CN113674213B - 一种基于旋转目标检测技术的地铁隧道裂缝识别方法 - Google Patents
一种基于旋转目标检测技术的地铁隧道裂缝识别方法 Download PDFInfo
- Publication number
- CN113674213B CN113674213B CN202110844887.2A CN202110844887A CN113674213B CN 113674213 B CN113674213 B CN 113674213B CN 202110844887 A CN202110844887 A CN 202110844887A CN 113674213 B CN113674213 B CN 113674213B
- Authority
- CN
- China
- Prior art keywords
- box
- tunnel
- training
- crack
- vector
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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
- G06T2207/20081—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
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于旋转目标检测技术的地铁隧道裂缝识别方法,包括步骤1:基于旋转目标检测算法,构建地铁隧道裂缝检测网络模型;步骤2:批量获取隧道图像,作为训练数据,对步骤1的网络模型进行训练;步骤3:输入待测隧道图像,利用步骤2训练得到的网络模型捕获隧道裂缝的定向边界盒。本发明使用定向边界盒对裂缝进行捕获,解决了现有隧道缺陷检测技术中,对于裂缝的方向鲁棒性不足的问题。
Description
技术领域
本发明属于轨道交通安全技术领域,具体涉及一种基于旋转目标检测技术的地铁隧道裂缝识别方法。
背景技术
城市轨道交通的大力发展与扩张,进一步促进了中国城轨运营维护后市场的兴起。近年来地铁隧道安全维护中出现的人工效率低、作业强度大、窗口时间短、维护成本高、实效性差、统筹能力弱、与运营衔接不够等问题,对隧道安全检测手段提出了更高的要求。因此,以智能化诊断以及人工智能等技术为核心的隧道检测技术与装备是我国隧道安全维护手段发展的必然选择。
目前主流的隧道表面病害检测方案是聘请专业人士在地铁停运期间,赴现场检测;另一方面,考虑到隧道表面病害检测量大,因此,这一方案需要高额的检测成本。此外,依靠人力进行病害检测,效率低,且容易漏检,严重影响隧道质量安全监控。随着视觉传感器进入地铁隧道检测领域,通过获取隧道图像来分析捕获隧道表面的缺陷,里程传感器准确记录视觉感知位置信息,能够对地铁隧道可能出现的问题及时采取处理措施。
但是,在进行隧道内裂缝检测时,裂缝的方向不确定性会对检测产生干扰,影响了检测的准确度。针对现有技术中的视觉检测地铁隧道裂缝方向鲁棒性问题,目前尚未提出有效的解决方法。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于旋转目标检测技术的地铁隧道裂缝识别方法。
为实现上述技术目的,本发明采取的技术方案为:
一种基于旋转目标检测技术的地铁隧道裂缝识别方法,包括:
步骤1:基于旋转目标检测算法,构建地铁隧道裂缝检测网络模型;
步骤2:批量获取隧道图像,作为训练数据,对步骤1的网络模型进行训练;
步骤3:输入待测隧道图像,利用步骤2训练得到的网络模型捕获隧道裂缝的定向边界盒。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤1所述旋转目标检测算法,具体为:
在一个U形架构上,使用ResNet101 Conv1-5作为主干;
利用双线性插值方法将输入图像进行上采样到与浅层相同的大小;
通过一个3×3的卷积层对上采样的特征图进行细化;
将细化的特征图与浅层连接,通过一个1×1的卷积层以细化信道特征;
通过跳跃连接将深层和浅层结合起来,以共享高层语义信息和底层细节;
在潜在层中使用批量标准化和ReLU激活。
上述的步骤1构建的隧道裂缝检测网络模型,其输入为3通道的待测图像,输出的文件包括四部分信息,分别是:
热图:一张用于检测隧道图像中裂缝的中心点的图像;
偏移:是指由于输入图像到输出的热图进行了比例缩小,因而产生的用于补偿偏移图缩放过的浮动中心点和量化的中心点之间的偏移量数据;
盒参数:是指盒边界感知矢量的相关参数;盒边界感知矢量用于描述定向边界盒,包括从裂缝中心点开始的顶部向量t,右侧向量r,底部向量b,左侧向量1;盒边界感知矢量相关参数还包括边界盒的2个尺寸参数:盒宽度we,盒长度he;盒参数总共有2×4+2=10个通道;这十个参数将以向量箭头的形式标记在输入图像上并输出;
定向:是指将定向边界盒分为水平边界盒和旋转边界盒两类;该分类信息将与盒参数同时标记在输入图像上输出。
上述的隧道裂缝检测网络模型,对于热图的训练,具体为:
假设c=(cx,cy)是定向边界盒的中心点,p=(px,py)表示热图上的任一点坐标,在每个c周围放置一个2D高斯分布以形成热图的有效值,即对于给定点c,点p符合:
其中,σ为盒尺寸自适应标准差;
在训练热图时,损失函数考虑高斯凸起内部点的损失以及不同的焦点损失:
其中指的是热图的有效值,p为热图的预测值,i表示特征图上的像素位置,N是检测对象的数量,α和β是权重参数。
上述的隧道裂缝检测网络模型,对于偏移的训练,具体为:
假设输入图像中给定的有效中心点为则缩放的浮动中心点和量化的中心点之间的偏移为:
通过平滑损失函数SmoothL对其进行优化:
其中N是检测对象的数量,σ是偏移的预测值,是偏移的有效值,s是比例尺,平滑损失函数SmoothL表示为:
上述的隧道裂缝检测网络模型,对于盒参数的训练,具体为:
使用平滑损失函数SmoothL进行回归:
其中指的是盒参数的有效值,b为盒参数的预测值。
上述的隧道裂缝检测网络模型,对于定向的训练,具体为:
使用二值交叉熵损失函数对判定边界方向盒类型进行训练,表示为:
其中指的是方向分类的有效值,α为方向分类的预测值。
上述的步骤2具体为:
批量获取隧道图像,将其划分为训练图像、验证图像和测试图像;
使用训练图像和测试图像对步骤1的网络模型进行训练、测试,当验证集上的损失不再减少时停止训练。
上述的步骤3中,所述的定向边界盒包围隧道图像中裂缝,通过定向边界盒参数中顶部向量t,右侧向量r,底部向量b,左侧向量l反映裂缝。
本发明具有以下有益效果:
本发明基于旋转目标检测技术,对地铁隧道图像进行裂缝识别和检测,使用定向边界盒对隧道中存在的裂缝进行捕获,解决了现有隧道缺陷检测技术中,对于裂缝的方向鲁棒性不足的问题。
附图说明
图1是一种基于旋转目标检测技术的地铁隧道裂缝识别方法的流程图;
图2是基于旋转目标检测算法构建出的隧道裂缝检测网络模型;
图3是用于捕获裂缝的定向边界盒示意图;
图4是本发明实施例中地铁隧道图像;
图5是本发明实施例中地铁隧道图像的裂缝识别和检测结果。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图1,一种基于旋转目标检测技术的地铁隧道裂缝识别方法,包括:
步骤1:基于旋转目标检测算法,构建地铁隧道裂缝检测网络模型;
步骤2:批量获取隧道图像,作为训练数据,对步骤1的网络模型进行训练;
步骤3:输入待测隧道图像,利用步骤2训练得到的网络模型捕获隧道裂缝的定向边界盒。
上述方法可以有效处理现有隧道缺陷检测技术中,对于裂缝的方向鲁棒性不足的问题,并使用定向边界盒对裂缝进行捕获。
图2所示的是基于旋转目标检测算法构建出的隧道裂缝检测网络模型,如图2所示,步骤1所述旋转目标检测算法,具体为:
在一个U形架构上,使用ResNet101 Conv1-5作为主干;
利用双线性插值方法将输入图像进行上采样到与浅层相同的大小;
通过一个3×3的卷积层对上采样的特征图进行细化;
将细化的特征图与浅层连接,通过一个1×1的卷积层以细化信道特征;
通过跳跃连接将深层和浅层结合起来,以共享高层语义信息和底层细节;
在潜在层中使用批量标准化和ReLU激活。
根据图2构建的隧道裂缝检测网络模型,待输入为3通道的待测图像,待输出的特征图可分为四个部分,具体为:
1.热图:用于定位输入图像中的特定关键点。在此模型中,使用热图来检测隧道图像中裂缝的中心点;
2.偏移:在热图中提取峰值点作为裂缝的中心点位置,这些中心点是整数。然而,从输入图像到输出热图按比例缩小一个点会生产一个浮点数。预测缩放的浮动中心点和量化的中心点之间的偏移。
3.盒参数:输出用于捕获裂缝的定向边界盒。
4.定向:为了处理当裂缝方向与坐标系几乎对齐时出现的检测失败的情况,将定向边界盒分为水平边界盒和旋转边界盒两类情况进行处理。当定向边界盒与水平边界盒的重复度小于0.95时,可视为旋转边界盒,其余情况皆视为水平边界盒。
图3所示的是用于捕获裂缝的定向边界盒,它由四个方向矢量:顶部向量t,右侧向量r,底部向量b,左侧向量1;和两个尺寸参数:盒宽度we,盒长度he构成。隧道图像中裂缝由定向边界盒包围,它能够准确、直观、快速地识别并检测隧道裂缝。
实施例中,所述隧道裂缝检测网络模型,对于热图的训练,具体为:
假设c=(cx,cy)是定向边界盒的中心点,p=(px,py)表示热图上的任一点坐标,在每个c周围放置一个2D高斯分布以形成热图的有效值,即对于给定点c,点p符合:
其中,σ为盒尺寸自适应标准差;
在训练热图时,由于正负样本的不平衡,直接学习中心点是困难的;
为了处理这个问题,损失函数需要考虑高斯凸起内部点的损失以及不同的焦点损失:
其中指的是热图的有效值,p为热图的预测值,i表示特征图上的像素位置,N是检测对象的数量,α和β是权重参数。
实施例中,所述隧道裂缝检测网络模型,对于偏移的训练,具体为:
假设输入图像中给定的有效中心点为则缩放的浮动中心点和量化的中心点之间的偏移为:
通过平滑损失函数SmoothL对其进行优化:
其中N是检测对象的数量,σ是偏移的预测值,是偏移的有效值,s是比例尺,平滑损失函数SmoothL可以表示为:
实施例中,所述隧道裂缝检测网络模型,对于盒参数的训练,具体为:
使用平滑损失函数SmoothL对进行回归:
其中指的是盒参数的有效值,b为盒参数的预测值。
实施例中,所述隧道裂缝检测网络模型,对于定向的训练,具体为:
使用二值交叉熵损失函数对判定边界方向盒类型进行训练,表示为:
其中指的是方向分类的有效值,α为方向分类的预测值。
实施例中,步骤2具体为:
批量获取隧道图像,将其划分为训练图像、验证图像和测试图像;
使用训练图像和测试图像对步骤1的网络模型进行训练、测试,当验证集上的损失不再减少时停止训练。
例如:收集十余家轨道交通公司共收集7000张左右训练数据,图像尺寸范围从1000X1000到5000X5000。数据集有5000个训练图像、1000个验证图像和1000个测试图像;
利用所述训练集训练网络,当验证集上的损失不再减少时停止训练。
所述步骤3中,所述定向边界盒包围隧道图像中裂缝,定向边界盒参数中顶部向量t,右侧向量r,底部向量b,左侧向量l反映裂缝,实现准确、直观、快速地识别并检测隧道裂缝。
图4所示的是本发明实施例中地铁隧道图像。该图像上存在许多不同方向的裂缝,这对检测识别裂缝造成了很大的干扰。将图4输入构建并训练好的隧道裂缝检测网络模型中。
图5显示了根据本发明实施例的地铁隧道图像的裂缝识别和检测结果,各个方向的裂缝都被方向边界盒捕获,且与方向相同。可以看出,本发明方法具有良好的识别精度和鲁棒性,可以使用该发明对地铁隧道裂缝进行高效、稳定的识别和检测。
在本发明优先的实施例中提供了一种基于旋转目标检测技术的地铁隧道裂缝识别方法,该方法可以直接应用至各种地铁隧道图像处理装置上,具体实现时,可以通过在写入地铁隧道图像处理装置控制器相应的程序等方式来实现。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于旋转目标检测技术的地铁隧道裂缝识别方法,其特征在于,包括:
步骤1:基于旋转目标检测算法,构建地铁隧道裂缝检测网络模型;
步骤2:批量获取隧道图像,作为训练数据,对步骤1的网络模型进行训练;
步骤3:输入待测隧道图像,利用步骤2训练得到的网络模型捕获隧道裂缝的定向边界盒;
步骤1所述旋转目标检测算法,具体为:
在一个U形架构上,使用ResNet101 Conv1-5作为主干;
利用双线性插值方法将输入图像进行上采样到与浅层相同的大小;
通过一个3×3的卷积层对上采样的特征图进行细化;
将细化的特征图与浅层连接,通过一个1×1的卷积层以细化信道特征;
通过跳跃连接将深层和浅层结合起来,以共享高层语义信息和底层细节;
在潜在层中使用批量标准化和ReLU激活;
步骤1构建的隧道裂缝检测网络模型,其输入为3通道的待测图像,输出的文件包括四部分信息,分别是:
热图:一张用于检测隧道图像中裂缝的中心点的图像;
偏移:是指由于输入图像到输出的热图进行了比例缩小,因而产生的用于补偿偏移图缩放过的浮动中心点和量化的中心点之间的偏移量数据;
盒参数:是指盒边界感知矢量的相关参数;盒边界感知矢量用于描述定向边界盒,包括从裂缝中心点开始的顶部向量t,右侧向量r,底部向量b,左侧向量l;盒边界感知矢量相关参数还包括边界盒的2个尺寸参数:盒宽度we,盒长度he;盒参数总共有2×4+2=10个通道;这十个参数将以向量箭头的形式标记在输入图像上并输出;
定向:是指将定向边界盒分为水平边界盒和旋转边界盒两类;类信息将与盒参数同时标记在输入图像上输出。
2.根据权利要求1所述的一种基于旋转目标检测技术的地铁隧道裂缝识别方法,其特征在于,所述隧道裂缝检测网络模型,对于热图的训练,具体为:
假设c=(cx,cy)是定向边界盒的中心点,p=(px,py)表示热图上的任一点坐标,在每个c周围放置一个2D高斯分布以形成热图的有效值,即对于给定点c,点p符合:
其中,σ为盒尺寸自适应标准差;
在训练热图时,损失函数考虑高斯凸起内部点的损失以及不同的焦点损失,具体为:
其中指的是热图的有效值,p为热图的预测值,i表示特征图上的像素位置,N是检测对象的数量,α和β是权重参数。
3.根据权利要求1所述的一种基于旋转目标检测技术的地铁隧道裂缝识别方法,其特征在于,所述隧道裂缝检测网络模型,对于偏移的训练,具体为:
假设输入图像中给定的有效中心点为则缩放的浮动中心点和量化的中心点之间的偏移为:
通过平滑损失函数SmoothL对其进行优化:
其中N是检测对象的数量,σ是偏移的预测值,是偏移的有效值,s是比例尺,平滑损失函数SmoothL表示为:
4.根据权利要求1所述的一种基于旋转目标检测技术的地铁隧道裂缝识别方法,其特征在于,所述隧道裂缝检测网络模型,对于盒参数的训练,具体为:
使用平滑损失函数SmoothL进行回归:
其中,b为盒参数的预测值,指的是盒参数的有效值。
5.根据权利要求1所述的一种基于旋转目标检测技术的地铁隧道裂缝识别方法,其特征在于,所述隧道裂缝检测网络模型,对于定向的训练,具体为:
使用二值交叉熵损失函数对判定边界方向盒类型进行训练,表示为:
其中指的是方向分类的有效值,α为方向分类的预测值。
6.根据权利要求1所述的一种基于旋转目标检测技术的地铁隧道裂缝识别方法,其特征在于,步骤2具体为:
批量获取隧道图像,将其划分为训练图像、验证图像和测试图像;
使用训练图像和测试图像对步骤1的网络模型进行训练、测试,当验证集上的损失不再减少时停止训练。
7.根据权利要求1所述的一种基于旋转目标检测技术的地铁隧道裂缝识别方法,其特征在于,所述步骤3中,所述的定向边界盒包围隧道图像中裂缝,通过定向边界盒参数中顶部向量t,右侧向量r,底部向量b,左侧向量l反映裂缝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110844887.2A CN113674213B (zh) | 2021-07-26 | 2021-07-26 | 一种基于旋转目标检测技术的地铁隧道裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110844887.2A CN113674213B (zh) | 2021-07-26 | 2021-07-26 | 一种基于旋转目标检测技术的地铁隧道裂缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674213A CN113674213A (zh) | 2021-11-19 |
CN113674213B true CN113674213B (zh) | 2024-04-09 |
Family
ID=78540161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110844887.2A Active CN113674213B (zh) | 2021-07-26 | 2021-07-26 | 一种基于旋转目标检测技术的地铁隧道裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674213B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839268A (zh) * | 2014-03-18 | 2014-06-04 | 北京交通大学 | 一种地铁隧道表面裂缝的检测方法 |
CN110503637A (zh) * | 2019-08-13 | 2019-11-26 | 中山大学 | 一种基于卷积神经网络的道路裂缝自动检测方法 |
AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
CN112734734A (zh) * | 2021-01-13 | 2021-04-30 | 北京联合大学 | 一种基于改进残差网络的铁路隧道裂缝检测方法 |
-
2021
- 2021-07-26 CN CN202110844887.2A patent/CN113674213B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839268A (zh) * | 2014-03-18 | 2014-06-04 | 北京交通大学 | 一种地铁隧道表面裂缝的检测方法 |
AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
CN110503637A (zh) * | 2019-08-13 | 2019-11-26 | 中山大学 | 一种基于卷积神经网络的道路裂缝自动检测方法 |
CN112734734A (zh) * | 2021-01-13 | 2021-04-30 | 北京联合大学 | 一种基于改进残差网络的铁路隧道裂缝检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113674213A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658387B (zh) | 电力列车的受电弓碳滑板缺陷的检测方法 | |
CN102854191B (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN110674808A (zh) | 一种变电站压板状态智能识别方法及装置 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN112270658A (zh) | 一种基于机器视觉的电梯钢丝绳检测方法 | |
CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
CN115482195A (zh) | 一种基于三维点云的列车部件变形检测方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN115690012A (zh) | 一种电能表接错线的检测方法 | |
CN107330434A (zh) | 一种基于phog特征的电路图中电气符号识别方法 | |
CN113674213B (zh) | 一种基于旋转目标检测技术的地铁隧道裂缝识别方法 | |
CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
CN113160132A (zh) | 焊缝缺陷图像的检测处理方法及系统 | |
Cao et al. | Power line detection based on symmetric partial derivative distribution prior | |
CN110189301B (zh) | 一种发电机定子铁心钢片叠装平台的异物检测方法 | |
CN113506290A (zh) | 一种线路绝缘子缺陷检测方法及装置 | |
CN112861620A (zh) | 一种道路井盖破损识别系统及方法 | |
Jiang et al. | Semi-Supervised Framework for Rail Track Surface Damage Detection: Rail track surface damage detected by RTDS-Net | |
CN111091565A (zh) | 一种自适应运动特征匹配与识别的弓网接触点检测方法 |
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 |