵塞无损检测方法及系统
Karaşahin et al. Determination of seal coat deterioration using image processing methods
CN107610147A (zh) 一种废弃薄膜加筋风积沙地基处理方法
Bresson et al. Micromorphological study of slumping in a hardsetting seedbed under various wetting conditions
Zhang et al. A deep learning automatic classification method for clogging pervious pavement
CN116484259A (zh) 一种城市管网缺陷位置定位分析方法和系统
JP2011106923A (ja) 粒状材料の粒度特定方法および粒度特定システム
CN117408928B (zh) 基于图像处理的透水混凝土路面结构确定方法
CN113593040A (zh) 一种堤防护坡植被异常生长病害识别方法及系统
CN104826862B (zh) 一种双限值重金属污染程度分级方法
CN103674869A (zh) 一种吸收光谱法表征景观水体表观污染的方法
DARVISHAN et al. Potential use of synthetic color-contrast aggregates and a digital image processing technique in soil splash measurements
Saghafi et al. Image processing method to estimate the wearing condition of slurry seal mixtures
Zomorodian et al. Overtopping erosion of model earthen dams analysed using digital image-processing method

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