CN113312987B - 一种基于无人机航拍路面裂缝图像的识别方法 - Google Patents
一种基于无人机航拍路面裂缝图像的识别方法 Download PDFInfo
- Publication number
- CN113312987B CN113312987B CN202110510136.7A CN202110510136A CN113312987B CN 113312987 B CN113312987 B CN 113312987B CN 202110510136 A CN202110510136 A CN 202110510136A CN 113312987 B CN113312987 B CN 113312987B
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- unmanned aerial
- aerial vehicle
- cracks
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 18
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 16
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000007726 management method Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机航拍路面裂缝图像的识别方法,首先根据无人机航拍图像的质量要求,计算所需的飞行参数,然后完成飞行路径规划,完成基于无人机的路面裂缝图像收集,对收集到的图像进行预处理,对航拍的小尺度裂缝进行针对性的增强,最后根据FasterRCNN网络模型,完成路面裂缝的识别与定位,并以文档形式输出病害的类别及位置,为养护管理工作提供依据。本发明提高了识别精度。
Description
技术领域
本发明涉及道路工程检测养护领域。
背景技术
随着我国经济的发展,我国的道路里程在不断增加,截止到2019年末,全国公路总里程501.25万公里,公路密度52.21公里/百平方公里。道路建设规模越来越大,随着道路使用年限的增加,公路路面也不断出现各种路面病害,路面的检测养护工作日益繁重。路面出现的病害不但影响道路的使用性能,还会产生交通安全事故。路面的裂缝、坑槽、车辙等病害的日益发展,会不断地缩短道路的使用年限,增加养护维修费用。因此,及时检测修护病害十分重要。如何实时动态地进行路面病害的检测至关重要,只有在充分掌握了路面病害的具体信息之后,才能针对特定的病害进行专门的维修养护工作,以保证道路在设计使用年限内完成预定的功能。
目前的路面病害检测方法主要为人工目视结合多功能道路检测车综合评定路面的病害类型以及相应的破坏程度。人工目视的检测方法是最传统的检测方法,该方法检测效率较低,给出的路面病害评价具有主观性。并且人工检测需要封闭交通,不仅影响道路的正常使用,还会给道路检测人员带来安全隐患。道路检测车的出现提高了路面检测的效率,能够以一定的速度采集路面状况数据,但是完成全幅路段的检测还需要多车道采集数据,才能完成路段的检测任务。并且受到交通流的限制不能按照固定的速度在固定车道上进行检测任务,检测频率较低,不能实时定点多次巡检。因此目前我国急需一种灵活的、高频率的道路状况采集设备来完成路面检测养护工作。
随着无人机图像采集技术的不断进步,无人机被逐渐运用于桥梁、路基边坡检测、交通流数据统计等方面,能够快速高效地完成相应的功能。因此利用无人机航拍采集路面病害的图像完成路面检测成为可能。无人机不仅能够完成全幅路面的图像拍摄,还能进行定点巡查和补检,完全不受路面交通状况的限制。
发明内容
发明目的:为了解决上述现有技术存在的问题,本发明提供了一种基于无人机航拍路面裂缝图像的识别方法。
技术方案:本发明提供了一种基于无人机航拍路面裂缝图像的识别方法,具体包括如下步骤:
步骤1:确定无人机的飞行高度,无人机按照该飞行高度获取道路的路面裂缝图像;
步骤2:对图像数据集中的图像进行预处理,保留原始的图像和预处理后图像,从而实现对图像数据集的扩充;
步骤3:对扩充后的图像数据集中每个图像的裂缝进行标注,具体为:采用矩形框对图像中的裂缝进行定位,根据裂缝的种类为裂缝设置类别标签,并保存矩形框的坐标;
步骤4:将相对尺度小于预设阈值的裂缝认定为小目标裂缝,在标注后的图像数据集中选择若干个小目标裂缝进行增强;
步骤5:采用Faster RCNN模型对步骤4得到的图像数据集中的图像进行训练,得到训练好的Faster RCNN模型。
步骤6:采用训练好的Faster RCNN模型对图像中的裂缝进行分类和定位。
进一步的,所述步骤1中确定无人机的飞行高度H为:
H=f*GSD/a
其中,GSD为图像的地面分辨率,f为镜头焦距,a为像元尺寸。
进一步的,所述步骤2中采用如下任意一种或几种方法的结合对图像进行预处理:
方法一:使用几何变换对图像进行数据增强;
方法二:使用随机调整亮度对图像进行增强;
方法三:使用随机调整对比度对图像进行增强;
方法四:对图像添加高斯噪声和椒盐噪声;
方法五:对图像进行仿射变换。
进一步的,所述步骤4中的相对尺度relative scale为:
其中,widthgt为裂缝对应的矩形框的宽,heightgt为裂缝对应的矩形框的高,widthimage为裂缝对应的图像的宽,heightimage为裂缝对应的图像的宽。
进一步的,所述步骤4中对小目标裂缝进行增强具体为:针对选择的小目标裂缝在该小目标裂缝所属图像的范围内对该小目标裂缝进行复制粘贴,且复制粘贴后的小目标裂缝不覆盖图像中已经有的小目标裂缝。
进一步的,在Faster RCNN模型训练时,根据交并比IOU值调整Faster RCNN模型中预测框B,使得预测框B与图像中裂缝对应的矩形框A之间的距离小于预设的值,从而得到最优的预测框,所述IOU为:
有益效果:本发明能够利用无人机拍摄的路面图像检测多车道路面裂缝病害,有效提高了病害检测效率,减少路面检测对道路交通的影响。本发明采用小目标裂缝增强之后,提高了对模型loss值的贡献率,显著提高了路面裂缝的识别准确率,降低了裂缝的误检和漏检概率。在识别出裂缝后,能给出裂缝的类别和具体位置信息,为道路精准养护提供依据。
附图说明
图1是本发明的流程图。
图2是本发明提供的无人机飞行路径规划图,其中(a)为东南大学图书馆前的路径规划,(b)为绕城高速G2501的一段路径规划。
图3是本发明提供的路面裂缝数据增强图。
图4是本发明提供的人工使用labelImg标注路面病害实例图。
图5是本发明提供的小尺度裂缝增强图。其中(a)为航拍路面裂缝的原图,(b)为小尺度裂缝增强后的图。
图6是本发明提供的Faster RCNN网络结构示意图,其中(a)为Faster RCNN结构示意图,(b)为骨干网络Resnet50结构示意图。
图7是本发明提供的路面裂缝标定框IOU计算示例图。
图8是本发明提供的Faster RCNN模型预测结果图。
具体实施方式
构成本发明的一部分的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。
如图1所示,本实施例提供了一种基于无人机航拍路面裂缝图像的识别方法;具体步骤为:
步骤1:构建无人机路面图像采集平台,获取路面图像;
步骤2:图像数据集扩充;
步骤3:对图像中的裂缝进行手工标注,小目标裂缝增强;
步骤4:进行Faster RCNN模型的搭建和训练;
步骤5:路面裂缝分类及定位。
首先通过试验确定无人机的飞行状态、飞行参数以及相机参数等。具体包括相机的焦距,画幅;无人机的飞行高度,飞行角度以及飞行速度。为获取良好质量的无人机病害图像做准备。
无人机的飞行高度H为:
H=f*GSD/a
其中,GSD为图像的地面样本距离,f为镜头焦距,a为像元尺寸。
本实施例直接选取地面分辨率GSD为4mm/pixel。挂载相机的像素为2000W(5472*3648),焦距为28mm,传感器的尺寸为一英寸(12.8mm*9.6mm)。计算出来的无人机飞行高度为50m。飞行速度为4m/s。拍摄的路幅宽度为:0.004*5472=21.888m,0.004*3648=14.592m。在多云的天气下进行路面裂缝拍摄,以获得良好的光照条件,进一步提高图像数据集的质量。一些具体的飞行参数如表1所示。
表1无人机具体飞行参数
GSD | 飞行高度 | 飞行角度 | 飞行速度 |
4mm/pixel | 50m | 垂直俯拍 | 4m/s |
飞行试验验证。在飞行前还需要有前期准备工作,比如想要获取高速公路的路面图像时,需要明确禁飞区域,确保飞行合法性,保证航拍工作的安全。
本实施例设置道路起终点以及中间飞行控制点,完成按照航点飞行的轨迹规划,每个点之间以直线连接,完成无人机飞行。采集路面裂缝的路径如图2所示。
对于无人机采集的路面裂缝图像进行一个人工的筛选,剔除其中质量不好的数据(即模糊不清的),因为对于网络模型来说,最有效的提高图像识别精度的手段就是提高数据集质量。
由于训练数据有限,所以需要对进行整个图像数据集的增强,为了扩大模型训练的数据集,增加所有裂缝图像的数量,通过一些变换方式对裂缝图像进行预处理,增强模型鲁棒性。主要方法有:
(1)使用几何变换(平移、翻转、旋转)对图像进行数据增强;
(2)使用随机调整亮度对图像进行增强;
(3)使用随机调整对比度对图像进行增强;
(4)添加高斯噪声和椒盐噪声;
(5)对图像进行仿射变换。
目的是为了防止过拟合。本实施例采用平移,翻转和缩放三种方式来对数据集进行了扩充。最终得到1000张航拍路面裂缝图像作为数据集。图像增强变换后的效果如图3所示。
采用labelImg工具包进行航拍路面裂缝的标定。在本实施例中,将裂缝图像按照裂缝的形态分为横向裂缝(Transverse crack),纵向裂缝(Longitudinal crack),龟裂(Alligator crack)和块裂(Block crack)。采用矩形框进行裂缝的定位,设置类别标签,最后以xml文件保存矩形框坐标,完成手工标注过程。如果一个裂缝区域太大的话,可以选择用几个矩形框代替一个矩形框进行标定,以确保训练正负样本的数目正确该方法是基于训练的经验提出的。人工数据集标记如图4。
无人机航拍角度下的部分裂缝是很小的,不利于模型进行训练和识别,因此需要针对小目标的裂缝进行特殊的增强操作。
明确小目标尺度的定义,以物体检测领域的通用数据集COCO物体定义为例,小目标是指小于32×32个像素点。在本实施例中将相对尺度(relative scale)小于3%的裂缝定义为小目标裂缝。相对尺度(relative scale)计算如下:
其中:widthgt,heightgt为人工标注框的宽和高;widthimage,heightimage为整个图像的宽和高。当相对尺度(relative scale)结果小于3%,定义为小目标裂缝。
采用针对性目标增强的原因:检测框高宽比多变,甚至出现极端高宽比;目标尺度分布不均衡,小目标样本稀缺小;目标分辨率低,特征少,目标尺度跨度大,多尺度并存。需要对小尺度的进行增强,以提高对模型loss值的贡献率,以提高正确率,避免误检和漏检。
对于路面的修补而言,路面裂缝尺度很小,不能被模型精确识别。因此需要对航拍图中的小目标裂缝病害进行图像增强以增强数据集质量。首先由于小尺度的图像较少,并且小区域覆盖的面积较小,缺乏定位时多样性的背景训练。通过复制-粘贴(copy-paste)的抠图技术增强小尺度物体出现的次数和位置,以增多匹配的锚框,提高模型的泛化能力。
可以通过三种方法来完成小目标物体增强:
(1)选取一种类型的小目标裂缝(如横向裂缝)进行随机增强;
(2)选取几种(不少于一种)小目标目标裂缝进行随机增强;
(3)选取所有类型的小目标裂缝进行随机增强。
并且需要注意复制粘贴(copy-paste)后的裂缝分布,首先复制小目标裂缝,然后再进行图像的粘贴,注意不能覆盖已有的裂缝目标,不然会影响既有裂缝的识别检测,小目标增强图如图5所示。
为了实现裂缝的分类和定位,因此选取Faster RCNN网络模型进行路面裂缝的检测识别,如图6中的(a)所示,Faster RCNN为两阶段的识别分类模型,为Fast RCNN和RPN网络的结合体。首先主干提取网络(backbone)提取输入图片的特征,得到feature map(特征图)。此时feature map会输入RPN网络获取region proposal(区域建议框)。最后将regionproposal和feature map输入ROI pooling(池化感兴趣区域),得到proposal feature map(建议特征图)。最后通过全连接层输出分类和识别的结果。
本实施中采用Resnet50作为航拍路面裂缝图像的主干提取网络,如图6中的(b)所示,获取特征图feature map,利用RPN生成建议框,根据对IOU值进行非极大值抑制,得到预测框,不断对比人工标注框,使得预测框更加接近人工标注的框也既两者之间的距离小于预设值的值,直到得到最优结果。
其中:A表示人工标注的矩形框;B表示预测框。
通过计算的IOU值来进行预测框结果的调整。最开始对于feature map每个区域都会生成9个anchors(锚框),然后根据IOU的值计算确定训练的正负样本图像,增强模型的训练效果。
将原尺寸的航拍路面裂缝图调整为600*600*3的大小。输入600*600*3的航拍路面图,经过Resnet50提取之后得到38*38*1024大小的特征层(feature map)。该特征层会作为两个结构层的输入,相当于一个权值共享层。其中一个输入RPN获得建议框,另一个输入ROIpooling层,最后输出得到病害的类型和定位框。IOU计算交并比示意见图7。
参照Resnet50网络结构对于本专利的模型进行了更改,减少训练超参数,加快模型计算速度。输入input尺寸为600×600×3,各层参数及输出结果见表2。
表2该专利Resnet50网络具体参数
最后得到38*38*1024大小的feature map作为RPN网络输入。最后添加classifierlayer作为结果的输出,构成完整的Resnet50网络结构。
学习率太小导致收敛速度会很慢,学习率太大可能会导致不收敛。这个参数可以多次调整,分别训练,取一个最优的学习率。根据经验选取开始的学习率为10-4,然后每10个epoch学习率变为原来的1/2。训练的类别为5(4种裂缝类型+背景一共为5类)。利用已有的训练好的VOC2007数据集的训练权重作迁移学习,加快模型收敛。
随机梯度下降SGD作为优化器,MAE平均绝对误差作为损失函数。采用100个epoch(训练周期)进行训练,对1000张航拍的图像进行训练。
将训练好的权重H5文件放入log文件夹内,选取其中Loss损失函数值最小的权重进行预测,预测给出回归框bounding box、分类名及概率,完成航拍路面裂缝图像的识别,如图8所示。最后通过读取识别框,得到裂缝分类以及定位框的坐标信息,为养护管理提供依据。
采用Faster RCNN卷积神经网络进行路面裂缝图像的识别。Faster RCNN网络模型能够输出分类classification和定位regression结果,从而为养护管理提供依据。
最后结果显示,保存每条裂缝的类别、置信度概率得分以及预测框的坐标信息。由于采集的图像信息具有GPS信息,因此可以通过图像坐标反算得到实际的里程桩号,从而以文本形式输出道路裂缝的分类和桩号位置,完成道路裂缝破损程度的评价,从而为路面养护管理提供依据。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于无人机航拍路面裂缝图像的识别方法,其特征在于:具体包括如下步骤:
步骤1:确定无人机的飞行高度,无人机按照该飞行高度飞行,并获取道路的路面裂缝图像;
步骤2:对图像数据集中的图像进行预处理,保留原始的图像和预处理后图像,从而实现对图像数据集的扩充;
步骤3:对扩充后的图像数据集中每个图像的裂缝进行标注,具体为:采用矩形框对图像中的裂缝进行定位,根据裂缝的种类为裂缝设置类别标签,并保存矩形框的坐标;
步骤4:将相对尺度小于预设阈值的裂缝认定为小目标裂缝,在标注后的图像数据集中选择若干个小目标裂缝进行增强;
步骤5:采用Faster RCNN模型对步骤4得到的图像数据集中的图像进行训练,得到训练好的Faster RCNN模型;
步骤6:采用训练好的Faster RCNN模型对图像中的裂缝进行分类和定位;
所述步骤4中的相对尺度relative scale为:
其中,widthgt为裂缝对应的矩形框的宽,heightgt为裂缝对应的矩形框的高,widthimage为裂缝对应的图像的宽,heightimage为裂缝对应的图像的宽。
2.根据权利要求1所述的一种基于无人机航拍路面裂缝图像的识别方法,其特征在于:所述步骤1中确定无人机的飞行高度H为:
H=f**GSD/α
其中,GSD为图像的地面分辨率,f为镜头焦距,a为像元尺寸。
3.根据权利要求1所述的一种基于无人机航拍路面裂缝图像的识别方法,其特征在于:所述步骤2中采用如下任意一种或几种方法的结合对图像进行预处理:
方法一:使用几何变换对图像进行数据增强;
方法二:使用随机调整亮度对图像进行增强;
方法三:使用随机调整对比度对图像进行增强;
方法四:对图像添加高斯噪声和椒盐噪声;
方法五:对图像进行仿射变换。
4.根据权利要求1所述的一种基于无人机航拍路面裂缝图像的识别方法,其特征在于:所述步骤4中对小目标裂缝进行增强具体为:针对选择的小目标裂缝在该小目标裂缝所属图像的范围内对该小目标裂缝进行复制粘贴,且复制粘贴后的小目标裂缝不覆盖图像中已经有的小目标裂缝。
5.根据权利要求1所述的一种基于无人机航拍路面裂缝图像的识别方法,其特征在于:在Faster RCNN模型训练时,根据交并比IOU值调整Faster RCNN模型中预测框B,使得预测框B与图像中裂缝对应的矩形框A之间的距离小于预设的值,从而得到最优的预测框,所述IOU为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510136.7A CN113312987B (zh) | 2021-05-11 | 2021-05-11 | 一种基于无人机航拍路面裂缝图像的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510136.7A CN113312987B (zh) | 2021-05-11 | 2021-05-11 | 一种基于无人机航拍路面裂缝图像的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113312987A CN113312987A (zh) | 2021-08-27 |
CN113312987B true CN113312987B (zh) | 2024-04-16 |
Family
ID=77372954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110510136.7A Active CN113312987B (zh) | 2021-05-11 | 2021-05-11 | 一种基于无人机航拍路面裂缝图像的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113312987B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114812398B (zh) * | 2022-04-10 | 2023-10-03 | 同济大学 | 一种基于无人机的高精度实时裂缝检测平台 |
CN115050014A (zh) * | 2022-06-15 | 2022-09-13 | 河北农业大学 | 一种基于图像文本学习的小样本番茄病害识别系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN111553200A (zh) * | 2020-04-07 | 2020-08-18 | 北京农业信息技术研究中心 | 一种图像检测识别方法及装置 |
CN112287896A (zh) * | 2020-11-26 | 2021-01-29 | 山东捷讯通信技术有限公司 | 一种基于深度学习的无人机航拍图像目标检测方法及系统 |
-
2021
- 2021-05-11 CN CN202110510136.7A patent/CN113312987B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN111553200A (zh) * | 2020-04-07 | 2020-08-18 | 北京农业信息技术研究中心 | 一种图像检测识别方法及装置 |
CN112287896A (zh) * | 2020-11-26 | 2021-01-29 | 山东捷讯通信技术有限公司 | 一种基于深度学习的无人机航拍图像目标检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113312987A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103714343B (zh) | 线激光器照明条件下双线阵相机采集的路面图像拼接及匀化方法 | |
CN109767423B (zh) | 一种沥青路面图像的裂缝检测方法 | |
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 | |
CN112598672A (zh) | 一种基于深度学习的路面病害图像分割方法和系统 | |
CN112800911B (zh) | 一种路面损伤快速检测及自然数据集构建方法 | |
CN110246130B (zh) | 基于红外和可见光图像数据融合的机场道面裂缝检测方法 | |
CN111784657A (zh) | 一种基于数字图像的水泥路面病害自动识别的系统及方法 | |
CN113312987B (zh) | 一种基于无人机航拍路面裂缝图像的识别方法 | |
CN105160309A (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
US20220315243A1 (en) | Method for identification and recognition of aircraft take-off and landing runway based on pspnet network | |
WO2021083394A1 (zh) | 一种基于图谱灰度自适应选取的沥青路面水损害检测方法 | |
CN111288890A (zh) | 基于双目摄影测量技术的道路标志尺寸及高度自动测量方法 | |
CN113780200A (zh) | 基于计算机视觉的路面多种病害面积检测及定位方法 | |
Wei et al. | Damage inspection for road markings based on images with hierarchical semantic segmentation strategy and dynamic homography estimation | |
CN114419421A (zh) | 一种基于影像的地铁隧道裂缝识别系统及方法 | |
Xia | An approach for extracting road pavement disease from HD camera videos by deep convolutional networks | |
CN116229292A (zh) | 一种基于无人机路面巡检病害的巡检系统及方法 | |
CN114973116A (zh) | 一种自注意力特征嵌入夜间机场跑道异物检测方法与系统 | |
Zhang et al. | Research on Baidu street view road crack information extraction based on deep learning method | |
GB2556328A (en) | Street asset mapping | |
CN113538385A (zh) | 基于深度学习的隧道表观病害类型及等级判别方法 | |
CN111353481A (zh) | 基于激光点云与视频图像的道路障碍物识别方法 | |
CN114581771A (zh) | 一种高分异源遥感坍塌建筑物检测方法 | |
CN114529522A (zh) | 一种道路表观病害智能识别方法和系统 | |
Serafim et al. | Automated Detection of Defects and Vertical Signs on Roadways Using Images Produced by Drivers |
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 |