CN113643300A - 一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法 - Google Patents

一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法 Download PDF

Info

Publication number
CN113643300A
CN113643300A CN202110791906.XA CN202110791906A CN113643300A CN 113643300 A CN113643300 A CN 113643300A CN 202110791906 A CN202110791906 A CN 202110791906A CN 113643300 A CN113643300 A CN 113643300A
Authority
CN
China
Prior art keywords
algorithm
capsnet
model
seg
disease
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
Application number
CN202110791906.XA
Other languages
English (en)
Inventor
方宏远
王念念
董家修
勇鹏飞
黄帆
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202110791906.XA priority Critical patent/CN113643300A/zh
Publication of CN113643300A publication Critical patent/CN113643300A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06T7/0002—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
    • 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
    • G06T2207/20—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
    • G06T2207/20—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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于Seg‑CapsNet算法的路面裂缝像素级别检测方法，包括如下步骤：S10、采集获取路面病害图像，进行数据预处理，构建用于模型训练、测试的数据集；S20、构建Seg‑CapsNet路面病害分割模型，初始化模型超参数，进行模型训练；S30、进行模型测试，保存模型，输出分割结果；S40、构建路面病害测量算法，进行路面病害尺寸信息测量。本发明所述模型可以有效实现路面病害的智能分割，通过引入动态路由(Dynami c Rout i ng)算法，得到了胶囊的向量输出，从而提高模型参数更新的准确性，并且本发明通过测量算法，实现对路面病害的准确测量。

Description

一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法
技术领域
本发明涉及路面病害图像处理技术领域，具体涉及一种基于Seg-CapsNet 算法的路面裂缝像素级别检测方法。
背景技术
近年来，我国公路建设逐渐完善，有力促进国民经济发展和社会进步然而， 在通车使用一段时间后，由于设计、施工等因素都会陆续出现各种破损、变形 等缺陷，这些病害可以直接反应路面结构的耐久性、安全性。严重的病害使得 公路承载能力等使用性能严重下降，影响公路的运营安全，增加交通事故爆发 频率。因此，对路面病害的定期检测，根据病害检测的种类、位置及尺寸信息， 进一步推断出路基层面内在的破坏及潜在的原因，对于路面安全评定、运营、 维护是十分重要的。
目前针对路面病害的分割问题，主要有四种方法。(1)人工巡检，主要依 靠工作人员在公路上巡回检测来确定路面病害信息。由于路面损伤种类及数量 繁多，造成检测工作的耗时费力。检测人员的检测能力以及经验严重影响着路 面病害检测的结果。(2)基于图像处理技术的分割技术，基于图像处理的算法 包括阈值分割、区域增长及边缘检测方法。但是，该方法对于背景复杂的图像 检测效果不佳。(3)基于机器学习的分割技术，分为基于监督学习与非监督学 习的分割方法。上述方法在路面图像纹理复杂、形状不规则的情况下，存在难 以正确提取、分析路面病害特征的不足。(4)基于深度学习的分割技术，近年来，深度学习技术得到迅速发展，被广泛应用于各个领域。在目标检测领域也 取得了优异成果。Duo Ma等人提出一种基于ResNet-101的全卷积神经网络进行 路面裂缝区域的智能识别，该模型具有较高的识别精度和召回率，并且可以提 取出更完整，更准确的裂纹特征。上述方法只是进行了路面病害的检测，并没 有提取病害具体轮廓，也没有进行路面病害尺寸的测量。因而现有的路面病害 分割技术存在不足，还有待改进和提高
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于Seg-CapsNet算法的 路面裂缝像素级别检测方法，以高效、准确对路面病害进行分类、分割，还构 建路面病害测量算法，实现路面病害尺寸信息测量，解决了上述背景技术中提 到的问题。
为实现上述目的，本发明提供如下技术方案：一种基于Seg-CapsNet算法 的路面裂缝像素级别检测方法，包括如下步骤：
S10、采集获取路面病害图像，进行数据预处理，构建用于模型训练、测试 的数据集；
S20、构建Seg-CapsNet路面病害分割模型，初始化模型超参数，进行模型 训练；
S30、进行模型测试，保存模型，输出分割结果；
S40、构建路面病害测量算法，进行路面病害尺寸信息测量。
优选的，所述步骤S10中，所述的数据预处理包括：
去噪，采用高斯滤波器对图像进行平滑滤波；
裁剪，将采集的图像裁剪为预定像素的图像；
数据增强，使用镜像、旋转、添加高斯噪声技术对数据做增强处理
标注，使用labelme软件在图像中对病害区域进行标示，根据病害类型将 图像中背景区域标注为0，裂缝区域标注为1，龟裂区域标注为2，坑洞区域标 注为3。
优选的，所述步骤S10中，所述构建用于模型训练、测试的数据集具体是 指：将标注后的数据按照4：1的比例随机分开，将80％的数据划分为训练集， 20％的数据划分为测试集。
优选的，所述步骤S20中，所述Seg-CapsNet路面病害分割模型包括Convs 层、Primary capsule层、Digit capsule层、Fully connected层和Upsampling 层。
优选的，所述的Convs层，采用两个卷积操作进行路面病害局部特征的提 取；
所述的Primary capsule层，采用神经胶囊进行病害图像信息的提取；
所述的Digit capsule层，采用动态路由Dynamic Routing算法得到Primarycapsule层胶囊的向量输出；
所述的Fully connected层，采用全连接操作，提高图像像素之间的空间 相关性，准确提取病害区域；
所述的Upsampling层，采用两个反卷积操作得到与输入大小一致的分割图 像。
优选的，所述步骤S20中，所述模型训练的具体步骤包括：
S201、设定初始学习率、迭代次数、权重、动量的模型超参数，进行训练；
S202、计算模型实际输出与目标输出的误差损失值，若该误差损失值小于 预先设定的损失值，则执行步骤S30；否则，返回步骤S201。
优选的，所述的初始学习率、迭代次数、权重、动量分别设置为0.0001、 50000、0.00015、0.95。
优选的，所述步骤S30中，所述的测试步骤包括：
S301、计算测试的平均准确度；
S302、判断是否满足要求；若不满足，则返回步骤S20；若满足，则保存模 型及权重参数，并输出分割结果。
优选的，所述步骤S40中，所述构建路面病害测量算法，进行路面病害尺 寸信息测量具体包括：
依据路面病害分割掩码图像，提取病害区域的拓扑特征信息，病害区域像 素值为1、其他区域为0；
使用边缘检测算法统计路面病害的面积及长度像素级别尺寸信息，得到宽 度像素级别尺寸信息；
计算不同高度像素尺寸信息与物理尺寸信息的比例系数，得到拍摄高度与 比例系数的关系曲线图；
进一步拟合出拍摄高度与比例系数的函数关系式，得到路面病害的物理尺 寸信息。
优选的，所述的尺寸信息包括像素尺寸信息和物理尺寸信息；所述物理尺寸 信息包括物理面积、物理宽度和物理长度。
本发明的有益效果是：本发明基于Seg-CapsNet分割算法，使用神经元组(胶 囊)来提取图像特征信息，提高了特征提取的准确性，从而提高分割的有效性。 引入动态路由(Dynamic Routing)算法，得到了胶囊的向量输出，从而提高模 型参数更新的准确性，本发明构建路面病害测量算法，有效实现了路面病害尺 寸信息的测量。
附图说明
图1为本发明方法的流程示意图；
图2为本发明Seg-CapsNet的网络结构示意图；
图3为本发明的路面病害测量算法流程示意图。
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。
请参阅图1-图3，本发明提供一种技术方案：一种基于Seg-CapsNet算法 的路面裂缝像素级别检测方法，流程如图1所示，包括如下步骤：
S10、采集获取路面病害图像，进行数据预处理，构建用于模型训练、测试 的数据集；
S20、构建Seg-CapsNet路面病害分割模型，初始化模型超参数，进行模型 训练；
S30、进行模型测试，保存模型，输出分割结果；
S40、构建路面病害测量算法，进行路面病害尺寸信息测量。
所述步骤S10中，采集的路面病害图像包括裂缝、龟裂及坑洞三种病害； 所述的数据预处理包括图像去噪、裁剪、数据增强及添加高斯噪声；作为优选 方案，采用高斯滤波器对图像进行平滑滤波(去噪)；所述高清摄像机的拍摄照 片的像素规格包括600*600，1024*720，1920*1080，病害图像的裁剪尺寸优选 为512*512像素，当然，也可以剪裁成256*256等像素尺寸，本发明不做限定； 作为优选方案，数据增强技术包括镜像、旋转等等，组成更加完整的数据集； 作为优选方案，在数据集中添加高斯噪声，以提高训练模型的泛化能力及抗噪 声鲁棒性。所述标注，是在图像中对病害区域进行标示，具体的，作为优选方 案，在本实施例中使用开源的labelme软件，根据病害类型将图像中背景区域 标注为0，裂缝区域标注为1，龟裂区域标注为2，坑洞区域标注为3。在对图 像进行标注后的数据按照4：1的比例随机分开，分别记为训练集、测试集。使 用80％的训练集用于所述Seg-CapsNet网络的训练，将学习、训练效果达到最好， 从而提高模型的精度；20％测试集用于所述Seg-CapsNet网络的测试，测试出所 述模型的精度。
所述步骤S20中，模型网络结构如图2所示，所述Seg-CapsNet网络，包 括Convs层、Primary capsule层、Digit capsule层、Fully connected层与 Upsampling层五部分。
具体的，所述的Convs层，作为优选方案，采用两个卷积层进行路面病害 局部特征的提取，这两个卷积层均使用256个卷积核，每个卷积核大小为9*9、 且设定深度为1步长为2，进行卷积操作，卷积后的结果传递给一个非线性激活 函数ReLU得到Convs层的输出。
具体的，所述的Primary capsule层，是CapsNet版的卷积层，用来生成 包含大量低级图像信息的初级胶囊。采用神经元组(神经胶囊)进行病害图像 信息的提取。该层首先对Convs层的输出执行卷积运算。该层使用256个卷积 核，每个卷积核大小为9*9、且设定深度为1步长为2，并重复进行8次并行的 卷积操作，然后经过reshape重组操作，最终输出维度为8*1的初级胶囊。
具体的，所述的Digit capsule层，是CapsNet版的全连接层，采用动态 路由(Dynamic Routing)算法得到Primary capsule层胶囊的向量输出。
具体的，所述的Fully connected层，作为优选方案，采用全连接操作， 提高图像像素之间的空间相关性，该层有助于准确提取病害区域。
具体的，所述的Upsampling层，作为优选方案，采用两个反卷积操作得到 与输入大小一致的分割图像，实现路面病害区域的有效分割，在该层中所使用 的卷积核的大小都为10*10，激活函数分别采用ReLU与Softmax。
所述的模型超参数，作为优选方案，Seg-CapsNet路面病害分割模型的超参 数主要包括，初始学习率、迭代次数、Weight Decay(权重)、Momentum(动量)， 分别设置为0.0001、50000、0.00015、0.95。
具体的，所述的模型训练，包括正向传播与反向传播。所述的正向传播将 所构建的数据集中的训练集批量放入所述Seg-CapsNet，得到模型的输出。所述 的Convs层与Primary capsule层参数的更新采用BP反向传播算法，所述的 Digit capsule层参数的更新采用动态路由(Dynamic Routing)算法确定。所 述步骤S20中训练的具体步骤包括：
S201、设定初始学习率、迭代次数、权重、动量的模型超参数，进行训练；
S202、计算模型实际输出与目标输出的误差损失值，若该误差损失值小于 预先设定的损失值，则执行步骤S30；否则，返回步骤S201。
具体的，误差损失值的计算方式如下式所示：
Figure BDA0003161370310000071
其中，J(ω,b)为损失值，ω，b为权重参数，yi为模型输入的预测输出，
Figure BDA0003161370310000072
为模型输入的目标期望输出。
所述步骤S30中，具体的，所述的模型测试，作为优选方案，将测试数据 输入到所述模型中，进行测试，具体步骤为：
S301、计算测试的平均准确度；
具体的，所述的平均准确度使用Dice系数表示，计算方式如下式所示：
Figure BDA0003161370310000073
其中，
Figure BDA0003161370310000074
为Dice系数，yi为模型输入的预测输出，
Figure BDA0003161370310000075
为模型输入的 目标期望输出。
Figure BDA0003161370310000081
越接近1，表示预测输出与目标期望输出越接近。
S302、若测试的平均准确度(Dice系数)大于0.92(可根据具体情况设定)， 则满足要求，说明模型效果良好，保存此时模型结构及权重参数。若不满足则 返回步骤S20；
所述步骤S40中，构建路面病害测量算法，进行路面病害尺寸信息测量， 路面病害测量算法流程如图3所示，所述步骤S40中尺寸信息的测量包括像素 水平尺寸信息及物理尺寸信息。
具体的，作为优选方案，在本实施例中，首先依据路面病害分割掩码图像， 提取病害区域的拓扑特征信息，病害区域像素值为1、其他区域为0。然后使用 边缘检测算法统计路面病害的面积及长度像素级别尺寸信息，然后使用面积像 素级别尺寸/长度像素级别尺寸，得到宽度像素级别尺寸信息。其次在像素尺寸 信息的基础上，进行物理尺寸信息的测量。首先，选取具有固定尺寸的三角板 (不局限于三角板，只需要有固定尺寸)，计算不同高度像素尺寸信息与物理尺 寸信息的比例系数，得到拍摄高度与比例系数的关系曲线图，进一步拟合出拍 摄高度(自变量)与比例系数(因变量)的函数关系式，进而得到路面病害的物理尺寸信息，包括Real Area(物理面积)、Real Wide(物理宽度)及Real Long(物理长度),如图3中所示。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员 来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部 分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等 同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法，其特征在于，包括如下步骤：
S10、采集获取路面病害图像，进行数据预处理，构建用于模型训练、测试的数据集；
S20、构建Seg-CapsNet路面病害分割模型，初始化模型超参数，进行模型训练；
S30、进行模型测试，保存模型，输出分割结果；
S40、构建路面病害测量算法，进行路面病害尺寸信息测量。
2.根据权利要求1所述的基于Seg-CapsNet算法的路面裂缝像素级别检测方法，其特征在于：所述步骤S10中，所述的数据预处理包括：
去噪，采用高斯滤波器对图像进行平滑滤波；
裁剪，将采集的图像裁剪为预定像素的图像；
数据增强，使用镜像、旋转、添加高斯噪声技术对数据做增强处理；
标注，使用labelme软件在图像中对病害区域进行标示，根据病害类型将图像中背景区域标注为0，裂缝区域标注为1，龟裂区域标注为2，坑洞区域标注为3。
3.根据权利要求1所述的基于Seg-CapsNet算法的路面裂缝像素级别检测方法，其特征在于：所述步骤S10中，所述构建用于模型训练、测试的数据集具体是指：将标注后的数据按照4：1的比例随机分开，将80％的数据划分为训练集，20％的数据划分为测试集。
4.根据权利要求1所述的基于Seg-CapsNet算法的路面裂缝像素级别检测方法，其特征在于：所述步骤S20中，所述Seg-CapsNet路面病害分割模型包括Convs层、Primary capsule层、Digit capsule层、Fully connected层和Upsampling层。
5.根据权利要求4所述的基于Seg-CapsNet算法的路面裂缝像素级别检测方法，其特征在于：所述的Convs层，采用两个卷积操作进行路面病害局部特征的提取；
所述的Primary capsule层，采用神经胶囊进行病害图像信息的提取；
所述的Digit capsule层，采用动态路由Dynamic Routing算法得到Primary capsule层胶囊的向量输出；
所述的Fully connected层，采用全连接操作，提高图像像素之间的空间相关性，准确提取病害区域；
所述的Upsampling层，采用两个反卷积操作得到与输入大小一致的分割图像。
6.根据权利要求1所述的基于Seg-CapsNet算法的路面裂缝像素级别检测方法，其特征在于：所述步骤S20中，所述模型训练的具体步骤包括：
S201、设定初始学习率、迭代次数、权重、动量的模型超参数，进行训练；
S202、计算模型实际输出与目标输出的误差损失值，若该误差损失值小于预先设定的损失值，则执行步骤S30；否则，返回步骤S201。
7.根据权利要求6所述的基于Seg-CapsNet算法的路面裂缝像素级别检测方法，其特征在于：所述的初始学习率、迭代次数、权重、动量分别设置为0.0001、50000、0.00015、0.95。
8.根据权利要求1所述的基于Seg-CapsNet算法的路面裂缝像素级别检测方法，其特征在于：所述步骤S30中，所述的测试步骤包括：
S301、计算测试的平均准确度；
S302、判断是否满足要求；若不满足，则返回步骤S20；若满足，则保存模型及权重参数，并输出分割结果。
9.根据权利要求1所述的基于Seg-CapsNet算法的路面裂缝像素级别检测方法，其特征在于：所述步骤S40中，所述构建路面病害测量算法，进行路面病害尺寸信息测量具体包括：
依据路面病害分割掩码图像，提取病害区域的拓扑特征信息，病害区域像素值为1、其他区域为0；
使用边缘检测算法统计路面病害的面积及长度像素级别尺寸信息，得到宽度像素级别尺寸信息；
计算不同高度像素尺寸信息与物理尺寸信息的比例系数，得到拍摄高度与比例系数的关系曲线图；
进一步拟合出拍摄高度与比例系数的函数关系式，得到路面病害的物理尺寸信息。
10.根据权利要求9所述的基于Seg-CapsNet算法的路面裂缝像素级别检测方法，其特征在于：所述的尺寸信息包括像素尺寸信息和物理尺寸信息；所述物理尺寸信息包括物理面积、物理宽度和物理长度。
CN202110791906.XA 2021-07-13 2021-07-13 一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法 Pending CN113643300A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110791906.XA CN113643300A (zh) 2021-07-13 2021-07-13 一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110791906.XA CN113643300A (zh) 2021-07-13 2021-07-13 一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法

Publications (1)

Publication Number Publication Date
CN113643300A true CN113643300A (zh) 2021-11-12

Family

ID=78417311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110791906.XA Pending CN113643300A (zh) 2021-07-13 2021-07-13 一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法

Country Status (1)

Country Link
CN (1) CN113643300A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115184378A (zh) * 2022-09-15 2022-10-14 北京思莫特科技有限公司 一种基于移动设备的混凝土结构病害检测系统及方法
CN117350985A (zh) * 2023-10-24 2024-01-05 云途信息科技(杭州)有限公司 井盖病害检测方法、装置、计算机设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291712A (zh) * 2020-02-25 2020-06-16 河南理工大学 基于插值的cn和胶囊网络的森林火灾识别方法及装置
CN112258529A (zh) * 2020-11-02 2021-01-22 郑州大学 一种基于实例分割算法的路面裂缝像素级别检测方法
CN112598672A (zh) * 2020-11-02 2021-04-02 坝道工程医院(平舆) 一种基于深度学习的路面病害图像分割方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291712A (zh) * 2020-02-25 2020-06-16 河南理工大学 基于插值的cn和胶囊网络的森林火灾识别方法及装置
CN112258529A (zh) * 2020-11-02 2021-01-22 郑州大学 一种基于实例分割算法的路面裂缝像素级别检测方法
CN112598672A (zh) * 2020-11-02 2021-04-02 坝道工程医院(平舆) 一种基于深度学习的路面病害图像分割方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOQING ZHANG，SHU-GUANG ZHAO: "Cervical image classification based on image segmentation preprocessing and a CapsNet network model" *
王琦: "基于CapsNet的图像分割及在医学图像中的应用" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115184378A (zh) * 2022-09-15 2022-10-14 北京思莫特科技有限公司 一种基于移动设备的混凝土结构病害检测系统及方法
CN115184378B (zh) * 2022-09-15 2024-03-29 北京思莫特科技有限公司 一种基于移动设备的混凝土结构病害检测系统及方法
CN117350985A (zh) * 2023-10-24 2024-01-05 云途信息科技(杭州)有限公司 井盖病害检测方法、装置、计算机设备及存储介质
CN117350985B (zh) * 2023-10-24 2024-04-19 云途信息科技(杭州)有限公司 井盖病害检测方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN108492281B (zh) 一种基于生成式对抗网络的桥梁裂缝图像障碍物检测与去除的方法
CN107480611A (zh) 一种基于深度学习卷积神经网络的裂缝识别方法
CN113409314B (zh) 高空钢结构腐蚀的无人机视觉检测与评价方法及系统
CN109978032B (zh) 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法
CN113643300A (zh) 一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法
CN114998852A (zh) 一种基于深度学习的公路路面病害智能检测方法
CN103400151A (zh) 一体化的光学遥感影像与gis自动配准与水体提取方法
CN110619258B (zh) 一种基于高分辨率遥感影像的道路轨迹核查方法
CN112561881B (zh) 基于评价模型的红外图像自适应数据增强方法
CN114705689A (zh) 一种基于无人机的建筑物外立面裂缝检测方法及系统
CN113240623B (zh) 一种路面病害检测方法及装置
CN100351851C (zh) 基于数学形态学和概率统计的虹膜定位方法
CN115841447A (zh) 一种磁瓦表面缺陷的检测方法
CN114066808A (zh) 一种基于深度学习的路面缺陷检测方法及系统
CN111126185B (zh) 一种针对道路卡口场景的深度学习车辆目标识别方法
CN114022368A (zh) 基于生成对抗网络的路面病害数据增强方法
CN112489026A (zh) 基于多分支并行卷积神经网络的沥青路面病害检测方法
CN115937518A (zh) 一种基于多源图像融合的路面病害识别方法及系统
CN116883439A (zh) 一种表面带水渍的板坯轮廓检测方法及装置
CN115170548A (zh) 基于无监督学习的皮革缺陷自动检测方法及装置
CN113240829B (zh) 一种基于机器视觉的闸机智能通行检测方法
Cheng et al. Embankment crack detection in UAV images based on efficient channel attention U2Net
CN114529730A (zh) 一种基于lbp特征的卷积神经网络地面材质图像分类方法
CN113989287A (zh) 城市道路遥感图像分割方法、装置、电子设备和存储介质
CN113095164A (zh) 基于强化学习和标志点表征的车道线检测定位方法

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: 20211112