CN113450343A - 基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法 - Google Patents
基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法 Download PDFInfo
- Publication number
- CN113450343A CN113450343A CN202110811611.4A CN202110811611A CN113450343A CN 113450343 A CN113450343 A CN 113450343A CN 202110811611 A CN202110811611 A CN 202110811611A CN 113450343 A CN113450343 A CN 113450343A
- Authority
- CN
- China
- Prior art keywords
- crack
- sonar
- imaging
- image
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 201000010099 disease Diseases 0.000 title claims abstract description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000007306 turnover Effects 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000012634 optical imaging Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06T7/0002—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
- G06F18/24—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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法。包括：1、使用声呐采集含有裂缝成像特征和不含裂缝成像特征的声像图，并通过改变水平距离和俯仰角度参数采集不同裂缝成像特征的声像图。2、将采集的原始声呐图像经过裁剪、固定窗口切割等操作形成数据集。3、将数据集划分为训练集、验证集和测试集，并对训练集数据采用水平翻转方式进行数据增强。4、建立水下声呐裂缝图像识别的深度学习模型，采用步骤3中训练和验证集数据对模型进行训练，保存训练好的模型参数和权重。5、利用未经过训练和验证的测试集数据对模型进行测试。本发明可以自动识别出水下平面桩墩裂缝病害，大大提高水下平面桩墩裂缝检测的效率和准确率。
Description
技术领域
本发明属于土木工程和人工智能交叉技术领域，具体涉及一种基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法。
背景技术
桥梁水下桩墩是桥梁结构关键部件之一，承担着将上部结构荷载传递给基础的重任，其病害的发生、发展直接影响桥跨结构的实用性、安全性和耐久性。目前常见的桥梁水下桩墩检测方法是人工潜水结合水下摄像机检测，它存在检测和成像受到水流、水质、光照等环境和检测手段等条件限制，检测难度大。随着声呐成像技术的发展，声呐成像技术成为近年来水下探测最为重要的革新之一，相比于光学成像设备, 声呐成像作用距离远，且不受光线、水质浑浊度影响。但是声呐成像原理与光学成像原理不同，声呐图像与光学图像中的裂缝病害特征存在较大差异，检测人员通过主观的人工判断对水下桩墩的裂缝病害位置和类型进行识别，容易引起检测结果的可变性和较低准确率。随着检测数据的大量增加，人工识别病害的难度大大增加、效率低下且易出错。
大数据挖掘、深度学习等AI技术发展迅速，在图像识别与损伤检测中的应用广泛，考虑水下桩墩检测环境复杂、声呐图像与光学图像的差异性，以及声呐检测图像采集难、数量少等问题，运用深度学习的自动特征提取、自动识别等优点，将声呐裂缝图片进行深度学习训练，利用目标检测模型，可以自动检测出水下平面桩墩裂缝病害，大大提高水下平面桩墩裂缝检测的效率和准确率，降低检测成本。
因此，本发明提出一种基于声呐成像的平面桩墩裂缝病害深度学习与智能检测方法。
发明内容
本发明的目的在于针对水下平面桩墩裂缝病害声呐成像检测和光学成像差异大，人工检测识别准确率和识别效率低的问题，提供一种基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法，以实现水下平面桩墩裂缝的自动化检测，提高检测准确率和检测效率，降低检测成本。
为实现上述目的，本发明的技术方案是：一种基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法，包括如下步骤：
S1、使用机械扫描成像声呐，基于平面扫描测位对水下平面桩墩扫描成像，采集含有裂缝成像特征和不含裂缝成像特征的声像图，并通过改变水平距离和俯仰角度参数采集不同位置下具有不同裂缝成像特征的声像图；
S2、将采集的原始声呐图像经过裁剪后，统一调整成相同分辨率大小图像，随后以固定窗口大小切割成多张大小相同图像子块，根据图像子块成像特征进行人工判读并标注为裂缝或非裂缝图像，形成数据集，分为训练集、验证集和测试集；
S3、将数据集划分为训练集、验证集和测试集，并对训练集数据采用水平翻转方式进行数据增强，增加训练数据，减小训练过程出现过拟合的情况；
