CN113096089B - 一种基于持续深度学习的混凝土结构检测方法 - Google Patents
一种基于持续深度学习的混凝土结构检测方法 Download PDFInfo
- Publication number
- CN113096089B CN113096089B CN202110371234.7A CN202110371234A CN113096089B CN 113096089 B CN113096089 B CN 113096089B CN 202110371234 A CN202110371234 A CN 202110371234A CN 113096089 B CN113096089 B CN 113096089B
- Authority
- CN
- China
- Prior art keywords
- training
- task
- neural network
- tasks
- concrete 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.)
- Active
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
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T2207/30132—Masonry; Concrete
Abstract
本发明公开了一种基于持续深度学习的混凝土结构检测方法,该方法将收集混凝土结构裂缝和构件图像用于改进神经网络的训练,使得该神经网络能识别多个任务。本发明的方法降低了数据存储总量以及运算成本,本发明的混凝土结构检测方法具有运算快、低存储、高精度以及对图片数量低依赖的特点。
Description
技术领域
本发明涉及钢筋混凝土结构裂缝损伤检测和构件分类领域,尤其涉及一种基于持续深度学习的混凝土结构检测方法。
背景技术
在我们的日常生活中,钢筋混凝土材料随处可见,它广泛运用于多种建筑物中。钢筋混凝土材料结合了混凝土的强度和钢筋的延性,是一种几乎完美的材料,但是在施工和使用过程中,钢筋混凝土材料构件还是难以避免地有可能出现裂缝:受拉裂缝、受剪裂缝、收缩裂缝等。这些裂缝的存在会造成整个结构承载能力下降、保护层脱落、钢筋锈蚀等问题。为了检测这些裂缝,以往的方法有:人工测量识别、传统机器视觉识别。很多民用基础设施都逐步接近其设计的预期寿命,人工测量识别会对测查人员以及周围的人员造成一定的安全隐患,不太安全,且费时费力,准确性也不高。传统的机器识别方法会因为图像的变化,严重影响检测结果,且对噪声比较敏感,抗干扰能力较差。总而言之,以往的方法存在大量影响其精确度的问题。随着深度学习的不断发展,结构监测和检测中识别任务的数量也一直在增加,又出现模型训练识别任务数量有限的问题。换句话说,十种不同的识别任务需要十种不同的神经网络,越来越大的损伤识别任务量可能导致参数数量的指数增长,以及耗时耗力的训练过程。
发明内容
针对现有技术存在的问题,本发明提供了一种基于持续深度学习的混凝土结构检测方法,该方法可以实现多个任务的识别,加强了模型的泛化能力,避免了数据集的过拟合,大大减少深度学习对数据的需求,降低运算成本,且有较高的检测和识别能力。
本发明的目的是通过以下技术方案来实现的:一种基于持续深度学习的混凝土结构检测方法,具体包括如下步骤:
(1)收集混凝土结构裂缝和构件图像,并标注混凝土结构检测信息,随后通过移位、反射、翻转、缩放和颜色抖动对收集的混凝土结构裂缝和构件图像进行图像增强预处理,形成图像数据集;
其中,m表示任务的数量,i表示任务的索引,ai表示任务类别数;
(3)根据m个任务训练改进的神经网络,包括如下子步骤:
(3.1)对全连接层中与当前任务连接的参数θn进行Kaiming初始化,并进行预训练,训练40个周期;随后将第一个任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到步骤(2)的神经网络中,训练60个周期,完成第一个任务下对神经网络的训练;
(3.2)冻结全连接层中与旧任务连接的参数θo和全局参数θs,对全连接层中与当前任务连接的参数θn进行Kaiming初始化,并进行预训练,训练40个周期;随后将第二个任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到步骤(2)的神经网络中,并采用SGD方法进行训练,训练60个周期,完成第二个任务下对神经网络的训练;
(3.3)重复步骤(3.2),直至将第m个任务从步骤(1)的图像数据集中选取符合该任务的图像集训练神经网络,在训练的过程中,分别输入前m-1个任务的图像集,统计前m-1个任务的准确率并输出第m个任务的准确率,当所有任务的准确率达到80%以上时,完成对神经网络的训练;
(4)再次收集混凝土结构裂缝和构件图像,并重复步骤(1)的方法获得新裂缝图像数据集,将其输入到已经训练好的神经网络中,输出检测结果。
与现有技术相比,本发明具有如下有益效果:只使用一个模型就解决了混凝土结构检测多个任务的问题,这降低了运算成本,解决了不同任务之间需要不同神经网络的问题。与联合训练方法相比,该方法又减轻了深度学习模型对数据的依赖性,简化了网络训练的复杂性,提高了运算速度。与简单序列训练相比,该方法也不会产生灾难性遗忘问题,即不会因为进行下一个任务的学习就遗忘上一个任务学习到的特征。同时该方法对裂缝目标能够进行快速准确识别,具有更强的鲁棒性和泛化能力。本发明的混凝土结构检测方法解决了混凝土裂缝深度学习模型对数据量需求较大的问题。相比于微调、复制及微调、特征提取、联合学习等方法,本发明的持续学习模型基于已经预训练的网络,网络收敛地更快,在有限数据集的情况下即可获得较强鲁棒性和泛化性。本发明采用了图像的预处理手段防止过度拟合,在持续学习的基础上进一步提高了模型的泛化能力和准确性。除此之外,任务训练顺序会对混凝土结构检测的准确度产生影响,本发明的模型可以通过训练获知最高精度的训练顺序,从而达到最好的训练效果。本发明的混凝土结构检测方法具有运算快、低存储、高精度以及对图片数量低依赖的特点。
附图说明
图1是本发明提供的基于持续深度学习的混凝土结构检测方法流程图;
图2是本发明提供的混凝土结构裂缝损伤和构件类型图片分类图;图3是本发明提供的神经网络结构示意图;
图4是多种方法进行多任务学习的混凝土结构检测精度对比图;
图5是本发明提供的不同顺序下持续学习方法的混凝土结构检测精度对比图;
图6是多种方法进行多任务学习的混凝结构检测优越性对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。
如图1为本发明基于持续深度学习的混凝土结构检测方法流程图,具体包括如下步骤:
(1)收集混凝土结构裂缝和构件图像,并标注混凝土结构检测信息,如图2,混凝土结构检测信息包括损伤等级评估、剥落状况检查、结构构件类型识别、损伤类型判别;剥落状况检查包含剥落与否两种情况;部件类别识别包括墙、柱、梁三种构件;损伤检查分为轻微损伤、重大损伤和无损伤;损伤类别是在判断图像有损伤后再进行判别的,具体包括剪切裂缝、受弯裂缝、碱骨料裂缝、腐蚀裂缝。为了防止过度拟合从而提高模型性能,随后通过移位、反射、翻转、缩放和颜色抖动对收集的混凝土结构裂缝和构件图像进行图像增强预处理,形成图像数据集。
(2)将ImageNet上预训练好的ResNet34模型的尾部全连接层的最后一层参数矩阵512×1000改成获得改进的神经网络,改进的神经网络连接层如图3所示:全连接层中包含很多参数,在本发明中用θs来表示全局参数(全连接层之前的参数)、用θo表示全连接层中与旧任务连接的参数,用θn表示全连接层中与新任务连接的参数。通过这种方式连接,可以实现多任务识别且不会造成之前任务识别精确度的过度下降。
其中,m表示任务的数量,i表示任务的索引,ai表示任务类别数;
(3)根据m个任务训练改进的神经网络,包括如下子步骤:
(3.1)对全连接层中与当前任务连接的参数θn进行Kaiming初始化,并进行预训练,训练40个周期;随后将第一个任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到步骤(2)的神经网络中,训练60个周期,完成第一个任务下对神经网络的训练;
(3.2)冻结全连接层中与旧任务连接的参数θo和全局参数θs,对全连接层中与当前任务连接的参数θn进行Kaiming初始化,并进行预训练,训练40个周期;随后将第二个任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到步骤(2)的神经网络中,并采用SGD方法进行训练,训练60个周期,完成第二个任务下对神经网络的训练;
(3.3)重复步骤(3.2),直至将第m个任务从步骤(1)的图像数据集中选取符合该任务的图像集训练神经网络,在训练的过程中,分别输入前m-1个任务的图像集,统计前m-1个任务的准确率并输出第m个任务的准确率,当所有任务的准确率达到80%以上时,即完成对神经网络的训练;可以通过训练获知最高精度的训练顺序,从而达到最好的训练效果,这样可以在一定程度上进一步提高模型对混凝土结构检测的精确度。
(4)再次收集混凝土结构裂缝和构件图像,并重复步骤(1)的方法获得新裂缝图像数据集,将其输入到已经训练好的神经网络中,输出检测结果。
实施例
(1)收集混凝土结构裂缝和构件图像,并标注混凝土结构检测信息,混凝土结构检测信息包括损伤等级评估、剥落状况检查、结构构件类型识别、损伤类型判别;剥落状况检查包含剥落与否两种情况;部件类别识别包括墙、柱、梁三种构件;损伤检查分为轻微损伤、重大损伤和无损伤;损伤类别是在判断图像有损伤后再进行判别的,具体包括剪切裂缝、受弯裂缝、碱骨料裂缝、腐蚀裂缝。为了防止过度拟合从而提高模型性能,随后通过移位、反射、翻转、缩放和颜色抖动对收集的混凝土结构裂缝和构件图像进行图像增强预处理,形成图像数据集。
本实施例中共涉及四个任务,包括:1.损伤等级评估、2.剥落状况检查、3.结构构件类型识别、4.损伤类型识别,任务损伤等级评估的类别数a1=3,剥落状况检查的类别数a2=2,剥落状况检查的类别数a3=3,损伤类型识别的类别数a4=4。因此,对神经网络的改进和训练过程如下:
(2.1)将ImageNet上预训练好的ResNet34模型的尾部全连接层的最后一层参数矩阵512×1000改成512×a1,得到新的神经网络,对全连接层中与当前任务连接的参数θn进行Kaiming初始化,并进行预训练,训练40个周期;随后将损伤等级评估任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到神经网络中,训练60个周期,完成损伤等级评估任务下对神经网络的训练;
(2.2)将步骤(2.1)得到的神经网络全连接层的最后一层参数矩阵512×a1增添512×a2数量的参数变为512×(a1+a2),得到新的神经网络,对全连接层中与当前任务连接的参数θn进行Kaiming初始化,并进行预训练,训练40个周期;随后将剥落状况检查任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到神经网络中,并采用SGD方法进行训练,训练60个周期,完成剥落状况检查任务下对神经网络的训练;
(2.3)将步骤(2.2)得到的神经网络全连接层的最后一层参数矩阵512×(a1+a2)增添512×a3数量的参数变为512×(a1+a2+a3),得到新的神经网络,对全连接层中与当前任务连接的参数θn进行Kaiming初始化,并进行预训练,训练40个周期;随后将结构构件类型识别任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到神经网络中,并采用SGD方法进行训练,训练60个周期,完成结构构件类型识别任务下对神经网络的训练;
(2.4)将步骤(2.3)得到的神经网络全连接层的最后一层参数矩阵512×(a1+a2+a3)增添512×a4数量的参数变为512×(a1+a2+a3+a4),得到新的神经网络,对全连接层中与当前任务连接的参数θn进行Kaiming初始化,并进行预训练,训练40个周期;随后将损伤类型识别任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到神经网络中,并采用SGD方法进行训练,在训练的过程中,分别输入前3个任务的图像集,统计前3个任务的准确率并输出第4个任务的准确率,当所有任务的准确率达到80%以上时,完成对神经网络的训练。
如图4,“任务一(%)”表示在对应训练方法下,每个数据集第一次进行训练时的最大精确度,而“所有任务(%)”表示在对应训练方法下,每个数据集经过四个任务的训练后,在整个训练过程中最高的精确度。随着训练任务数量的增加,与微调和特征提取方法相比,本发明方法的前一任务识别准确率的下降幅度较小。此外,与其他三种方法相比,本发明的方法在最终训练的任务(损伤类型识别)中实现了最高的准确性(93.60%),这是持续学习能够保留有利于损伤类型确定任务的其他前三个任务的有用且相似的特征,从而用较少的直接训练数据更好地对损伤类型进行分类。类似地,碱骨料损伤的特征与某种类型的层裂非常相似,因此层裂识别任务的训练将自动有利于碱骨料损伤检测任务。在未来,这个概念可以被实现来提高一些识别任务的性能,在这些任务中,仅仅直接训练已经不能提高准确性。图3中引入了“最终百分比之和”指标,通过计算每个识别任务中的“最终百分比”之和来衡量不同训练方法的总体准确性。例如,持续学习和用微调方法训练的模型之间的准确性有6%的差异。所有四种训练方法的“最终百分比之和”也表明,重复和微调以及联合训练方法表现最佳。然而,如前所述,这两种方法的准确率优势将以训练期间需要的大量参数和数据存储为代价。除此之外,任务训练顺序会对该方法的准确度产生影响。在本发明中,损伤等级评估、剥落状况检查、结构构件类型识别、损伤类型判别任务分别用数字1、2、3和4表示。例如,损伤等级评估、剥落状况检查、结构构件类型识别、损伤类型判别的学习顺序可以简化为1-2-3-4的学习顺序。如图5,从这四个任务的“所有任务(%)”可以看出,学习顺序对最终学习任务的影响并没有那么大。1-2-3-4中的第一个任务(损伤等级识别任务)和3-2-1-4中的第二个任务(结构构件类型识别任务)的准确率分别提高了近4%和6%。这种情况发生的条件是,在训练以前和新的任务时采用相同的特征。然而,在为新任务进行训练的过程中,旧任务的准确性会先经历一个轻微的下降,然后才开始增加。例如,在3-2-1-4顺序中,当添加新任务(散裂识别任务)时,第一个任务的准确性显著降低8%。如果训练是在第三个任务学习后而不是第四个任务学习后终止,那么学习顺序的影响其实比较大。然而,特征提取、复制和微调以及联合训练不受学习顺序的影响。微调方法的总体识别精度比持续学习获得的精度低约10%。无论学习顺序如何,通过微调方法学习的第一个任务的精度在学习第四个任务后显著降低,平均降低8%,而在持续学习中仅降低5%。本发明方法在ResNet34模型及训练内容的条件下,发现按损伤等级评估、剥落状况检查、结构构件类型识别、损伤类型判别的顺序识别率最高。如何确定合适的任务顺序也是改进神经网络的重要一步,该方法认为不一定要按照本文提出的任务顺序来训练模型,而是提出要根据自己的神经网络及训练内容在实际训练中找到最合适的任务顺序,从而达到模型最好的训练结果。
(4)再次收集混凝土结构裂缝和构件图像,并重复步骤(1)的方法获得新裂缝图像数据集,将其输入到已经训练好的神经网络中,输出检测结果。
将本发明的方法与现有技术中的方法进行性能评估,并在不同的指标下进行了分析,如图6所示。特征提取需要最少的训练时间,但在新任务中表现一般。如图4所示,特征提取在新任务剥落任务中的精确度为84.27%,在结构构件类型任务中的精确度为90.04%,在损伤种类任务中的精确度为77.74%。旧任务和新任务都可以通过复制和微调方法完成,但其对应的模型在预测时需要花费太多时间。同样,联合训练方法在新老任务中的表现都更好,唯一的缺点是训练时需要太多的数据存储。然而,本发明方法不仅对新老任务都有较高的预测精度和速度,而且在训练过程中只需要较少的数据存储和参数。此外,目前实现混凝土结构检测的关键点在于这些模型训练所需的数据存储量或计算能力,而本发明的方法具有运算快、低存储、高精度的特点。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于持续深度学习的混凝土结构检测方法,其特征在于,具体包括如下步骤:
(1)收集混凝土结构裂缝和构件图像,并标注混凝土结构检测信息,随后通过移位、反射、翻转、缩放和颜色抖动对收集的混凝土结构裂缝和构件图像进行图像增强预处理,形成图像数据集;
其中,m表示任务的数量,i表示任务的索引,ai表示任务类别数;
(3)根据m个任务训练改进的神经网络,包括如下子步骤:
(3.1)对全连接层中与当前任务连接的参数θn进行Kaiming初始化,并进行预训练,训练40个周期;随后将第一个任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到步骤(2)的神经网络中,训练60个周期,完成第一个任务下对神经网络的训练;
(3.2)冻结全连接层中与旧任务连接的参数θo和全局参数θs,对全连接层中与当前任务连接的参数θn进行Kaiming初始化,并进行预训练,训练40个周期;随后将第二个任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到步骤(2)的神经网络中,并采用SGD方法进行训练,训练60个周期,完成第二个任务下对神经网络的训练;
(3.3)重复步骤(3.2),直至将第m个任务从步骤(1)的图像数据集中选取符合该任务的图像集训练神经网络,在训练的过程中,分别输入前m-1个任务的图像集,统计前m-1个任务的准确率并输出第m个任务的准确率,当所有任务的准确率达到80%以上时,完成对神经网络的训练;
(4)再次收集混凝土结构裂缝和构件图像,并重复步骤(1)的方法获得新裂缝图像数据集,将其输入到已经训练好的神经网络中,输出检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371234.7A CN113096089B (zh) | 2021-04-07 | 2021-04-07 | 一种基于持续深度学习的混凝土结构检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371234.7A CN113096089B (zh) | 2021-04-07 | 2021-04-07 | 一种基于持续深度学习的混凝土结构检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096089A CN113096089A (zh) | 2021-07-09 |
CN113096089B true CN113096089B (zh) | 2022-05-13 |
Family
ID=76674729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110371234.7A Active CN113096089B (zh) | 2021-04-07 | 2021-04-07 | 一种基于持续深度学习的混凝土结构检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096089B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378252A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于深度迁移学习的混凝土裂缝识别方法 |
KR20200013148A (ko) * | 2018-07-18 | 2020-02-06 | 주식회사 케이엠티엘 | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 |
CN111127416A (zh) * | 2019-12-19 | 2020-05-08 | 武汉珈鹰智能科技有限公司 | 基于计算机视觉的混凝土结构表面缺陷自动检测方法 |
-
2021
- 2021-04-07 CN CN202110371234.7A patent/CN113096089B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200013148A (ko) * | 2018-07-18 | 2020-02-06 | 주식회사 케이엠티엘 | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 |
CN110378252A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于深度迁移学习的混凝土裂缝识别方法 |
CN111127416A (zh) * | 2019-12-19 | 2020-05-08 | 武汉珈鹰智能科技有限公司 | 基于计算机视觉的混凝土结构表面缺陷自动检测方法 |
Non-Patent Citations (2)
Title |
---|
Concrete Cracks Detection Using Convolutional Neural Network Based on Transfer Learning;Chao Su et al.;《Mathematical Problems in Engineering》;20201017;第1-10页 * |
基于深度学习的野外露头区岩石裂缝识别;罗伟等;《计算机与现代化》;20200515(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113096089A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990280B (zh) | 面向图像大数据的类增量分类方法、系统、装置及介质 | |
WO2018150812A1 (en) | Balancing active learning | |
CN113096088B (zh) | 一种基于深度学习的混凝土结构检测方法 | |
CN111784595B (zh) | 一种基于历史记录的动态标签平滑加权损失方法及装置 | |
CN111832813A (zh) | 一种海底隧道断层活化突水预测方法及系统 | |
CN108549817A (zh) | 一种基于文本深度学习的软件安全漏洞预测方法 | |
CN115526515B (zh) | 一种水利水电用闸门的安全监测系统 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
Qiao et al. | A crack identification method for concrete structures using improved U-Net convolutional neural networks | |
CN115471487A (zh) | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 | |
CN114170627A (zh) | 基于改进的Faster RCNN的行人检测方法 | |
CN113986561B (zh) | 人工智能任务处理方法、装置、电子设备及可读存储介质 | |
CN113096089B (zh) | 一种基于持续深度学习的混凝土结构检测方法 | |
CN112069307B (zh) | 一种法律法条引用信息抽取系统 | |
CN113269121A (zh) | 一种基于融合cnn模型的渔船捕捞状态识别方法 | |
CN117422990A (zh) | 一种基于机器学习的桥梁结构分类与评估方法 | |
CN116597197A (zh) | 一种自适应消除分类负梯度的长尾目标检测方法 | |
CN116258854A (zh) | 一种基于密集连接策略和图像梯度的路面裂缝分割方法 | |
CN115495579A (zh) | 5g通信助理文本分类的方法、装置、电子设备及存储介质 | |
CN115661071A (zh) | 基于深度学习的复合材料加工表面缺陷检测及评价方法 | |
CN115311494A (zh) | 一种利用分层训练结合标签平滑的文化资源图像分类方法 | |
CN114462466A (zh) | 一种面向深度学习的数据去偏方法 | |
CN113487453A (zh) | 基于犯罪要素的法律判决预测方法及系统 | |
CN115965823B (zh) | 一种基于Focal损失函数的在线困难样本挖掘方法及系统 | |
Putt et al. | Methods for estimating abundance and associated uncertainty from passive count technologies |
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 |