CN113192084A - 一种基于机器视觉的公路边坡微小位移形变监测方法 - Google Patents
一种基于机器视觉的公路边坡微小位移形变监测方法 Download PDFInfo
- Publication number
- CN113192084A CN113192084A CN202110497123.0A CN202110497123A CN113192084A CN 113192084 A CN113192084 A CN 113192084A CN 202110497123 A CN202110497123 A CN 202110497123A CN 113192084 A CN113192084 A CN 113192084A
- Authority
- CN
- China
- Prior art keywords
- lightweight
- crack
- network model
- segmentation
- machine vision
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000010606 normalization Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 abstract description 10
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013341 scale-up Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06F18/241—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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的公路边坡微小形变位移监测方法,属于图像识别技术领域。本发明包括以下四个步骤:构建基于公路边坡图像的轻量级裂缝分割网络模型;训练轻量级裂缝分割网络模型;将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型;轻量级裂缝分割网络模型对输入图片进行自动的分割。本发明充分利用了卷积神经网络在图像分割领域内展现的优势,将逐通道卷积与空洞卷积的思想相结合,在保证分割性能的前提下,通过减少参数量,有效降低了标准卷积运算的复杂度及网络深度,为设备集成与实际应用提供了可能性。
Description
技术领域
本发明涉及图像识别技术领域,具体为一种基于机器视觉的公路边坡微小位移形变监测方法。
背景技术
机器视觉是一种用机器代替人眼来进行测量和判断的技术,近年来,随着深度学习技术的发展,机器视觉技术也在各个领域取得了突破性的进展,卷积神经网络CNN(Convolutional Neural Network)作为深度学习最热门的方法之一,在面对大数据量、复杂数据时,识别性能已远远超越了传统的图像识别方法,因此,在机器视觉领域得到了广泛的应用,并取得了十分显著的效果。
卷积神经网络是一种以卷积运算为核心的深度前馈神经网络,卷积是一种特殊的线性运算,卷积网络是指在网络中至少有一层是利用卷积运算来代替一般的矩阵乘法运算的神经网络,CNN具有两大特点:一是网络结构中至少包含一层用来提取特征的卷积层,二是其卷积层通过权值共享的方式进行工作,降低了网络的复杂性。
公路边坡形变位移的监测可以用图像分割的方式来建模,即将公路边坡图片中的裂缝进行分割,通过持续性的观测计算边坡的形变位移量,卷积神经网络通过对海量数据的学习,能够更加精准地学习目标物体的特征,从而达到分割的目的,但针对公路边坡图片中裂缝的分割任务,现有的卷积神经网络模型不具备针对性,直接应用时分割效果有待提升;此外,现有的卷积神经网络分割模型显存占用较高,难以实际部署,考虑到以上问题,设计了专门用于对公路边坡图像中的裂缝进行分割且便于部署的轻量级分割网络,以实现公路边坡微小形变位移的监测。
发明内容
本发明要解决的技术问题是在进行公路边坡形变位移的监测时,人工巡查方法易受主观因素影响、传感器方法成本高且难以维护、现有卷积神经网络的方法针对性差且难以部署。为此,构建了轻量级的公路边坡裂缝分割模型,实现了基于机器视觉的公路边坡微小形变位移监测。
目前,公路边坡的位移形变监测多数仍采用人工定期巡查监测的方式,个别路段的边坡采用了现场埋设位移传感器的方式,这些监测方式存在以下缺点:
(1)人工巡查监测受天气、地形和人的主观感觉等因素影响较大,恶劣天气情况下无法监测,会出现监测真空期;
(2)现场埋设位移传感器的方法需要以边坡断面为单位布设传感器,整个边坡监测的初期投资较高,且部分公路边坡受空间、地形、沿途特性等因素影响,施工和后期维护都比较困难,这些因素都导致了大部分公路边坡无法全面、长期、持续监测,建设管理单位缺少有效技术手段来保障公路边坡安全。
为实现上述目的,本发明提供如下技术方案:
一种基于机器视觉的公路边坡微小位移形变监测方法,包括以下四个步骤:
步骤一:所述构建基于公路边坡图像的轻量级裂缝分割网络模型;
步骤二:所述训练轻量级裂缝分割网络模型;
步骤三:所述将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型;
步骤四:所述轻量级裂缝分割网络模型对输入图片进行自动的分割。
进一步,所述轻量级裂缝分割网络模型主要包含编码部分和解码部分,编码部分和解码部分均包含四个阶段模块,各部分每个模块结构相似,其输出尺度存在不同。
进一步,所述轻量级裂缝分割网络模型编码部分每个阶段模块包含卷积层、批归一化层及激活函数层用于对输入的图像进行特征提取,逐级降低特征图尺寸以节省计算量,逐级提高特征图通道数以提高特征的灵活性。
进一步,所述轻量级裂缝分割网络模型解码部分每个阶段模块主要由上采样单元Up-Conv和final Up-Conv构成,Up-Conv包括一层用于改变通道数的1x1卷积层、批归一化层以及激活函数层,并使用3x3的空洞卷积用于特征的解析,final Up-Conv结构相似,在模型的最后使用用于输出分割结果,其使用普通的3x3卷积代替空洞卷积避免特征损失,以实现更加精细的图像特征重现。
进一步,所述训练轻量级裂缝分割模型的具体方法包括有获取经过人工标注的公路边坡裂缝数据训练集、对数据集中的数据进行预处理、将经过预处理的数据输入到轻量级裂缝分割网络模型进行训练。
进一步,所述对数据集中的云图数据进行预处理的具体方法包括有对所述训练云图进行尺度归一化处理、对所述经过归一化处理后的训练图像进行随机伽马变换、旋转、模糊、加噪等操作并保存数据以扩增数据量。
进一步,所述将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型在网络中进行特征提取等操作。
进一步,所述轻量级裂缝分割模型对输入图片进行自动的分割具体方法包括有输入图片经过网络后输出为二通道特征图,两个通道分别代表对当前像素是否划分为裂缝以及非裂缝的概率,取较大值为分割结果完成边坡图像的自动分割。
与现有技术相比,本发明的有益效果是:
1、采用所设计的轻量级裂缝分割网络模型可以根据边坡裂缝图像的特点进行更具针对性的分割,有效解决了人工巡查方法易受主观因素影响、传感器方法成本高且难以维护、现有卷积神经网络的方法针对性差的问题。
2、创新性的构建了包含多个阶段性模块的编码部分和解码部分,并由编码部分和解码部分构建了轻量级裂缝分割网络模型,在保证了网络能进行高精度分割的前提下,有效降低了网络参数量,减少了参数运算,所构建的轻量级裂缝分割网络模型更适用于实际部署。
附图说明
图1是本发明提供的基于机器视觉的公路边坡微小位移形变监测方法的流程示意图;
图2是本发明的轻量级裂缝分割网络模型的网络结构示意图;
图3是本发明的轻量级裂缝分割网络模型的上采样单元示意图;
图4是本发明的轻量级裂缝分割网络模型的网络结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
请参阅图1,本发明提供的实施例:一种基于机器视觉的公路边坡微小位移形变监测方法,包括以下四个步骤:
步骤一:所述构建基于公路边坡图像的轻量级裂缝分割网络模型;
基于“Encoder-Decoder”思想进行网络的构建,模型包括编码部分以及解码部分。
进一步,输入图像首先经过一层卷积核池化进行特征的粗提取,然后经过模型的编码部分进行尺度降采样和特征提取,获得特征图;最后特征图经过解码部分进行尺度上采样和特征的解析,并输出图像分割结果。
进一步,编码部分包括四个阶段性模块,每个模块都通过堆叠卷积层、激活层、批归一化层以及池化层实现,其中卷积层用于实现特征的提取,激活层用于避免多层卷积层退化为一层,批归一化层用于保证训练的稳定性,池化层用于降低输入图像的尺度,减少计算量。
进一步,解码部分也包含四个阶段性模块,每个模块以前一个模块的输出以及其对应的一个编码阶段模块的输出作为输入进行特征的解析以及尺度上采样,额外的,第一个阶段模块以编码部分最终输出和一个编码阶段模块的输出作为输入,解码部分的每个阶段模块主要由上采样单元Up-Conv构成,其输出经过最后的final Up-Conv生成分割结果,Up-Conv单元采用膨胀卷积来降低模型的参数量及运算复杂度,final Up-Conv单元以3x3卷积代替膨胀卷积从而避免了特征损失,以实现更加精细的图像特征重现。
步骤二:所述训练轻量级裂缝分割网络模型;
训练轻量级裂缝分割网络模型的具体步骤为:获取经过人工标注的公路边坡裂缝数据训练集;对数据集中的数据进行预处理;将经过预处理的数据输入到轻量级裂缝分割网络模型进行训练。
进一步,对训练数据集中的数据进行预处理的具体方法为:对训练集中的图片进行归一化处理;对训练图片进行数据增强(包括随机伽马变换、旋转、模糊、加噪等)。
进一步,在训练网络模型时,选用二值交叉熵作为损失函数,优化器为Adam,网络训练的batch_size设置为32,epoch设置为100000,输入尺寸为512x512,初始学习率为0.01,利用自适应学习率在训练速度和精度之间找到平衡,引入了早停机制,当连续迭代100次验证损失没有减少时就停止训练。
步骤三:所述将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型;
步骤四:所述轻量级裂缝分割网络模型对输入图片进行自动的分割。
轻量级裂缝分割网络模型的输出为二通道特征图,两个通道分别代表对当前像素是否划分为裂缝以及非裂缝的概率,取较大值为分割结果完成边坡图像的自动分割。
进一步,轻量级裂缝分割网络模型主要包含编码部分和解码部分,编码部分和解码部分均包含四个阶段模块,各部分每个模块结构相似,其输出尺度存在不同。
进一步,轻量级裂缝分割网络模型编码部分每个阶段模块包含卷积层、批归一化层及激活函数层用于对输入的图像进行特征提取,逐级降低特征图尺寸以节省计算量,逐级提高特征图通道数以提高特征的灵活性。
进一步,轻量级裂缝分割网络模型解码部分每个阶段模块主要由上采样单元Up-Conv和final Up-Conv构成,Up-Conv包括一层用于改变通道数的1x1卷积层、批归一化层以及激活函数层,并使用3x3的空洞卷积用于特征的解析,final Up-Conv结构相似,在模型的最后使用用于输出分割结果,其使用普通的3x3卷积代替空洞卷积避免特征损失,以实现更加精细的图像特征重现。
进一步,训练轻量级裂缝分割模型的具体方法包括有获取经过人工标注的公路边坡裂缝数据训练集、对数据集中的数据进行预处理、将经过预处理的数据输入到轻量级裂缝分割网络模型进行训练。
进一步,对数据集中的云图数据进行预处理的具体方法包括有对所述训练云图进行尺度归一化处理、对所述经过归一化处理后的训练图像进行随机伽马变换、旋转、模糊、加噪等操作并保存数据以扩增数据量。
进一步,将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型在网络中进行特征提取等操作。
进一步,轻量级裂缝分割模型对输入图片进行自动的分割具体方法包括有输入图片经过网络后输出为二通道特征图,两个通道分别代表对当前像素是否划分为裂缝以及非裂缝的概率,取较大值为分割结果完成边坡图像的自动分割。
实施例2
一、一种基于机器视觉的公路边坡微小位移形变监测方法:
具体而言,基于机器视觉的公路边坡微小位移形变监测方法的流程如图1所示,包括以下步骤:
步骤一:构建轻量级裂缝分割网络模型。
步骤二:训练轻量级裂缝分割网络模型。
步骤三:将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型。
步骤四:轻量级裂缝分割网络模型对对输入图片进行自动的分割。
对于步骤一:构建轻量级裂缝分割网络模型。
在本发明中,构建轻量级裂缝分割网络模型的网络结构设计如图4所示,示意图如图2所示,主要包括编码部分和解码部分,并且在进入编码部分前需要首先经过一个卷积层和池化层进行特征的粗提取。
卷积层:在轻量级裂缝分割网络模型的输入部分卷积层(卷积层1)及编码输出部分的卷积层(卷积层2)均采用1×1大小的卷积核,卷积层1的主要作用是在不改变输出图像宽度和高度的前提下增大输出通道数,实现数据的升维,并搭配池化层完成图像特征的粗提取,卷积层2的主要作用是在不改变输出特征图宽度和高度的前提下减小输出通道数,实现数据的降维,减少参数量。
池化层:输入端包含一个最大池化层,主要用于特征降维,压缩数据和参数的数量,减小过拟合,同时提高模型的容错性。
编码部分(编码阶段1-4):4个编码阶段模块的网络结构相似,均由特征提取单元与降采样单元构成,区别在于每个子网络中特征提取单元的重复次数不同。
解码部分(解码阶段1-4):解码部分包括4个结构相似的解码阶段模块以及最终用于输出分割结果的上采样模块,这些模块主要由上采样单元构成。
上采样单元:上采样单元的结构如图3所示,包括在解码阶段模块中的Up-Conv和用于输出结果的final Up-Conv。
Up-Conv包括一层由1x1卷积核构成的卷积层,用于改变数据的通道数量,以获得更灵活的模型变换能力并适应性的调整参数数量和计算量,然后是批归一化(BN)层及激活函数层(ReLU)。
BN层保证可以在网络模型训练时选择较大的学习率,从而使得模型的收敛速度加快,降低网络训练时间,同时,可以在每一层之前将数据彻底打乱以提高精度并改善正则化策略,有效避免过拟合等情况的发生。
ReLU层则用于避免多层卷积退化为一层,并为模型提供更多的非线性能力,然后时上采样层,使用上采样层而非反卷积的方式实现特征图的尺度上变换,可以在一定程度上缓解图片分割中的块效应,最后是卷积核大小为3x3的空洞卷积层,3x3的空洞卷积可以达到和5x5的普通卷积相同的感受野,保证了模型的特征提取能力,同时大幅度降低了参数量,final Up-Conv和Up-Conv的结构类似,以普通的3x3卷积代替了膨胀卷积从而避免了特征的损失,以实现更加精细化的特征重现。
此外,考虑到在Up-Conv单元中利用深度卷积可能会带来一定的特征损失,在与编码部分进行对应的通道合并时,选用了concatente聚合方法,使得描述图像的图像的特征大幅度增加,弥补了深度卷积所带来的特征损失。
对于步骤二:训练轻量级裂缝分割网络模型。
训练轻量级裂缝分割网络模型的具体步骤为:
1、获取经过人工标注的公路边坡裂缝数据训练集;
2、对数据集中的数据进行预处理;
3、将经过预处理的数据输入到轻量级裂缝分割网络模型进行训练。
训练轻量级裂缝分割网络模型中,首先获取经过人工标注的公路边坡裂缝数据训练集。
对数据集中的数据进行预处理的具体方法是指对图片进行归一化处理及图像增强处理,归一化使得图片分辨率统一为512x512大小,图像增强包括随机伽马变换、旋转、模糊、加噪等操作,目的是在保证图像特征不变的情况下,扩增数据量,以达到更优的网络训练效果,避免过拟合。
将经过预处理的数据输入到通过步骤一建立的轻量级裂缝分割网络模型进行训练,选用交叉熵函数作为损失函数,优化器为Adam,设置迭代次数为100000、批处理量为32、初始学习率为0.01,利用自适应学习率在训练速度和精度之间找到平衡,引入了早停机制,当连续迭代100次验证损失没有减少时就停止训练。
对于步骤三:将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型。
将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型,在网络中进行特征提取等操作。
对于步骤四:轻量级裂缝分割网络模型对输入图片进行自动的分割。
轻量级裂缝分割网络模型的输出为二通道特征图,两个通道分别代表对当前像素是否划分为裂缝以及非裂缝的概率,取较大值为分割结果完成边坡图像的自动分割。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种基于机器视觉的公路边坡微小位移形变监测方法,其特征在于:包括以下四个步骤:
步骤一:所述构建基于公路边坡图像的轻量级裂缝分割网络模型;
步骤二:所述训练轻量级裂缝分割网络模型;
步骤三:所述将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型;
步骤四:所述轻量级裂缝分割网络模型对输入图片进行自动的分割。
2.根据权利要求1所述的一种基于机器视觉的公路边坡微小位移形变监测方法,其特征在于:所述轻量级裂缝分割网络模型主要包含编码部分和解码部分,编码部分和解码部分均包含四个阶段模块,各部分每个模块结构相似,其输出尺度存在不同。
3.根据权利要求2所述的一种基于机器视觉的公路边坡微小位移形变监测方法,其特征在于:所述轻量级裂缝分割网络模型编码部分每个阶段模块包含卷积层、批归一化层及激活函数层用于对输入的图像进行特征提取,逐级降低特征图尺寸以节省计算量,逐级提高特征图通道数以提高特征的灵活性。
4.根据权利要求3所述的一种基于机器视觉的公路边坡微小位移形变监测方法,其特征在于:所述轻量级裂缝分割网络模型解码部分每个阶段模块主要由上采样单元Up-Conv和final Up-Conv构成,Up-Conv包括一层用于改变通道数的1x1卷积层、批归一化层以及激活函数层,并使用3x3的空洞卷积用于特征的解析,final Up-Conv结构相似,在模型的最后使用用于输出分割结果,其使用普通的3x3卷积代替空洞卷积避免特征损失,以实现更加精细的图像特征重现。
5.根据权利要求4所述的一种基于机器视觉的公路边坡微小位移形变监测方法,其特征在于:所述训练轻量级裂缝分割模型的具体方法包括有获取经过人工标注的公路边坡裂缝数据训练集、对数据集中的数据进行预处理、将经过预处理的数据输入到轻量级裂缝分割网络模型进行训练。
6.根据权利要求5所述的一种基于机器视觉的公路边坡微小位移形变监测方法,其特征在于:所述对数据集中的云图数据进行预处理的具体方法包括有对所述训练云图进行尺度归一化处理、对所述经过归一化处理后的训练图像进行随机伽马变换、旋转、模糊、加噪等操作并保存数据以扩增数据量。
7.根据权利要求6所述的一种基于机器视觉的公路边坡微小位移形变监测方法,其特征在于:所述将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型在网络中进行特征提取等操作。
8.根据权利要求7所述的一种基于机器视觉的公路边坡微小位移形变监测方法,其特征在于:所述轻量级裂缝分割模型对输入图片进行自动的分割具体方法包括有输入图片经过网络后输出为二通道特征图,两个通道分别代表对当前像素是否划分为裂缝以及非裂缝的概率,取较大值为分割结果完成边坡图像的自动分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497123.0A CN113192084A (zh) | 2021-05-07 | 2021-05-07 | 一种基于机器视觉的公路边坡微小位移形变监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497123.0A CN113192084A (zh) | 2021-05-07 | 2021-05-07 | 一种基于机器视觉的公路边坡微小位移形变监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113192084A true CN113192084A (zh) | 2021-07-30 |
Family
ID=76984437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110497123.0A Pending CN113192084A (zh) | 2021-05-07 | 2021-05-07 | 一种基于机器视觉的公路边坡微小位移形变监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192084A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742827A (zh) * | 2021-09-03 | 2021-12-03 | 招商局重庆交通科研设计院有限公司 | 一种基于有限差分分析的公路边坡监测网络体系构建方法 |
CN116022196A (zh) * | 2023-02-13 | 2023-04-28 | 山东大学 | 一种基于计算机视觉的轨道变形监测系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
CN208701717U (zh) * | 2018-08-22 | 2019-04-05 | 中国路桥工程有限责任公司 | 一种公路生态环境边坡恢复装置 |
CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的淋巴结检测方法 |
CN110929602A (zh) * | 2019-11-09 | 2020-03-27 | 北京工业大学 | 一种基于卷积神经网络的地基云图云状识别方法 |
CN111274986A (zh) * | 2020-02-10 | 2020-06-12 | 青岛联合创智科技有限公司 | 一种基于图像分析的菜品识别分类方法 |
US20200272825A1 (en) * | 2019-05-27 | 2020-08-27 | Beijing Dajia Internet Information Technology Co., Ltd. | Scene segmentation method and device, and storage medium |
CN111899249A (zh) * | 2020-08-05 | 2020-11-06 | 吉林大学 | 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法 |
CN112348770A (zh) * | 2020-09-09 | 2021-02-09 | 陕西师范大学 | 一种基于多分辨率卷积网络的桥梁裂缝检测方法 |
CN112711033A (zh) * | 2020-12-09 | 2021-04-27 | 中科视语(北京)科技有限公司 | 边坡安全监测预警装置和预警方法 |
CN115661034A (zh) * | 2022-09-22 | 2023-01-31 | 北京工业大学 | 基于机器视觉的公路边坡微小位移形变监测方法 |
-
2021
- 2021-05-07 CN CN202110497123.0A patent/CN113192084A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
CN208701717U (zh) * | 2018-08-22 | 2019-04-05 | 中国路桥工程有限责任公司 | 一种公路生态环境边坡恢复装置 |
CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的淋巴结检测方法 |
US20200272825A1 (en) * | 2019-05-27 | 2020-08-27 | Beijing Dajia Internet Information Technology Co., Ltd. | Scene segmentation method and device, and storage medium |
CN110929602A (zh) * | 2019-11-09 | 2020-03-27 | 北京工业大学 | 一种基于卷积神经网络的地基云图云状识别方法 |
CN111274986A (zh) * | 2020-02-10 | 2020-06-12 | 青岛联合创智科技有限公司 | 一种基于图像分析的菜品识别分类方法 |
CN111899249A (zh) * | 2020-08-05 | 2020-11-06 | 吉林大学 | 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法 |
CN112348770A (zh) * | 2020-09-09 | 2021-02-09 | 陕西师范大学 | 一种基于多分辨率卷积网络的桥梁裂缝检测方法 |
CN112711033A (zh) * | 2020-12-09 | 2021-04-27 | 中科视语(北京)科技有限公司 | 边坡安全监测预警装置和预警方法 |
CN115661034A (zh) * | 2022-09-22 | 2023-01-31 | 北京工业大学 | 基于机器视觉的公路边坡微小位移形变监测方法 |
Non-Patent Citations (7)
Title |
---|
SOUMYABRATA DEV等: "CloudSegNet: A Deep Network for Nychthemeron Cloud Image Segmentation", 《ARXIV:1904.07979》, 16 April 2019 (2019-04-16), pages 1 - 5 * |
VIJAY BADRINARAYANAN等: "SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, vol. 39, no. 12, 2 January 2017 (2017-01-02), pages 2481 - 2495, XP055942927, DOI: 10.1109/TPAMI.2016.2644615 * |
YAOYAO LI等: "The Identification of Slope Crack Based on Convolutional Neural Network", 《ADVANCES IN ARTIFICIAL INTELLIGENCE AND SECURITY7TH INTERNATIONAL CONFERENCE》, 29 June 2021 (2021-06-29), pages 16 - 26 * |
傅宇浩等: "基于计算机视觉的公路边坡裂缝检测方法", 《测控技术》, vol. 40, no. 05, 18 May 2021 (2021-05-18), pages 62 - 66 * |
房春瑶: "基于轻量级卷积神经网络的云状和云量识别技术研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》, no. 2021, 15 June 2021 (2021-06-15), pages 009 - 60 * |
束景晓等: "基于深层卷积神经网络的公路边坡灾害识别研究", 《公路交通科技(应用技术版)》, vol. 13, no. 10, 15 October 2017 (2017-10-15), pages 70 - 74 * |
瞿中等: "基于全U网络的混凝土路面裂缝检测算法", 《计算机科学》, vol. 48, no. 04, 5 November 2020 (2020-11-05), pages 187 - 191 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742827A (zh) * | 2021-09-03 | 2021-12-03 | 招商局重庆交通科研设计院有限公司 | 一种基于有限差分分析的公路边坡监测网络体系构建方法 |
CN113742827B (zh) * | 2021-09-03 | 2023-05-19 | 招商局重庆交通科研设计院有限公司 | 一种基于有限差分分析的公路边坡监测网络体系构建方法 |
CN116022196A (zh) * | 2023-02-13 | 2023-04-28 | 山东大学 | 一种基于计算机视觉的轨道变形监测系统 |
CN116022196B (zh) * | 2023-02-13 | 2023-11-03 | 山东大学 | 一种基于计算机视觉的轨道变形监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369563B (zh) | 一种基于金字塔空洞卷积网络的语义分割方法 | |
CN113362223B (zh) | 基于注意力机制和双通道网络的图像超分辨率重建方法 | |
CN112991354B (zh) | 一种基于深度学习的高分辨率遥感影像语义分割方法 | |
CN113159173B (zh) | 一种结合剪枝与知识蒸馏的卷积神经网络模型压缩方法 | |
CN112001847A (zh) | 相对生成对抗超分辨率重建模型生成高质量图像的方法 | |
CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
CN115661034A (zh) | 基于机器视觉的公路边坡微小位移形变监测方法 | |
CN113192084A (zh) | 一种基于机器视觉的公路边坡微小位移形变监测方法 | |
CN112862689A (zh) | 一种图像超分辨率重建方法及系统 | |
CN116416497B (zh) | 一种轴承故障诊断系统及方法 | |
CN110084181B (zh) | 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法 | |
CN114022770A (zh) | 基于改进自注意力机制与迁移学习的山体裂缝检测方法 | |
CN112967327A (zh) | 基于联合自注意力机制的单目深度方法 | |
CN111861884A (zh) | 一种基于深度学习的卫星云图超分辨率重建方法 | |
CN110991317A (zh) | 一种基于多尺度透视感知型网络的人群计数方法 | |
CN116416237A (zh) | 基于改进YOLOv5与模糊图像增强的输电线路缺陷检测方法 | |
CN114155210A (zh) | 基于注意力机制与标准化密集空洞空间多尺度融合网络的人群计数方法 | |
CN114972753A (zh) | 基于上下文信息聚合和辅助学习的轻量级语义分割方法及系统 | |
CN110264483B (zh) | 一种基于深度学习的语义图像分割方法 | |
CN115272677A (zh) | 一种多尺度特征融合的语义分割方法、设备及存储介质 | |
CN112308087B (zh) | 基于动态视觉传感器的一体化成像识别方法 | |
CN112634168A (zh) | 一种结合边缘信息的图像修复方法 | |
CN117116096A (zh) | 基于多通道交通图像与深度cnn的机场延误预测方法及系统 | |
CN111950519A (zh) | 基于检测与密度估计的双列卷积神经网络人群计数方法 |
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 |