S4、建立水下声呐裂缝图像识别的深度学习模型，采用步骤S3中处理得到训练集和验证集数据对模型进行训练，保存训练好的模型参数和权重；
S5、利用未经过训练和验证的测试集数据对水下声呐裂缝图像识别的深度学习模型进行测试，得到对声呐裂缝图像有良好识别能力的卷积神经网络模型。
在本发明一实施例中，在采用声呐对平面桩墩采集声像图时检测测位为平面扫描测位，即声呐保持水平下放，声呐探头朝向水下平面桩墩，且中心轴线垂直于水下平面桩墩。
在本发明一实施例中，采集的原始声呐图像上裂缝病害成像特征为有明显线状“亮条”特征，且针对宽度较宽的裂缝成像还存在和“亮条”相邻的阴影区，而水下桩墩平面无裂缝病害成像显示为较裂缝病害成像色彩弱、无线状特征的背景区。
在本发明一实施例中，对裁剪后的图像子块判别是否为裂缝图像的依据为，图像子块中是否含有清晰的线状“亮条”特征或含有明显的阴影区边界特征。
在本发明一实施例中，所述水下声呐裂缝图像识别的深度学习模型的网络模型由输入层、卷积层，池化层、flatten层、dropout层、全连接层和输出层组成；模型的第一层为224×224×3像素分辨率的输入层，各个维度分别指示高度，宽度和RGB通道数，在16个3×3的卷积核进行第一次卷积操作后，作为池化层的输入，进行第一次2×2、步长为2的最大池化操作；经过三轮的卷积和池化操作之后，将处理后的数据输入至Flatten层，通过dropout层降低训练过拟合的情况，最后，经由全连接层和softmax层来预测输入数据再经过卷积神经网络模型识别是否为裂缝图像。
相较于现有技术，本发明具有以下有益效果：本发明的一种基于声呐成像的平面桩墩裂缝病害深度学习与智能检测方法，相较于水下光学成像检测，其不受到水下环境以及水质浑浊的影响，相较于人工检测法，其检测效率大大提高，且检测成本低，此外，深度学习模型具有特征自动提取、自动识别的特征，可以降低人工主观判断易出错的情况。
附图说明
图1为本发明的流程图。
图2是声呐设备平面扫描测位示意图。
图3是声呐检测裂缝参数设置示意图。
图4是本发明建立的深度学习模型示意图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明一种基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法，包括如下步骤：
S1、使用机械扫描成像声呐，基于平面扫描测位对水下平面桩墩扫描成像，采集含有裂缝成像特征和不含裂缝成像特征的声像图，并通过改变水平距离和俯仰角度参数采集不同位置下具有不同裂缝成像特征的声像图；
S2、将采集的原始声呐图像经过裁剪后，统一调整成相同分辨率大小图像，随后以固定窗口大小切割成多张大小相同图像子块，根据图像子块成像特征进行人工判读并标注为裂缝或非裂缝图像，形成数据集，分为训练集、验证集和测试集；
S3、将数据集划分为训练集、验证集和测试集，并对训练集数据采用水平翻转方式进行数据增强，增加训练数据，减小训练过程出现过拟合的情况；
S4、建立水下声呐裂缝图像识别的深度学习模型，采用步骤S3中处理得到训练集和验证集数据对模型进行训练，保存训练好的模型参数和权重；
S5、利用未经过训练和验证的测试集数据对水下声呐裂缝图像识别的深度学习模型进行测试，得到对声呐裂缝图像有良好识别能力的卷积神经网络模型。
以下为本发明一具体实施实例。
如图1所示，本发明的一种基于声呐成像的平面桩墩裂缝病害深度学习与智能检测方法，包括以下步骤：
1、利用机械扫描成像声呐，基于平面扫描测位对水下平面桩墩进行扫描，平面扫描测位如图2所示，即声呐水平下放，声呐探头朝向平面桥墩且声呐轴线和平面桥墩垂直。采集含有裂缝成像特征和不含裂缝成像特征声像图。如图3所示，通过改变水平距离和俯仰角度参数采集不同位置下具有不同裂缝成像特征的声像图。
2、采集原始声呐图像，经过裁剪后统一调整成相同分辨率大小图像，随后以固定窗口大小切割成多张大小相同图像子块，根据切割后的图像子块是否含有线状且清晰的“亮条”特征或含有明显的阴影区边界特征对图像进行人工判读是否为裂缝图像，并对图像进行标注，形成数据集。
3、将数据集划分为训练集、验证集和测试集。对训练集数据采用水平翻转方式进行数据增强以增加训练数据。
4、建立水下声呐裂缝图像识别的深度学习模型，具体模型如图4所示，网络模型有输入层、卷积层，池化层、flatten层、dropout层、全连接层和输出层组成。模型的第一层为224×224×3像素分辨率的输入层，各个维度分别指示高度，宽度和RGB通道数，在16个3×3的卷积核进行第一次卷积操作后，作为池化层的输入，进行第一次2×2、步长（stride）为2的最大池化（Max-pooling）操作。经过三轮的卷积和池化操作之后，将处理后的数据输入至Flatten层，通过dropout层降低训练过拟合的情况，最后，经由全连接层和softmax层来预测输入数据。采用步骤3处理得到训练和验证集数据对该模型进行训练，保存训练好的模型参数和权重。
5、采用该模型对未经过训练和验证的测试集数据进行识别。
以上所述，仅为本发明较佳的具体实施方法，这些具体实施方法是基于整体构思下的不同实现方式，而本发明的保护范围并不仅限于此。仅用于解释说明本发明的功能及使用方法，而并非对于本发明的限制，本技术领域的普通技术人员在本发明的实质范围内，做出各种变化或替代，也应属于本发明的保护范畴。
Claims (5)
1.一种基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法，其特征在于，包括如下步骤：
S1、使用机械扫描成像声呐，基于平面扫描测位对水下平面桩墩扫描成像，采集含有裂缝成像特征和不含裂缝成像特征的声像图，并通过改变水平距离和俯仰角度参数采集不同位置下具有不同裂缝成像特征的声像图；
S2、将采集的原始声呐图像经过裁剪后，统一调整成相同分辨率大小图像，随后以固定窗口大小切割成多张大小相同图像子块，根据图像子块成像特征进行人工判读并标注为裂缝或非裂缝图像，形成数据集，分为训练集、验证集和测试集；
S3、将数据集划分为训练集、验证集和测试集，并对训练集数据采用水平翻转方式进行数据增强，增加训练数据，减小训练过程出现过拟合的情况；
S4、建立水下声呐裂缝图像识别的深度学习模型，采用步骤S3中处理得到训练集和验证集数据对模型进行训练，保存训练好的模型参数和权重；
S5、利用未经过训练和验证的测试集数据对水下声呐裂缝图像识别的深度学习模型进行测试，得到对声呐裂缝图像有良好识别能力的卷积神经网络模型。
2.根据权利要求1所述的基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法，其特征在于，在采用声呐对平面桩墩采集声像图时检测测位为平面扫描测位，即声呐保持水平下放，声呐探头朝向水下平面桩墩，且中心轴线垂直于水下平面桩墩。
3.根据权利要求1所述的基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法，其特征在于，采集的原始声呐图像上裂缝病害成像特征为有明显线状“亮条”特征，且针对宽度较宽的裂缝成像还存在和“亮条”相邻的阴影区，而水下桩墩平面无裂缝病害成像显示为较裂缝病害成像色彩弱、无线状特征的背景区。
4.根据权利要求1所述的基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法，其特征在于，对裁剪后的图像子块判别是否为裂缝图像的依据为，图像子块中是否含有清晰的线状“亮条”特征或含有明显的阴影区边界特征。
5.根据权利要求1所述的基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法，其特征在于，所述水下声呐裂缝图像识别的深度学习模型的网络模型由输入层、卷积层，池化层、flatten层、dropout层、全连接层和输出层组成；模型的第一层为224×224×3像素分辨率的输入层，各个维度分别指示高度，宽度和RGB通道数，在16个3×3的卷积核进行第一次卷积操作后，作为池化层的输入，进行第一次2×2、步长为2的最大池化操作；经过三轮的卷积和池化操作之后，将处理后的数据输入至Flatten层，通过dropout层降低训练过拟合的情况，最后，经由全连接层和softmax层来预测输入数据再经过卷积神经网络模型识别是否为裂缝图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110811611.4A CN113450343A (zh) | 2021-07-19 | 2021-07-19 | 基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110811611.4A CN113450343A (zh) | 2021-07-19 | 2021-07-19 | 基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113450343A true CN113450343A (zh) | 2021-09-28 |
Family
ID=77816602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110811611.4A Pending CN113450343A (zh) | 2021-07-19 | 2021-07-19 | 基于声呐成像平面桩墩裂缝病害深度学习与智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113450343A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6028948A (en) * | 1997-12-29 | 2000-02-22 | Lockheed Martin Corporation | Surface anomaly-detection and analysis method |
| CN106097315A (zh) * | 2016-06-03 | 2016-11-09 | 河海大学常州校区 | 一种基于声呐图像的水下构筑物裂缝提取方法 |
| US20190113619A1 (en) * | 2017-10-13 | 2019-04-18 | Navico Holding As | Sonar transducer performance optimization |
| CN110853041A (zh) * | 2019-11-12 | 2020-02-28 | 东南大学 | 一种基于深度学习与声呐成像的水下桥墩构件分割方法 |
| CN111127399A (zh) * | 2019-11-28 | 2020-05-08 | 东南大学 | 一种基于深度学习与声呐成像的水下桥墩病害识别方法 |
| CN111579639A (zh) * | 2020-05-19 | 2020-08-25 | 福州大学 | 一种成像声呐扫描桥梁水下桩柱缺陷的测点布设方法 |
| CN111639609A (zh) * | 2020-06-03 | 2020-09-08 | 大连交通大学 | 基于机器视觉与深度学习的金属断口类型智能识别系统 |
| CN112508901A (zh) * | 2020-12-01 | 2021-03-16 | 广州大学 | 一种水下结构病害识别方法、系统、装置及存储介质 |
-
2021
- 2021-07-19 CN CN202110811611.4A patent/CN113450343A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6028948A (en) * | 1997-12-29 | 2000-02-22 | Lockheed Martin Corporation | Surface anomaly-detection and analysis method |
| CN106097315A (zh) * | 2016-06-03 | 2016-11-09 | 河海大学常州校区 | 一种基于声呐图像的水下构筑物裂缝提取方法 |
| US20190113619A1 (en) * | 2017-10-13 | 2019-04-18 | Navico Holding As | Sonar transducer performance optimization |
| CN110853041A (zh) * | 2019-11-12 | 2020-02-28 | 东南大学 | 一种基于深度学习与声呐成像的水下桥墩构件分割方法 |
| CN111127399A (zh) * | 2019-11-28 | 2020-05-08 | 东南大学 | 一种基于深度学习与声呐成像的水下桥墩病害识别方法 |
| CN111579639A (zh) * | 2020-05-19 | 2020-08-25 | 福州大学 | 一种成像声呐扫描桥梁水下桩柱缺陷的测点布设方法 |
| CN111639609A (zh) * | 2020-06-03 | 2020-09-08 | 大连交通大学 | 基于机器视觉与深度学习的金属断口类型智能识别系统 |
| CN112508901A (zh) * | 2020-12-01 | 2021-03-16 | 广州大学 | 一种水下结构病害识别方法、系统、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨本;吉同元;李鹏飞;张润: "船闸靠船墩特殊检测案例分析", 《中国水运》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460753B (zh) | 一种检测水上漂浮物的方法 | |
| CN111104860B (zh) | 一种基于机器视觉的无人机水质色度监测方法 | |
| CN112700444B (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
| CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
| CN108564577A (zh) | 基于卷积神经网络的太阳能电池片断栅缺陷检测方法 | |
| CN111289512B (zh) | 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法 | |
| CN114638797A (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
| CN110084241A (zh) | 一种基于图像识别的电表自动读数方法 | |
| CN101059435A (zh) | 基于彩色ccd图像分析的森林火情烟雾检测方法 | |
| CN111127399A (zh) | 一种基于深度学习与声呐成像的水下桥墩病害识别方法 | |
| CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN109087305A (zh) | 一种基于深度卷积神经网络的裂缝图像分割方法 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN110853041A (zh) | 一种基于深度学习与声呐成像的水下桥墩构件分割方法 | |
| CN117011295B (zh) | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 | |
| CN115601331A (zh) | 基于红外热像图的高层建筑外墙脱落异常检测与风险评估方法 | |
| CN114022761A (zh) | 一种卫星遥感影像输电线路杆塔检测定位方法及装置 | |
| CN113362276A (zh) | 板材视觉检测方法及系统 | |
| CN115439763A (zh) | 一种基于YOLOv5模型的水工程表面裂缝检测方法 | |
| CN114663393A (zh) | 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 | |
| CN114627461A (zh) | 一种基于人工智能高精度识别水尺数据的方法及系统 | |
| CN105787955A (zh) | 一种带钢缺陷的稀疏分割方法及其分割装置 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN113076959A (zh) | 基于卷积神经网络的混凝土结构表面微裂纹特征提取方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |