CN113506281A - 一种基于深度学习框架的桥梁裂缝检测方法 - Google Patents
一种基于深度学习框架的桥梁裂缝检测方法 Download PDFInfo
- Publication number
- CN113506281A CN113506281A CN202110836923.0A CN202110836923A CN113506281A CN 113506281 A CN113506281 A CN 113506281A CN 202110836923 A CN202110836923 A CN 202110836923A CN 113506281 A CN113506281 A CN 113506281A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- bridge
- label
- deep learning
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 38
- 230000004913 activation Effects 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 230000007306 turnover Effects 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000003708 edge detection Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003776 cleavage reaction Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007017 scission Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 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
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification 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
- G06F18/21—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
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习框架的桥梁裂缝检测方法，方法包括如下步骤：步骤1：获取桥梁图像，挑选出含有裂缝的图像为原始桥梁裂缝图像；步骤2：对所述原始桥梁裂缝图像进行预处理，得到图像数据集；步骤3：将所述图像数据集输入分割模型进行训练；步骤4：将待检测的图像输入所述分割模型完成特征裂缝提取。解决了传统的基于边缘检测的裂缝检测方法存在的参数调试复杂、噪声点多、漏检率高的缺点。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于深度学习框架的桥梁裂缝检测方法。
背景技术
近年来，由于交通流量的快速增长，给桥梁的运营安全造成巨大的压力。由于建成时间久、设计性能差、自然环境恶劣等原因，近年来桥梁垮塌事件频发，造成极大的损失。现有数据表明，绝大多数混凝土桥梁损坏与桥梁裂缝有关，因此，对桥梁裂缝的检测对于混凝土桥梁养护工作至关重要。长期以来，针对桥梁的裂缝检测多采用以超声波、红外检测为主的局部无损伤检测方法和整体检测方法。基于图像检测方式则多以人工检测为主，这种方法受到检测者经验制约，受到其主观影响大，且耗时耗力耗财。传统的基于边缘检测的裂缝检测方法存在的参数调试复杂、噪声点多、漏检率高的问题。
发明内容
本发明的目的在于提出一种基于深度学习的桥梁裂缝检测方法，以解决传统的基于边缘检测的裂缝检测方法存在的参数调试复杂、噪声点多、漏检率高的缺点。
本发明采用的技术方案是，一种基于深度学习框架的桥梁裂缝检测方法，方法包括如下步骤：
步骤1：获取桥梁图像，挑选出含有裂缝的图像为原始桥梁裂缝图像；
步骤2：对原始桥梁裂缝图像进行预处理，得到图像数据集；
步骤3：将图像数据集输入分割模型进行训练；
分割模型具体结构如下：
首先是空洞卷积模块，激活函数为Leaky Relu函数，接着是空间注意力机制模块，激活函数为hard-sigmoid函数，再接着是最大池化模块，步长为2；再重复构建上述各个模块两次，而后进行Dropout操作以防止过拟合；接着是7个空洞卷积模块，激活函数为LeakyRelu函数；接着是反卷积模块与空洞卷积模块，重复构建上两个模块三次，接着是卷积层，卷积核大小为1*1；最后是激活函数为softmax函数的卷积层；
步骤4：将待检测的图像输入分割模型完成特征裂缝提取。
进一步的，步骤2中预处理的具体方法为：首先对原始桥梁裂缝图像进行像素级标注，得到标签大图；其次对标签大图与原始桥梁裂缝图像进行同步切割，划分为大小为224*224的裂缝标签小图；接着对切割得到的裂缝标签小图按照阈值规则进行筛选，将符合筛选条件的裂缝标签小图进行扩增得到新图，最终对新图进行旋转翻转操作得到图像数据集。
进一步的，对切割后得到的裂缝标签小图进行筛选与扩增的方法具体为：首先取切割后的裂缝标签小图，对其进行逐像素点累加，一旦像素点累加和超过阈值，则视此裂缝标签小图中含有标注的裂缝像素，将对应文件名存入文档文件中；而后根据该文件中所存文件名选择相对应的小图，得到新图；对新图进行旋转翻转操作得到数据集。
进一步的，阈值的取值区间为[0,15]。
进一步的，训练模型时，初始学习率设为0.000145，优化模型采用AMSGrad优化算法，损失函数采用Dice Loss衡量，精度利用IoU衡量，Dropout层rate参数取值为0.242。
本发明的有益效果是，本发明的方法借助于深度学习框架可以自动学习不同场景下的裂缝特征，排除噪声影响，其参数调节与场景相同与否无特定关联；此外，对于更加细微的裂缝特征，该网络也可学习到，从而缓减漏检问题；所以本发明的方法可以有效缓减噪声干扰问题；有效缓解漏检问题；无需在不同场景下有针对性地调节参数，有更强的泛化能力。
附图说明
图1是本发明一种基于深度学习框架的桥梁裂缝检测方法的整体流程示意图；
图2是本发明一种基于深度学习框架的桥梁裂缝检测方法中桥梁裂缝图像数据预处理流程示意图；
图3是本发明一种基于深度学习框架的桥梁裂缝检测方法中筛选小图流程示意图。
图4是本发明分割模型结构示意图。
图5是本发明空洞卷积模块结构示意图。
图6是本发明空间注意力机制模块结构示意图。
图7(a)为第一待检测的裂缝图像；
图7(b)为使用基于canny边缘检测的分割模型对第一待检测的裂缝图像进行分割得到的裂缝分割图；
图7(c)为使用本发明中分割模型对第一待检测的裂缝图像进行分割的裂缝分割图；
图8(a)是第二待检测的裂缝图像；
图8(b)是使用无空间注意力机制的分割模型对第二待检测的裂缝图像进行分割得到的裂缝分割图；
图8(c)是使用本发明中分割模型对第二待检测的裂缝图像进行分割的裂缝分割图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
本发明提供了一种基于深度学习框架的桥梁裂缝检测方法，如图1所示，该方法包括如下步骤：
步骤1：获取桥梁图像，挑选出含有裂缝的图像为原始桥梁裂缝图像；
步骤2：对步骤1所获得的原始桥梁裂缝图像进行预处理，得到图像数据集；
步骤3：将所述图像数据集输入分割模型进行训练；
步骤4：将待检测的图像输入所述分割模型完成特征裂缝提取。
在一些实施例中，如图2所示，所述步骤2中预处理的具体方法为：首先对所述原始桥梁裂缝图像进行像素级标注，得到标签大图；其次对标签大图与原始桥梁裂缝图像进行同步切割，划分为大小为224*224的裂缝标签小图；接着对切割得到的所述裂缝标签小图按照阈值规则进行筛选，将符合筛选条件的裂缝标签小图进行扩增得到新图，最终对所述新图进行旋转翻转操作得到图像数据集。
在一些实施例中，对切割后得到的裂缝标签小图进行筛选与扩增的方法具体为：首先取切割后的裂缝标签小图，对其进行逐像素点累加，一旦像素点累加和超过阈值，则视此裂缝标签小图中含有标注的裂缝像素，将对应文件名存入文档文件中；而后根据该文件中所存文件名选择相对应的小图，得到新图；对新图进行旋转翻转操作得到数据集。
其中，如图3所示，对切割出来的裂缝标签小图进行筛选的具体方法为：首先取切割后的裂缝标签小图，将其进行逐像素点的相加；若在某一位置处，像素累加和大于阈值，那么，认为此标签图像中含有裂缝标注像素，跳出循环，转入计算下一幅图像；若直至最后一个像素相加累加和都不大于阈值，那么，认为此标签图像中不含裂缝标注像素，跳出循环，转入计算下一幅图像。若标签图像中含有裂缝标注像素，将此文件名写入文档文件中；当所有标注图像都筛选完毕，根据文档文件中所保存的文件名称，找出对应的原图，至此，裂缝小图筛选完毕，称筛选出来的图片为新图；最后，对新图进行旋转、翻转操作，以实现数据集的扩增，防止过拟合。
在一些实施例中，所述阈值的取值区间为[0,15]，该阈值区间的选择能够有效排除裂缝特征不明显的点状像素。
在一些实施例中，步骤3中利用图像数据集对分割模型进行训练，所述分割模型具体结构如下所述：首先将所述图像数据集输入空洞卷积模块，激活函数为Leaky Relu函数，将空洞卷积模块输出的结果输入空间注意力机制模块，激活函数为hard-sigmoid函数，再将空间注意力机制模块输出的结果进行最大池化操作，步长为2；再重复上述过程两次，而后进行Dropout操作以防止过拟合；再将上一步骤输出结果输入空洞卷积模块，重复七次，激活函数为Leaky Relu函数；再将上一步骤输出结果进行上采样后输入空洞卷积模块，重复三次后将输出结果输入卷积层，卷积核大小为1*1；最后将上一步骤输出结果输入激活函数为softmax的卷积层，进行像素分类。
具体的训练过程可以按照下面步骤进行：
步骤3.1：图像数据集首先输入空洞卷积模块，此时取空洞数为1，即取空洞卷积模块第三层为普通卷积层(以下如无特殊强调空洞数默认为1)；
步骤3.2：将步骤3.1输出结果输入至空间注意力机制，激活函数为hard-sigmoid函数；
步骤3.3：对步骤3.2输出结果进行最大池化操作，步长为2；
步骤3.4：再重复步骤3.1至3.3俩次；
步骤3.5：进行Dropout操作，防止过拟合，rate参数设置为0.242；
步骤3.6：接着，将步骤3.5输出结果连续七次输入DCB模块，激活函数为LeakyRelu函数，空洞数分别取2、3、5；2、5、9、13，选取空洞数时应当注意每组参数尽量不要取有公约数的参数；
步骤3.7：接着，对上一步骤输出结果进行上采样，得到数据与第三个空间注意力机制输出结果从第三个维度进行数据融合；
步骤3.8：将步骤3.7融合结果送入空洞卷积模块；
步骤3.9：再重复3.7至3.8两次；
步骤3.10：将输出结果输入卷积核为1*1的卷积层中；
步骤3.11：将步骤3.10所输出的结果输入卷积层，进行像素是否为裂缝像素的分类，使用的激活函数为softmax函数，卷积核大小为1*1，用于进行像素是否为裂缝像素的分类，此为二分类过程；
步骤3.12：对以上所述模型进行编译训练，初始学习率设为0.000145；优化模型使用AMSGrad算法，以提高收敛速度；损失函数使用Dice Loss函数，以改善样本像素点分布不均衡问题；精度采用IoU衡量。
在一些实施例中，训练模型时，初始学习率设为0.000145，优化模型采用AMSGrad优化算法，损失函数采用Dice Loss衡量，精度利用IoU衡量，Dropout层rate参数取值为0.242。此参数选值能够使得损失函数收敛于相对于其他参数更小范围，且收敛速度更快。此参数选值能够使得损失函数收敛于相对于其他参数更小范围，且收敛速度更快。
在一些实施例中，步骤4中，将扩增后的数据集作为输入用来训练如图所构建的分割模型，分割模型如图4所示。其中，空洞卷积模块结构如图5所示，首先将上一层输出数据输入卷积核大小为1*1的卷积层，以实现数据降维，进行Batch Normalization(以下简称BN)和Leaky Relu激活后再输入卷积核大小为3*3的卷积层进行特征提取，而后输入卷积核大小为3*3的空洞卷积层，以扩大感受野，进行BN操作后输入卷积核大小为1*1的卷积层，进行BN操作和Leaky Relu激活后输出数据。空间注意力机制模块如图6所示，首先将上一层所输出的数据分别进行平均池化和最大池化操作，而后将输出数据输入卷积核大小为1*1的卷积层中，激活函数为hard sigmoid函数。空间注意力机制可以让网络提取特征更加专注于裂缝特征，抑制背景噪声等异常特征信息，更精准检测出细微裂缝，提高裂缝检测精度，同时引入参数极少。
其中空洞卷积模块组成如下：首先将上一层输出结果输入至卷积层中，卷积核大小为1*1，再进行BN操作以防止过拟合，再进行激活；而后再输入卷积核大小为3*3的卷积层中，再进行BN操作，重复俩次；接着输入卷积核大小为1*1的卷积层中，再进行BN操作，最后进行Leaky Relu激活后输出。
实施例
本实施例算法的程序基于深度学习开源框架keras 2.3.1和tensorflow-gpu2.2.0，使用Python语言开发；实验的硬件环境为Intel i7处理器，NVIDIA GeForce RTX2060显卡。
本实施例一共采集了189幅带有原始桥梁裂缝图像，对原始桥梁裂缝图像进行裂缝标记，得到标签大图。将标签大图与原始桥梁裂缝图像进行同步切割。切割后经过筛选分类扩增得到训练集9788幅图像，验证集6208幅图像，大小均为224*224。注意，图像数据一定要先进行训练集和验证集的分类后再进行扩增，否则将会造成数据泄露，影响训练效果。经扩增后得到裂缝数据集，将数据集输入本发明所提出的分割模型，进行分割模型训练。最后将待检测图像输入已经训练好的分割模型中，得到检测结果。
对比例1
对比本发明一种基于深度学习框架的桥梁裂缝检测方法中的分割模型和基于canny边缘检测的分割模型：
图7(a)为第一待检测的裂缝图像，分别将其输入到上述两个模型中，图7(b)使用基于canny边缘检测的分割模型进行分割得到的裂缝分割图，图7(c)为使用本发明一种基于深度学习框架的桥梁裂缝检测方法中的分割模型进行分割得到的裂缝分割图。从图7(b)和图7(c)中可以看出，使用基于canny边缘检测的分割模型进行分割得到的裂缝分割图含有非常多的噪声点，且漏检情况严重；而使用本发明所提出分割模型进行分割得到的结果图中，无明显噪声点，所有裂缝均被检测出，且细节更加突出。所以说，相较于传统基于边缘检测的分割算法，使用本发明中的分割模型所得到结果噪声点更少，漏检裂缝更少，且细节更加突出，特征裂缝提取更准确。
对比例2
对比本发明一种基于深度学习框架的桥梁裂缝检测方法中的分割模型和无空间注意力机制的分割模型：
图8(a)是第二待检测的裂缝图像，分别将其输入到上述两个模型中，图8(b)是使用无空间注意力机制模块的分割模型进行分割得到的裂缝分割图，图8(c)为使用本发明一种基于深度学习框架的桥梁裂缝检测方法中的分割模型进行分割得到的裂缝分割图。从图8(b)和图8(c)中可以明显看出，未使用空间注意力机制模块的模型所得到的分割结果所包含细节少，存在断裂现象，且漏检问题严重；而使用本发明所提出的分割模型所得到的分割结果细节更多，更加清晰，且所有裂缝均被检测出。所以说，有空间注意力机制的分割模型检测结果包含细节更多更清晰，漏检裂缝更少，因为待检测图像均为所建数据集之外的图像，因此也说明其泛化能力更好。
由于计算机硬件技术的快速迭代和图像处理技术的飞速发展，采用图像处理技术进行裂缝检测与分割目前正受到国内外学术界、工程界的广泛关注与探索。从传统的图像处理技术再到如今机器学习、深度学习技术在图像处理中的应用，国内外优秀学者不断将新的计算方法融入到裂缝检测技术之中，优秀的研究成果逐年增加。其中，基于深度学习的检测方法由于其参数调试简单、检测准确率高、泛化能力强的原因，正逐步取代传统的基于边缘检测的裂缝检测方法。本发明的方法借助于深度学习框架可以自动学习不同场景下的裂缝特征，排除噪声影响，其参数调节与场景相同与否无特定关联。此外，对于更加细微的裂缝特征，该网络也可学习到，从而缓减漏检问题。所以本发明的方法可以有效缓减噪声干扰问题；有效缓解漏检问题；无需在不同场景下有针对性地调节参数，有更强的泛化能力。
Claims (5)
1.一种基于深度学习框架的桥梁裂缝检测方法，其特征在于，所述方法包括如下步骤：
步骤1：获取桥梁图像，挑选出含有裂缝的图像为原始桥梁裂缝图像；
步骤2：对所述原始桥梁裂缝图像进行预处理，得到图像数据集；
步骤3：将所述图像数据集输入分割模型进行训练；
所述分割模型具体结构如下：
首先是空洞卷积模块，激活函数为Leaky Relu函数，接着是空间注意力机制模块，激活函数为hard-sigmoid函数，再接着是最大池化模块，步长为2；再重复构建上述各个模块两次，而后进行Dropout操作以防止过拟合；接着是7个空洞卷积模块，激活函数为Leaky Relu函数；接着是反卷积模块与空洞卷积模块，重复构建上两个模块三次，接着是卷积层，卷积核大小为1*1；最后是激活函数为softmax函数的卷积层；
步骤4：将待检测的图像输入所述分割模型完成特征裂缝提取。
2.根据权利要求1所述的一种基于深度学习框架的桥梁裂缝检测方法，其特征在于，所述步骤2中预处理的具体方法为：首先对所述原始桥梁裂缝图像进行像素级标注，得到标签大图；其次对标签大图与原始桥梁裂缝图像进行同步切割，划分为大小为224*224的裂缝标签小图；接着对切割得到的所述裂缝标签小图按照阈值规则进行筛选，将符合筛选条件的裂缝标签小图进行扩增得到新图，最终对所述新图进行旋转翻转操作得到图像数据集。
3.根据权利要求2所述的一种基于深度学习框架的桥梁裂缝检测方法，其特征在于，对切割后得到的裂缝标签小图进行筛选与扩增的方法具体为：首先取切割后的裂缝标签小图，对其进行逐像素点累加，一旦像素点累加和超过阈值，则视此裂缝标签小图中含有标注的裂缝像素，将对应文件名存入文档文件中；而后根据该文件中所存文件名选择相对应的小图，得到新图；对新图进行旋转翻转操作得到数据集。
4.根据权利要求3所述的一种基于深度学习框架的桥梁裂缝检测方法，其特征在于，所述阈值的取值区间为[0,15]。
5.根据权利要求1所述的一种基于深度学习框架的桥梁裂缝检测方法，其特征在于，训练模型时，初始学习率设为0.000145，优化模型采用AMSGrad优化算法，损失函数采用DiceLoss衡量，精度利用IoU衡量，Dropout层rate参数取值为0.242。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110836923.0A CN113506281B (zh) | 2021-07-23 | 2021-07-23 | 一种基于深度学习框架的桥梁裂缝检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110836923.0A CN113506281B (zh) | 2021-07-23 | 2021-07-23 | 一种基于深度学习框架的桥梁裂缝检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113506281A true CN113506281A (zh) | 2021-10-15 |
| CN113506281B CN113506281B (zh) | 2024-02-27 |
Family
ID=78014388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110836923.0A Active CN113506281B (zh) | 2021-07-23 | 2021-07-23 | 一种基于深度学习框架的桥梁裂缝检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113506281B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114219773A (zh) * | 2021-11-30 | 2022-03-22 | 西北工业大学 | 一种桥梁裂缝检测数据集预筛选与标定方法 |
| CN116993737A (zh) * | 2023-09-27 | 2023-11-03 | 西南科技大学 | 一种基于卷积神经网络的轻量型裂缝分割方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
| CN110111334A (zh) * | 2019-04-01 | 2019-08-09 | 浙江大华技术股份有限公司 | 一种裂缝分割方法、装置、电子设备及存储介质 |
| CN110349122A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
| CN111080641A (zh) * | 2019-12-30 | 2020-04-28 | 上海商汤智能科技有限公司 | 裂缝检测方法、装置、计算机设备及存储介质 |
| CN111127449A (zh) * | 2019-12-25 | 2020-05-08 | 汕头大学 | 一种基于编码器-解码器的自动化裂缝检测方法 |
| CN111179244A (zh) * | 2019-12-25 | 2020-05-19 | 汕头大学 | 一种基于空洞卷积的自动化裂缝检测方法 |
| CN111222580A (zh) * | 2020-01-13 | 2020-06-02 | 西南科技大学 | 一种高精度的裂缝检测方法 |
| CN111402227A (zh) * | 2020-03-13 | 2020-07-10 | 河海大学常州校区 | 一种桥梁裂缝检测方法 |
| CN111721770A (zh) * | 2020-06-12 | 2020-09-29 | 汕头大学 | 一种基于分频卷积的自动化裂缝检测方法 |
| CN112102283A (zh) * | 2020-09-14 | 2020-12-18 | 北京航空航天大学 | 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法 |
| CN112308826A (zh) * | 2020-10-23 | 2021-02-02 | 南京航空航天大学 | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 |
| CN112465748A (zh) * | 2020-11-10 | 2021-03-09 | 西南科技大学 | 基于神经网络的裂缝识别方法、装置、设备及存储介质 |
| CN112949783A (zh) * | 2021-04-29 | 2021-06-11 | 南京信息工程大学滨江学院 | 一种基于改进U-Net神经网络的道路裂缝检测方法 |
-
2021
- 2021-07-23 CN CN202110836923.0A patent/CN113506281B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
| CN110111334A (zh) * | 2019-04-01 | 2019-08-09 | 浙江大华技术股份有限公司 | 一种裂缝分割方法、装置、电子设备及存储介质 |
| CN110349122A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
| CN111127449A (zh) * | 2019-12-25 | 2020-05-08 | 汕头大学 | 一种基于编码器-解码器的自动化裂缝检测方法 |
| CN111179244A (zh) * | 2019-12-25 | 2020-05-19 | 汕头大学 | 一种基于空洞卷积的自动化裂缝检测方法 |
| CN111080641A (zh) * | 2019-12-30 | 2020-04-28 | 上海商汤智能科技有限公司 | 裂缝检测方法、装置、计算机设备及存储介质 |
| CN111222580A (zh) * | 2020-01-13 | 2020-06-02 | 西南科技大学 | 一种高精度的裂缝检测方法 |
| CN111402227A (zh) * | 2020-03-13 | 2020-07-10 | 河海大学常州校区 | 一种桥梁裂缝检测方法 |
| CN111721770A (zh) * | 2020-06-12 | 2020-09-29 | 汕头大学 | 一种基于分频卷积的自动化裂缝检测方法 |
| CN112102283A (zh) * | 2020-09-14 | 2020-12-18 | 北京航空航天大学 | 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法 |
| CN112308826A (zh) * | 2020-10-23 | 2021-02-02 | 南京航空航天大学 | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 |
| CN112465748A (zh) * | 2020-11-10 | 2021-03-09 | 西南科技大学 | 基于神经网络的裂缝识别方法、装置、设备及存储介质 |
| CN112949783A (zh) * | 2021-04-29 | 2021-06-11 | 南京信息工程大学滨江学院 | 一种基于改进U-Net神经网络的道路裂缝检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李良福;孙瑞;: "复杂背景下基于图像处理的桥梁裂缝检测算法", 激光与光电子学进展, no. 06, 20 October 2018 (2018-10-20) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114219773A (zh) * | 2021-11-30 | 2022-03-22 | 西北工业大学 | 一种桥梁裂缝检测数据集预筛选与标定方法 |
| CN114219773B (zh) * | 2021-11-30 | 2024-03-05 | 西北工业大学 | 一种桥梁裂缝检测数据集预筛选与标定方法 |
| CN116993737A (zh) * | 2023-09-27 | 2023-11-03 | 西南科技大学 | 一种基于卷积神经网络的轻量型裂缝分割方法 |
| CN116993737B (zh) * | 2023-09-27 | 2024-03-29 | 西南科技大学 | 一种基于卷积神经网络的轻量型裂缝分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113506281B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
| CN108460764B (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
| JP2024509411A (ja) | 欠陥検出方法、装置及びシステム | |
| CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
| CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
| CN113506281A (zh) | 一种基于深度学习框架的桥梁裂缝检测方法 | |
| CN105931246A (zh) | 一种基于小波变换和遗传算法的织物瑕疵检测方法 | |
| CN112085022A (zh) | 一种用于识别文字的方法、系统及设备 | |
| CN114119480A (zh) | 一种基于深度学习的裂纹缺陷检测系统 | |
| CN111353544A (zh) | 一种基于改进的Mixed Pooling-YOLOV3目标检测方法 | |
| CN111127454A (zh) | 基于深度学习生成工业缺陷样本的方法及系统 | |
| CN114973032A (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
| CN116052193B (zh) | Rpa界面动态表格的拾取和匹配方法及系统 | |
| CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
| Zuo et al. | Classifying cracks at sub-class level in closed circuit television sewer inspection videos | |
| CN114758329A (zh) | 基于深度学习预测热成像图中目标区域温度的系统及方法 | |
| CN114429577B (zh) | 一种基于高置信标注策略的旗帜检测方法及系统及设备 | |
| Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
| CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
| Feng et al. | Improved SOLOv2 detection method for shield tunnel lining water leakages | |
| CN114078106A (zh) | 基于改进Faster R-CNN的疵点检测方法 | |
| CN115294392B (zh) | 基于生成网络模型的可见光遥感图像云去除方法及系统 | |
| CN111767919A (zh) | 一种多层双向特征提取与融合的目标检测方法 | |
| CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
| CN113642473A (zh) | 一种基于计算机视觉的矿下煤机状态识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |