CN113538385B - 基于深度学习的隧道表观病害类型及等级判别方法 - Google Patents

基于深度学习的隧道表观病害类型及等级判别方法 Download PDF

Info

Publication number
CN113538385B
CN113538385B CN202110822214.7A CN202110822214A CN113538385B CN 113538385 B CN113538385 B CN 113538385B CN 202110822214 A CN202110822214 A CN 202110822214A CN 113538385 B CN113538385 B CN 113538385B
Authority
CN
China
Prior art keywords
disease
tunnel
deep learning
data set
type
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
Application number
CN202110822214.7A
Other languages
English (en)
Other versions
CN113538385A (zh
Inventor
郭春生
王维
刘蝶
王吉
王令文
高志强
程胜一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Survey Design And Research Institute Group Co ltd
Original Assignee
SGIDI Engineering Consulting Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SGIDI Engineering Consulting Group Co Ltd filed Critical SGIDI Engineering Consulting Group Co Ltd
Priority to CN202110822214.7A priority Critical patent/CN113538385B/zh
Publication of CN113538385A publication Critical patent/CN113538385A/zh
Application granted granted Critical
Publication of CN113538385B publication Critical patent/CN113538385B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G06N3/04—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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习的隧道表观病害类型及等级判别方法，包括以下步骤：（1）采用搭载三维激光扫描仪的装置采集隧道区间影像；（2）将由人工在隧道巡检过程中确认过类别和程度的病害，在隧道区间影像上标注出位置和范围；按照病害范围截取具备病害类别和程度信息的病害影像作为样本，建立数据集；（3）将所述数据集中的病害类别标签和病害程度标签进行离散化处理，将所述数据集中的样本划分为训练集和测试集；（4）构建深度学习识别模型，利用训练集来学习识别病害类型和病害程度。本发明的优点是：以隧道三维激光扫描影像为数据源，并卷积神经网络的判别模型，实现隧道病害类别和程度自动判别。

Description

基于深度学习的隧道表观病害类型及等级判别方法
技术领域
本发明属于隧道结构病害检测领域，具体涉及一种基于深度学习的隧道表观病害类型及等级判别方法。
背景技术
由于自然条件（地下水、材料、地层、冻融等）的变化，隧道结构发生各种变异现象（如开裂、错位等），导致围岩地下水或地表水直接或间接地以渗漏或涌出的形式进入隧道内，形成隧道渗漏病害，侵蚀隧道结构，并影响隧道的正常运营和洞内设备的使用。
病害的类型和病害程度分级（如图1）是病害治理至关重要的指标，目前病害的类别和程度还主要依赖于人工判别和评估。
对于隧道病害的快速准确检测，CN109767426A提出一种基于图像特征识别的盾构隧道渗漏水检测方法，在渗漏水检测前，先对图像进行详细的预处理工作，即通过隧道表观的灰度图像统计先确定隧道特征物识别规则，然后逐一识别隧道特征物，在特征物全部剔除之后，再进行渗漏水的检测。
CN110909657A公布了基于卷积神经网络的病害识别方法，主要在隧道区间扫描影像上采用卷积神经网络进行图像分割来识别出隧道表观病害的位置大小和种类。
上述专利均采用深度学习的方法对隧道病害识别研究，CN110909657A中部分设计较为简单的病害类型判别，但都不涉及病害程度判断，对于隧道结构风险预测及指导隧道结构维护存在一定的不足。
发明内容
本发明的目的是根据上述现有技术的不足之处，提供一种基于深度学习的隧道表观病害类型及等级判别方法，该方法以隧道三维激光扫描影像为数据源，并卷积神经网络的判别模型，实现隧道病害类别和程度自动判别。
本发明目的实现由以下技术方案完成：
一种基于深度学习的隧道表观病害类型及等级判别方法，其特征在于所述方法包括以下步骤：
（1）采用搭载三维激光扫描仪的装置采集隧道区间影像；
（2）将由人工在隧道巡检过程中确认过类别和程度的病害，在所述隧道区间影像上标注出位置和范围；按照病害范围截取具备病害类别和程度信息的病害影像作为原始图像样本，建立数据集，所述数据集中具有病害类别标签和病害程度标签；
（3）将所述数据集中的原始图像样本划分为训练集和测试集；
（4）构建深度学习识别模型，包括输入层、编码层以及金字塔池化层；所述输入层输入所述数据集中的任意尺寸的原始图像样本，所述编码层采用图像分类网络ResNet，任意尺寸的输入图像样本经所述编码层编码输出一个n*m*128的特征图，作为所述金字塔池化层的输入，其中n为特征图的长度、m为特征图的宽度；将n*m的特征图按n*m、n/2*m/2、n/4*m/4的最大池化核分别池化成1*128、4*128、16*128的特征图，并组合拼接成一个21*128的特征图作为所述金字塔池化层的输出；21*128的特征图经过上、下两路1*1卷积运算后，上路通过softmax分类器得到病害类型的结果，将所述病害类型的结果和下路卷积运算后的结果相加组合成新的特征并经过softmax分类器来进行病害程度的判别结果。
所述病害类别有湿迹、渗漏水、滴漏、线漏、渗泥沙、缺损共六种；所述病害程度分为A、B、C、D、E共五种等级。
步骤（3）中，所述训练集占样本总数的80%，所述测试集占样本总数的20%。
将在步骤（3）中预处理之后的所述训练集上，以加权交叉熵损失WCE为目标优化深度学习识别模型的参数；对于一个测试集或训练集D，有N张图片，第n张图片，人工标注的标签为r n ，深度学习识别模型预测结果为p n , 加权交叉熵损失WCE的计算公式如下：
Figure 488897DEST_PATH_IMAGE002
其中，
Figure 87368DEST_PATH_IMAGE004
。
采用准确率、召回率、F1指标作为测试数据的精度指标，选择F1指标最好的深度学习识别模型作为最终的应用模型。
本发明的优点是：以隧道三维激光扫描影像为数据源，并卷积神经网络的判别模型，实现隧道病害类别和程度自动判别。
附图说明
图1为本发明中于深度学习的隧道表观病害类型及等级判别方法流程示意图；
图2为本发明中病害类别和程度分级示意图。
具体实施方式
以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：
实施例：如图1、2所示，本实施例具体涉及一种基于深度学习的隧道表观病害类型及等级判别方法，该方法以隧道三维激光扫描影像为数据源，并卷积神经网络的判别模型，实现隧道病害类别和程度自动判别。主要包括以下步骤：
（1）数据源获取：
采用搭载三维激光扫描仪的装置采集隧道区间影像并同步记录隧道内渗漏水位置和流速；其中，搭载三维激光扫描仪的装置可以是静止的三脚架或平台，也可以是以人力或电机带动的检测车；采集的隧道影像可包括灰度影像，还可包括隧道的彩色影像；病害类别和病害程度采用相关规范，病害类别有湿迹、渗漏水、滴漏、线漏、渗泥沙、缺损六种，病害程度则分为A、B、C、D、E六种等级。
（2）数据集的建立：
将由人工在隧道巡检过程中确认过类别和程度的病害，在隧道区间影像上标注出位置和范围；按照病害范围截取具备病害类别和程度信息的病害影像作为样本，建立数据集，参见图2，该数据集中具有病害类别标签和病害程度标签。
（3）数据预处理：
将数据集中的病害类别标签和病害程度标签进行离散化处理，针对缺损及线漏和A级对象较少的问题采用离线样本增强的方法扩充数据集，保证训练过程数据集中各类标签数据占比大体均衡。将数据集中的样本划分为训练集和测试集，其中，训练集占样本总数的80%，测试集占样本总数的20%。
（4）构建隧道结构表观病害类型和程度判别模型。
构建深度学习识别模型，包括输入层、编码层以及金字塔池化层；
输入层输入数据集中的任意尺寸的图像样本，编码层采用图像分类网络ResNet，任意尺寸的输入图像样本经编码层编码输出一个n*m*128的特征图作为金字塔池化层的输入，其中n为特征图的长度、m为特征图的宽度；将n*m的特征图按n*m、n/2*m/2、n/4*m/4的最大池化核分别池化成1*128、4*128、16*128的特征图，并组合拼接成一个21*128的特征图作为所述金字塔池化层的输出；21*128的特征图经过上、下两路1*1卷积运算后，上路通过Softmax分类器得到病害类型的结果，将病害类型的结果和下路卷积运算后的结果相加组合成新的特征并经过Softmax分类器来进行病害程度的判别结果，需要说明的是，Softmax是一个分类器，用于计算最终的分类结果的概率。
（5）模型训练、测试、预测。
5.1）训练：在步骤（3）中预处理之后的训练集上，以加权交叉熵损失WCE为目标优化深度学习识别模型的参数；对于一个测试集或训练集D，有N张图片，第n张图片，人工标注的标签为r n ，深度学习识别模型预测结果为p n , 加权交叉熵损失WCE的计算公式如下：
Figure DEST_PATH_IMAGE005
其中，
Figure DEST_PATH_IMAGE006
。
5.2）测试：采用准确率，召回率，F1指标等作为测试数据的精度指标，选择F1指标最好的模型作为最终应用模型，其中，F1指标是机器学习中经典的判断指标，各个教科书上基本上都会有，在此不再赘述。

Claims (5)

1.一种基于深度学习的隧道表观病害类型及等级判别方法，其特征在于所述方法包括以下步骤：
（1）采用搭载三维激光扫描仪的装置采集隧道区间影像；
（2）将由人工在隧道巡检过程中确认过类别和程度的病害，在所述隧道区间影像上标注出位置和范围；按照病害范围截取具备病害类别和程度信息的病害影像作为原始图像样本，建立数据集，所述数据集中具有病害类别标签和病害程度标签；
（3）将所述数据集中的原始图像样本划分为训练集和测试集；
（4）构建深度学习识别模型，包括输入层、编码层以及金字塔池化层；所述输入层输入所述数据集中的任意尺寸的原始图像样本，所述编码层采用图像分类网络ResNet，任意尺寸的输入图像样本经所述编码层编码输出一个n*m*128的特征图，作为所述金字塔池化层的输入，其中n为特征图的长度、m为特征图的宽度；将n*m的特征图按n*m、n/2*m/2、n/4*m/4的最大池化核分别池化成1*128、4*128、16*128的特征图，并组合拼接成一个21*128的特征图作为所述金字塔池化层的输出；21*128的特征图经过上、下两路1*1卷积运算后，上路通过softmax分类器得到病害类型的结果，将所述病害类型的结果和下路卷积运算后的结果相加组合成新的特征并经过softmax分类器来进行病害程度的判别结果。
2.根据权利要求1所述的一种基于深度学习的隧道表观病害类型及等级判别方法，其特征在于所述病害类别有湿迹、渗漏水、滴漏、线漏、渗泥沙、缺损共六种；所述病害程度分为A、B、C、D、E共五种等级。
3.根据权利要求1所述的一种基于深度学习的隧道表观病害类型及等级判别方法，其特征在于步骤（3）中，所述训练集占样本总数的80%，所述测试集占样本总数的20%。
4.根据权利要求1所述的一种基于深度学习的隧道表观病害类型及等级判别方法，其特征在于将在步骤（3）中预处理之后的所述训练集上，以加权交叉熵损失WCE为目标优化深度学习识别模型的参数；对于一个测试集或训练集D，有N张图片，第n张图片，人工标注的标签为r n ，深度学习识别模型预测结果为p n , 加权交叉熵损失WCE的计算公式如下：
Figure 829586DEST_PATH_IMAGE002
其中，
Figure 481147DEST_PATH_IMAGE004
。
5.根据权利要求1所述的一种基于深度学习的隧道表观病害类型及等级判别方法，其特征在于采用准确率、召回率、F1指标作为测试数据的精度指标，选择F1指标最好的深度学习识别模型作为最终的应用模型。
CN202110822214.7A 2021-07-21 2021-07-21 基于深度学习的隧道表观病害类型及等级判别方法 Active CN113538385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110822214.7A CN113538385B (zh) 2021-07-21 2021-07-21 基于深度学习的隧道表观病害类型及等级判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110822214.7A CN113538385B (zh) 2021-07-21 2021-07-21 基于深度学习的隧道表观病害类型及等级判别方法

Publications (2)

Publication Number Publication Date
CN113538385A CN113538385A (zh) 2021-10-22
CN113538385B true CN113538385B (zh) 2022-10-25

Family

ID=78100590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110822214.7A Active CN113538385B (zh) 2021-07-21 2021-07-21 基于深度学习的隧道表观病害类型及等级判别方法

Country Status (1)

Country Link
CN (1) CN113538385B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114965487B (zh) * 2022-06-10 2024-06-14 招商局重庆交通科研设计院有限公司 一种隧道典型病害自动监测设备的标定方法及装置
CN114818998B (zh) * 2022-06-28 2022-09-13 浙江大学 一种无砟轨道基床翻浆冒泥病害状态判别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086799A (zh) * 2018-07-04 2018-12-25 江苏大学 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法
CN109359591A (zh) * 2018-10-16 2019-02-19 上海勘察设计研究院(集团)有限公司 基于点云数据自动识别大直径盾构隧道中隔墙的方法
CN109712148A (zh) * 2018-12-19 2019-05-03 上海勘察设计研究院(集团)有限公司 基于盾构隧道影像的管片接缝位置自动识别方法
CN110909657A (zh) * 2019-11-19 2020-03-24 上海勘察设计研究院(集团)有限公司 一种隧道表观病害图像识别的方法
CN111046945A (zh) * 2019-12-10 2020-04-21 北京化工大学 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN111160301A (zh) * 2019-12-31 2020-05-15 同济大学 基于机器视觉的隧道病害目标智能识别及提取方法
CN111507319A (zh) * 2020-07-01 2020-08-07 南京信息工程大学 一种基于深度融合卷积网络模型的农作物病害识别方法
CN111612758A (zh) * 2020-05-19 2020-09-01 南京航空航天大学 一种基于卷积神经网络的隧道表面缺陷检测方法
CN112215301A (zh) * 2020-10-29 2021-01-12 上海勘察设计研究院(集团)有限公司 基于卷积神经网络的影像直线探测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086799A (zh) * 2018-07-04 2018-12-25 江苏大学 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法
CN109359591A (zh) * 2018-10-16 2019-02-19 上海勘察设计研究院(集团)有限公司 基于点云数据自动识别大直径盾构隧道中隔墙的方法
CN109712148A (zh) * 2018-12-19 2019-05-03 上海勘察设计研究院(集团)有限公司 基于盾构隧道影像的管片接缝位置自动识别方法
CN110909657A (zh) * 2019-11-19 2020-03-24 上海勘察设计研究院(集团)有限公司 一种隧道表观病害图像识别的方法
CN111046945A (zh) * 2019-12-10 2020-04-21 北京化工大学 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN111160301A (zh) * 2019-12-31 2020-05-15 同济大学 基于机器视觉的隧道病害目标智能识别及提取方法
CN111612758A (zh) * 2020-05-19 2020-09-01 南京航空航天大学 一种基于卷积神经网络的隧道表面缺陷检测方法
CN111507319A (zh) * 2020-07-01 2020-08-07 南京信息工程大学 一种基于深度融合卷积网络模型的农作物病害识别方法
CN112215301A (zh) * 2020-10-29 2021-01-12 上海勘察设计研究院(集团)有限公司 基于卷积神经网络的影像直线探测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于计算机视觉的桥梁结构局部损伤识别方法研究;徐阳;《CNKI》;20201115;全文 *
移动激光扫描技术在地铁隧道病害综合检测中的应用研究;郭春生;《CNKI》;20181102;全文 *

Also Published As

Publication number Publication date
CN113538385A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
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
CN109190481B (zh) 一种遥感影像道路材质提取方法和系统
CN113538385B (zh) 基于深度学习的隧道表观病害类型及等级判别方法
CN112258496A (zh) 一种基于全卷积神经网络的地下排水管道病害分割方法
CN108346144B (zh) 基于计算机视觉的桥梁裂缝自动监测与识别方法
CN109544555A (zh) 基于生成式对抗网络的细小裂缝分割方法
CN111241994B (zh) 一种深度学习的遥感影像农村公路砂化路段的提取方法
CN111507998B (zh) 基于深度级联的多尺度激励机制隧道表面缺陷分割方法
CN114119554A (zh) 一种基于卷积神经网络的表面微缺陷检测方法及装置
CN111079734B (zh) 铁路货车三角孔异物检测方法
CN110909657A (zh) 一种隧道表观病害图像识别的方法
Kargah-Ostadi et al. Evaluation framework for automated pavement distress identification and quantification applications
CN116883831A (zh) 一种被遮挡的隧道表面裂缝识别方法
CN113312987B (zh) 一种基于无人机航拍路面裂缝图像的识别方法
CN115170479A (zh) 一种沥青路面修补病害自动提取方法
CN110852318A (zh) 一种排水管道缺陷精准定位方法及系统
CN118247662A (zh) 一种用于矿山开采的环境检测方法
CN117670855A (zh) 基于RoadU-Net的沥青路面病害智能识别及分类方法
CN113516652A (zh) 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备
CN116681657B (zh) 基于改进YOLOv7模型的沥青路面病害检测方法
CN117197084A (zh) 基于深度融合卷积神经网络的公路快检图像路面病害检测方法
CN117197085A (zh) 基于改进YOLOv8网络的公路快检图像路面病害检测方法
CN115170783A (zh) 一种使用街景图像的快速公路路面裂缝检测方法
CN115438547A (zh) 基于路面服役状态的整体评价方法及系统
CN111738324B (zh) 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法

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
CP03 Change of name, title or address

Address after: 200093 No. 38 Shui Feng Road, Yangpu District, Shanghai.

Patentee after: Shanghai Survey, Design and Research Institute (Group) Co.,Ltd.

Address before: 200093 No. 38 Shui Feng Road, Yangpu District, Shanghai.

Patentee before: SGIDI ENGINEERING CONSULTING (Group) Co.,Ltd.

CP03 Change of name, title or address