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 PDFInfo
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 201000010099 disease Diseases 0.000 claims abstract description 60
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 60
- 239000002775 capsule Substances 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000007547 defect Effects 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 241001212789 Dynamis Species 0.000 abstract 1
- 238000000034 method Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 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
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06T7/10—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
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:
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:
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。
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)
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)
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 |
-
2021
- 2021-07-13 CN CN202110791906.XA patent/CN113643300A/zh active Pending
Patent Citations (3)
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)
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)
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 |