CN113191391A - 一种针对三维探地雷达图谱的道路病害分类方法 - Google Patents
一种针对三维探地雷达图谱的道路病害分类方法 Download PDFInfo
- Publication number
- CN113191391A CN113191391A CN202110370100.3A CN202110370100A CN113191391A CN 113191391 A CN113191391 A CN 113191391A CN 202110370100 A CN202110370100 A CN 202110370100A CN 113191391 A CN113191391 A CN 113191391A
- Authority
- CN
- China
- Prior art keywords
- view
- radar map
- map data
- road
- data
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 68
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 11
- 239000010410 layer Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种针对三维探地雷达图谱的道路病害分类方法,其包含以下步骤:使用三维探地雷达采集多视图雷达图谱数据,并针对采集到的图谱数据进行预处理并构建数据集;选用合适的深度神经网络结构搭建模型;输入处理后的多视图雷达图谱数据到网络中进行参数调整,训练模型;利用训练得到的模型预测未知多视图图谱数据所属的病害类别;本发明可以根据多视图雷达图谱自动判定病害类别,解决了人工检测效率低以及常规道路检测算法对于多视图数据判别准确率低的问题。
Description
技术领域
本发明涉及道路病害检测领域,具体涉及一种针对三维探地雷达图谱的道路病害分类方法。
背景技术
受到雨、雪等自然环境因素与车辆过载等人为因素的影响,道路在经过长期使用后会呈现不同程度的道路病害问题,其中包括空洞,层间脱空和裂缝。这些道路病害问题会大大降低驾驶的安全性和舒适性甚至存在安全隐患。因此及时发现并识别道路存在的病害问题对于延长道路使用年限和确保车辆安全行驶都是至关重要的。为此,研究人员必须定期检查和评估道路性能,并使用宏观和微观的分析方法来对材料进行分析。由于采集到的道路雷达数据量大而病害问题难以分辨,使得传统的道路病害人工检测方法效率低下且耗时费力。故实现一个高效精准的自动化检测算法来替代人工检测是目前道路雷达病害检测领域的研究重点。
三维探地雷达相较于其他二维检测方法能更为准确地检测出道路内部隐藏的病害信息,因此被广泛应用于高速公路、市政道路的道路状态检测。其收集到的数据呈多视图显示,结合水平断面和沿行进方向的垂直断面分析单视图上所呈现的病害特征信息即可判断道路所属病害类别。然而,目前道路病害检测方法都是基于单输入的二维图像信息进行实现的,针对需专家分析的三维探地雷达多视图数据信息暂无好的解决方案。同时,深度学习算法模型通常包含着大量需要训练的参数,需要大量带标注的样本数据来对网络参数值进行更新,才能达到较高准确率。但由于道路雷达图谱数据的缺乏标注,道路工程领域的研究受到了很大的限制。因此在样本数量较小的情况下充分利用信息从而进行道路病害的准确识别也是目前急需解决的问题。
发明内容
为了解决上述技术问题,本发明提供一种针对三维探地雷达图谱的道路病害分类方法,本发明提出了一种针对三维探地雷达图谱的道路病害分类方法,将多视图数据进行特征融合从而充分利用多视图数据,实现了对道路病害的高精度自动分类。
为了实现上述技术目的,本发明的技术方案如下:
一种针对三维探地雷达图谱的道路病害分类方法,其特征在于,包括以下步骤:
步骤1;采用三维探地雷达采集多视图雷达图谱数据,并将所述多视图雷达图谱数据进行预处理且构建多视图雷达图谱数据集;
步骤2;选择深度神经网络结构搭建模型用于所述数据集;
步骤3;将处理后的所述多视图雷达图谱数据到网络中进行参数调整,训练模型;
步骤4;利用所述深度神经网络结构搭建模型预测未知多视图图谱数据所属的病害类别。
优选地,步骤1中的所述多视图雷达图谱数据进行预处理且构建数据集具体步骤如下:首先,构建多视图雷达图谱数据集标记每一例道路样本中包含的各视图病害特征类型;其次,使用随机垂直翻转和随机亮度变化对各视图数据进行处理,并将图像大小调整为224×224像素;再次,依据类别数较多的视图数据将总体数据集划分为训练集、验证集与测试集,其比例为0.5:0.25:0.25;最后,对所述多视图雷达图谱数据集进行数据增强,包括上采样、数据扩充。
优选地,所述深度神经网络结构搭建模型采用端到端双塔模型,其中,所述端到端双塔模型是基于所述多视图雷达图谱数据。
进一步说明,所述端到端双塔模型的构建步骤如下:首先,在单个视图上训练单独的特征提取器,且各所述特征提取器不进行参数共享;其次,将各视图特征图进行融合;最后,经过多层感知机和Softmax归一化操作后,输出道路病害类别预测结果。
进一步说明,在步骤3中,所述训练模型的过程如下:将所述多视图雷达图谱数据集同时输入所述端到端双塔模型,并且根据各视图上的病害特征判断病害类别与所述端到端双塔模型预测结果计算损失函数,更新所述训练模型的参数。
优选地,所述多视图雷达图谱数据包括:主视图、俯视图、后视图、仰视图、左视图、右视图。
与现有技术相比较,本发明的有益效果如下:
1.本发明充分利用多视图雷达图谱数据,融合各视图特征进行端到端的道路病害分类。
2.本发明构建了基于多视图数据的端到端双塔模型和传统道路病害的各视图分步检测方法相比,本发明对于各视图数据的利用更充分且准确率更高。
附图说明
图1为根据本发明一种针对三维探地雷达图谱的道路病害分类方法的整体流程图;
图2为根据本发明一种针对三维探地雷达图谱的道路病害分类方法的端到端双塔模型框图;
图3为根据本发明一种针对三维探地雷达图谱的道路病害分类方法的单个特征提取器结构图;
图4为根据本发明一种针对三维探地雷达图谱的道路病害分类方法的SE模块结构图;
图5为根据本发明一种针对三维探地雷达图谱的道路病害分类方法的结合注意力机制的带权融合流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特征细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
结合附图1-5,本发明提供一种针对三维探地雷达图谱的道路病害分类方法,其特征在于,包括以下步骤:
步骤1;采用三维探地雷达采集多视图雷达图谱数据,并将多视图雷达图谱数据进行预处理且构建多视图雷达图谱数据集。
进一步说明,多视图雷达图谱数据进行预处理且构建数据集具体步骤如下:首先,构建多视图雷达图谱数据集标记每一例道路样本中包含的各视图病害特征类型;其次,使用随机垂直翻转和随机亮度变化对各视图数据进行处理,并调整图像大小;再次,依据类别数较多的视图数据将总体数据集划分为训练集、验证集与测试集;最后,对多视图雷达图谱数据集进行数据增强,包括上采样、数据扩充。
步骤2;选择深度神经网络结构搭建模型用于数据集。
进一步说明,深度神经网络结构搭建模型采用端到端双塔模型,其中,端到端双塔模型是基于多视图雷达图谱数据。
步骤3;将处理后的多视图雷达图谱数据到网络中进行参数调整,训练模型;
进一步说明,端到端双塔模型的构建步骤如下:首先,在单个视图上训练单独的特征提取器,且各特征提取器不进行参数共享;其次,将各视图特征图进行融合;最后,经过多层感知机和Softmax归一化操作后,输出道路病害类别预测结果。
进一步说明,训练模型的过程如下:将多视图雷达图谱数据集同时输入端到端双塔模型,并且根据各视图上的病害特征判断病害类别与端到端双塔模型预测结果计算损失函数,更新训练模型的参数。
步骤4;利用深度神经网络结构搭建模型预测未知多视图图谱数据所属的病害类别。
优选地,多视图雷达图谱数据包括:主视图、俯视图、后视图、仰视图、左视图、右视图。
实施例1,
结合附图1,首先,使用三维探地雷达采集多视图雷达图谱数据,并针对采集到的图谱数据进行预处理并构建数据集;
本发明所采用的道路图像数据来源于三维探地雷达采集的结果,总计682例,包含三种道路病害类型的图像:空洞,层间脱空和裂缝,以及正常无病害道路图像。采集到的真实道路原始数据中,每一例道路样本包含两个视图图像数据,分别为320×320像素的主视图灰度图像,包含双曲线、高亮、正常三种病害特征;320×230像素的俯视图灰度图像,包含长条状、暗斑、亮斑、正常四种病害特征。将采集到的双视图数据进行预处理并且构建数据集,具体步骤如下:
构建雷达图谱数据集,标记每一例道路样本中包含的主、俯视图病害特征类型;
使用图像变换方法对视图数据进行处理从而凸显病害特征,图像变换方法为:随机垂直翻转和随机亮度变化等,并将图像大小调整为224×224像素;
依据类别数较多的俯视图数据将总体数据集划分为训练集、验证集与测试集,其划分比例为0.5:0.25:0.25;
对所述训练集进行数据增强,包括但不限于上采样、数据扩充等操作,通过扩充数据集可以提高网络鲁棒性以及识别准确率;
选用合适的深度神经网络结构搭建模型;
结合附图2,本实施例选用DenseNet作为基础网络结构,构建基于多视图数据的端到端双塔模型,其过程包含以下步骤:
在单个视图上训练单独的特征提取器,且各特征提取器不进行参数共享。
因为各视图上呈现的病害特征信息差异较大,为了针对单视图进行更好的特征表达,本实施例在单个视图上训练单独的特征提取器,且各特征提取器不进行参数共享。单视图特征提取器的网络结构主要包含4个最大化利用特征的密集块(Dense Block),用于降维的过渡层(Transition Layer)。其中,密集块包含多次卷积操作并引入卷积核为1×1的卷积操作提高运算效率。过渡层采用卷积、通道间自注意力机制、池化等操作降低通道数、减小图片尺寸。
为了更好的提取每个视图中的病害特征信息,同时抑制无用信息在模型中的表达,其中,无用信息例如图像噪声等,本实验例在DenseNet网络各block之间的过渡层(Transition Layer)和表征层中引入通道间的注意力机制来学习通道间的权重分布,如图3所示。本实施例使用基于Inception的Squeeze-and-Excitation(下文简称为SE)结构实现该通道间注意力机制,其结构如图4所示。
将各视图特征图进行融合,融合方式包括但不限于拼接,直接相加,自学习带权融合,结合注意力机制的带权融合等。
在进行特征融合时,为了给不同样本赋予不同融合权重值,首先使用视图间注意力机制,即元素间注意力(Element-wised Attention)学习到不同视图的重要性,增强重要视图的权重值,减小不重要视图的权重值。得到每个样本关于视图间融合的权重值后,根据计算得出的俯、主视图权重值对俯、主视图进行带权相加,实现对两个视图特征的自适应带权融合。结合注意力机制的双视图特征融合过程如图5所示。为了增强模型预测的稳定性,减少输出的方差,本实施例采用多头注意力机制对视图间的融合进行多次计算,同时每次计算的结果相互独立,最后将多次计算结果进行拼接。若通过k次注意力机制计算得到的视图融合特征图为
经过多层感知机和Softmax归一化操作后,输出道路病害类别预测结果。
为了更好地学习到视图融合后得到的特征图与病害类别之间的关系,从而进一步提高模型的表达能力,本实施例在双塔模型的表征层中加入了多层感知器(MultilayerPerceptron,MLP)和Softmax分类层进行病害类别预测。该多层感知机中主要包括两层全连接层和用于非线性变换的激活函数ReLU。
输入处理后的多视图雷达图谱数据到网络中进行参数调整,训练模型;
本实施例将每例雷达图谱数据包含的主、俯两个视图信息作为输入,病害类别作为输出,训练多输入、单输出的端到端双塔模型。使用交叉墒(Cross-entropy)计算损失函数,调整并更新模型参数。
利用训练得到的模型预测未知多视图图谱数据所属的病害类别;
本实施例使用基于多视图数据的端到端双塔模型得到的模型在验证集上预测包含主、俯视图的多视图图谱数据所属的病害类别,在原始数据集上分类精度达到94.62%,在增强数据集上效果进一步提升,准确率达到95.78%。
经过上述步骤的操作,即可实现针对三维探地雷达图谱的道路病害的精准判别。
最后应该说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前叙述实施对本发明进行了详细的说明,本领域的技术人员应当理解,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行同等替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神与范围。
Claims (6)
1.一种针对三维探地雷达图谱的道路病害分类方法,其特征在于,包括以下步骤:
步骤1;采用三维探地雷达采集多视图雷达图谱数据,并将所述多视图雷达图谱数据进行预处理且构建多视图雷达图谱数据集;
步骤2;选择深度神经网络结构搭建模型用于所述数据集;
步骤3;将处理后的所述多视图雷达图谱数据到网络中进行参数调整,训练模型;
步骤4;利用所述深度神经网络结构搭建模型预测未知多视图图谱数据所属的病害类别。
2.根据权利要求1所述的一种针对三维探地雷达图谱的道路病害分类方法,其特征在于,步骤1中的所述多视图雷达图谱数据进行预处理且构建数据集具体步骤如下:首先,构建多视图雷达图谱数据集标记每一例道路样本中包含的各视图病害特征类型;其次,使用随机垂直翻转和随机亮度变化对各视图数据进行处理,并调整图像大小;再次,依据类别数较多的视图数据将总体数据集划分为训练集、验证集与测试集;最后,对所述多视图雷达图谱数据集进行数据增强,包括上采样、数据扩充。
3.根据权利要求1所述的一种针对三维探地雷达图谱的道路病害分类方法,其特征在于,所述深度神经网络结构搭建模型采用端到端双塔模型,其中,所述端到端双塔模型是基于所述多视图雷达图谱数据。
4.根据权利要求3所述的一种针对三维探地雷达图谱的道路病害分类方法,其特征在于,所述端到端双塔模型的构建步骤如下:首先,在单个视图上训练单独的特征提取器,且各所述特征提取器不进行参数共享;其次,将各视图特征图进行融合;最后,经过多层感知机和Softmax归一化操作后,输出道路病害类别预测结果。
5.根据权利要求3所述的一种针对三维探地雷达图谱的道路病害分类方法,其特征在于,在步骤3中,所述训练模型的过程如下:将所述多视图雷达图谱数据集同时输入所述端到端双塔模型,并且根据各视图上的病害特征判断病害类别与所述端到端双塔模型预测结果计算损失函数,更新所述训练模型的参数。
6.根据权利要求1所述的一种针对三维探地雷达图谱的道路病害分类方法,其特征在于,所述多视图雷达图谱数据包括:主视图、俯视图、后视图、仰视图、左视图、右视图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370100.3A CN113191391A (zh) | 2021-04-07 | 2021-04-07 | 一种针对三维探地雷达图谱的道路病害分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370100.3A CN113191391A (zh) | 2021-04-07 | 2021-04-07 | 一种针对三维探地雷达图谱的道路病害分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191391A true CN113191391A (zh) | 2021-07-30 |
Family
ID=76974779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110370100.3A Pending CN113191391A (zh) | 2021-04-07 | 2021-04-07 | 一种针对三维探地雷达图谱的道路病害分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191391A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837163A (zh) * | 2021-11-29 | 2021-12-24 | 深圳大学 | 一种基于三维探地雷达的隧道监测方法、系统以及存储介质 |
CN114612791A (zh) * | 2022-05-11 | 2022-06-10 | 西南民族大学 | 一种基于改进注意力机制的目标检测方法及装置 |
CN116881782A (zh) * | 2023-06-21 | 2023-10-13 | 清华大学 | 路面病害识别方法、装置、计算机设备和存储介质 |
CN116973914A (zh) * | 2023-09-06 | 2023-10-31 | 哈尔滨工业大学 | 一种基于三维探地雷达的道路隐蔽病害三维重构方法 |
CN117173618A (zh) * | 2023-09-06 | 2023-12-05 | 哈尔滨工业大学 | 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法 |
CN117692448A (zh) * | 2024-02-02 | 2024-03-12 | 深圳安德空间技术有限公司 | 针对三维探地雷达探测地下空间的远程实时监控方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222729A (zh) * | 2019-05-15 | 2019-09-10 | 西安交通大学 | 一种基于改进深度残差网络的三维cad模型智能分类方法 |
CN110245642A (zh) * | 2019-06-21 | 2019-09-17 | 北京市市政工程研究院 | 一种基于深度学习的雷达图谱识别方法及系统 |
CN111144474A (zh) * | 2019-12-25 | 2020-05-12 | 昆明理工大学 | 基于多视图、多尺度、多任务肺结节分类方法 |
CN111611972A (zh) * | 2020-06-01 | 2020-09-01 | 南京信息工程大学 | 基于多视图多任务集成学习的作物叶片种类识别方法 |
CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
-
2021
- 2021-04-07 CN CN202110370100.3A patent/CN113191391A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222729A (zh) * | 2019-05-15 | 2019-09-10 | 西安交通大学 | 一种基于改进深度残差网络的三维cad模型智能分类方法 |
CN110245642A (zh) * | 2019-06-21 | 2019-09-17 | 北京市市政工程研究院 | 一种基于深度学习的雷达图谱识别方法及系统 |
CN111144474A (zh) * | 2019-12-25 | 2020-05-12 | 昆明理工大学 | 基于多视图、多尺度、多任务肺结节分类方法 |
CN111611972A (zh) * | 2020-06-01 | 2020-09-01 | 南京信息工程大学 | 基于多视图多任务集成学习的作物叶片种类识别方法 |
CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837163A (zh) * | 2021-11-29 | 2021-12-24 | 深圳大学 | 一种基于三维探地雷达的隧道监测方法、系统以及存储介质 |
CN114612791A (zh) * | 2022-05-11 | 2022-06-10 | 西南民族大学 | 一种基于改进注意力机制的目标检测方法及装置 |
CN114612791B (zh) * | 2022-05-11 | 2022-07-29 | 西南民族大学 | 一种基于改进注意力机制的目标检测方法及装置 |
CN116881782A (zh) * | 2023-06-21 | 2023-10-13 | 清华大学 | 路面病害识别方法、装置、计算机设备和存储介质 |
CN116973914A (zh) * | 2023-09-06 | 2023-10-31 | 哈尔滨工业大学 | 一种基于三维探地雷达的道路隐蔽病害三维重构方法 |
CN117173618A (zh) * | 2023-09-06 | 2023-12-05 | 哈尔滨工业大学 | 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法 |
CN117173618B (zh) * | 2023-09-06 | 2024-04-30 | 哈尔滨工业大学 | 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法 |
CN117692448A (zh) * | 2024-02-02 | 2024-03-12 | 深圳安德空间技术有限公司 | 针对三维探地雷达探测地下空间的远程实时监控方法及系统 |
CN117692448B (zh) * | 2024-02-02 | 2024-04-26 | 深圳安德空间技术有限公司 | 针对三维探地雷达探测地下空间的远程实时监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191391A (zh) | 一种针对三维探地雷达图谱的道路病害分类方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN109993082B (zh) | 卷积神经网络道路场景分类与道路分割方法 | |
CN106228125B (zh) | 基于集成学习级联分类器的车道线检测方法 | |
CN112561146A (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
CN111127449A (zh) | 一种基于编码器-解码器的自动化裂缝检测方法 | |
CN104134068B (zh) | 基于稀疏编码的监控车辆特征表示及分类方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及系统 | |
CN110766046A (zh) | 一种双通道卷积神经网络集成学习的空气质量测量方法 | |
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 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
Ren et al. | YOLOv5s-M: A deep learning network model for road pavement damage detection from urban street-view imagery | |
CN112365476A (zh) | 一种基于双通路深度网络的雾天能见度检测方法 | |
CN113378792B (zh) | 融合全局和局部信息的弱监督宫颈细胞图像分析方法 | |
CN113870160A (zh) | 一种基于变换器神经网络的点云数据处理方法 | |
CN110853021B (zh) | 一种病理鳞状上皮细胞的检测分类模型的构建 | |
CN117237559A (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
CN104463207A (zh) | 知识自编码网络及其极化sar影像地物分类方法 | |
Wang et al. | Feature extraction and segmentation of pavement distress using an improved hybrid task cascade network | |
CN111160483B (zh) | 一种基于多分类器融合模型的网络关系类型预测方法 | |
CN115497006B (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
CN116630683A (zh) | 一种基于扩散的自适应特征提取的道路损伤检测方法 | |
CN116434075A (zh) | 基于多级伪关系学习的光学遥感影像地物分类方法 | |
CN115273645A (zh) | 一种室内面要素自动聚类的地图制图方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |
|
RJ01 | Rejection of invention patent application after publication |