CN114419005A - 基于改进轻量型cnn与迁移学习的裂缝自动检测方法 - Google Patents
基于改进轻量型cnn与迁移学习的裂缝自动检测方法 Download PDFInfo
- Publication number
- CN114419005A CN114419005A CN202210073319.1A CN202210073319A CN114419005A CN 114419005 A CN114419005 A CN 114419005A CN 202210073319 A CN202210073319 A CN 202210073319A CN 114419005 A CN114419005 A CN 114419005A
- Authority
- CN
- China
- Prior art keywords
- model
- crack
- mobilenet
- training
- cbam
- 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 25
- 238000013526 transfer learning Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000013508 migration Methods 0.000 claims description 16
- 230000005012 migration Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000011056 performance test Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 10
- 230000010354 integration Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000137 annealing Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
基于改进轻量型CNN与迁移学习的裂缝自动检测方法，包括：对采集的裂缝图像进行语义分割处理，去除图像背景噪声干扰；构建模型，在模型中嵌入CBAM模块，并对嵌入CBAM模块的模型进行训练，得到训练好的模型；将语义分割处理后的裂缝图像输入训练好的模型中进行识别，并输出识别结果；本申请可将裂缝与从复杂的图片背景的中快速分离出来，有效降低图像背景噪声的影响，利用迁移学习微调技术提高了模型泛化能力，在满足轻量化的前提下，集成损伤函数，提高模型的识别效率和准确率，提升网络提取复杂裂缝图像特征的能力；还可以实现移动端的集成，对实现裂缝自动化检测和识别具有实际的工程应用价值。
Description
技术领域
本发明涉及裂缝检测技术领域，特别涉及基于改进轻量型CNN与迁移学习的裂缝自动检测方法。
背景技术
随着经济的快速发展，各种各样的建筑的建造速度也越来越快，如：楼房、桥梁，堤坝以及各种工业建筑，同时，这些建筑在长期的使用过程中，也会出现破损和老化，因此，需要定期对建筑进行检测和修复，以防发生安全事故，目前，最常见的做法是基于视觉的人工监测方法，采用肉眼检查、手工描绘等方式来识别建筑的裂缝并记录其分布及形状，然而，人工检查时效性低，性价比低，需要投入大量人力物力，不易及时发现建筑存在的安全隐患，且检查结果的有很大的主观性，不同工程人员对同个结构的判断也存在差异性，准确率较低。
因此，如何提供一种准确率高的裂缝检测方法，是本领域技术人员亟待解决的问题。
发明内容
本申请实施例提供了基于改进轻量型CNN与迁移学习的裂缝自动检测方法，旨在解决现有裂缝识别技术准确率低的问题。
第一方面，本申请提供了基于改进轻量型CNN与迁移学习的裂缝自动检测方法，包括：
对采集的裂缝图像进行语义分割处理，去除图像背景噪声干扰；
构建MobileNetV3-Large模型，在MobileNetV3-Large模型中嵌入CBAM模块，并对嵌入CBAM模块的MobileNetV3-Large模型进行训练，得到训练好的MobileNetV3-Large-CBAM模型；
将语义分割处理后的裂缝图像输入训练好的MobileNetV3-Large-CBAM模型中进行识别，并输出识别结果。
第二方面，本申请还提供了基于改进轻量型CNN与迁移学习的裂缝自动检测系统，该系统包括：
语义分割单元，用于对采集的裂缝图像进行语义分割处理，去除图像背景噪声干扰
模型训练单元，用于构建MobileNetV3-Large模型，在MobileNetV3-Large模型中嵌入CBAM模块，并对嵌入CBAM模块的MobileNetV3-Large模型进行训练，得到训练好的MobileNetV3-Large-CBAM模型；
裂缝识别单元，用于将语义分割处理后的裂缝图像输入训练好的MobileNetV3-Large-CBAM模型中进行识别，并输出识别结果。
第三方面，本申请还提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现上述第一方面所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行上述第一方面所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法。
本申请提出的基于改进轻量型CNN与迁移学习的裂缝自动检测方法，采用VGG16-U-Net对图像集进行语义分割预处理，实现将裂缝与从复杂的图片背景的中快速分离出来，能有效降低图像背景噪声的影响；同时利用迁移学习fine-tuning技术提高了模型泛化能力；该模型在满足轻量化的前提下，集成损伤函数Focal loss，提高模型的识别效率和准确率，提升网络提取复杂裂缝图像特征的能力；此外该模型较小，容易实现移动端的集成，对实现裂缝自动化检测和识别具有实际的工程应用价值。
附图说明
为了更清楚的说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面的描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本申请实施例提供的基于改进轻量型CNN与迁移学习的裂缝自动检测方法流程图；
图2为本申请实施例提供的VGG16-U-Net模型结构图；
图3为本申请实施例提供的MobileNetV3-Large模型结构图；
图4为本申请实施例提供的通道注意力模块的工作原理图；
图5为本申请实施例提供的空间注意力模块的工作原理图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1实施例所示基于改进轻量型CNN与迁移学习的裂缝自动检测方法流程图，包括：
S101、采用VGG16-U-Net对采集的裂缝图像进行语义分割处理，去除图像背景噪声干扰。
裂缝图像存在着大量背景噪声，如何高效处理这些噪声是自动识别裂缝的关键。本申请采用了VGG16-U-Net来对图像语义分割去除图像背景噪声。语义分割是深度学习计算机视觉的一个重要分支，与分类任务不同，语义分割需要判断图像每个像素点的类别，进行精确分割。U-Net具有卷积编码与卷积解码完全对称的模型结构，该模型较浅层用来解决像素定位问题，较深层用来解决像素分类问题。
在本申请中，U-Net的编码器采用VGG16的前15层，在解码器中，使用反卷积层对图像进行上，将特征逐步恢复到图像的原始大小。在解码器后连接一个带有sigmoid激活函数的1×1卷积层，生成图像中每个像素的预测。编码器和解码器之间通过跳跃连接，最终构建VGG16-U-Net全卷积神经模型，实现裂缝与复杂的图片背景的快速分离。该模型由编码层、解码层及最终卷积层3个部分组成，模型结构如图2所示。VGG16-U-Net通过对每个像素进行预测、推断、分类，将图像中不同像素分类，将属于背景噪声的像素用黑色部分表示，属于裂缝的像素用白色部分表示。
S102、构建MobileNetV3-Large模型，在MobileNetV3-Large模型中嵌入CBAM模块，并对嵌入CBAM模块的MobileNetV3-Large模型进行训练，得到训练好的MobileNetV3-Large-CBAM模型；
MobileNetV3-Large为2019年采用神经网络架构搜索(NAS)算法得到的轻量级神经网络，其具体结构如图3所示，并引入Squeeze And Excitation(SE)轻量级注意力模块。
MobileNetV3综合了三种思想：可分离卷积、具有线性瓶颈的逆残差结构，squeezeand excitation结构，MobileNetV3由一个1*1的卷积层、三个3*3的Benck模块，八个5*5的Bneck模块，一个1*1的卷积层，一个7*7的池化层，两个1*1的卷积层按顺序构成。一个k*k的Bneck模块由一个1*1的卷积层(包含RELU6激活函数和Batch Normalization)，一个3*3的深度可分离卷积层(包含RELU6激活函数和Batch Normalization)，一个SE模块，一个1*1的卷积层按顺序构成。
与其他卷积神经网络相比，MobileNetV3-Large模型具有轻量级、运行速度快的优势，在ImageNet上具有更高的分类准确率。ImageNet是计算机视觉系统识别项目，目前是世界上最大的图像识别数据集之一。因此本专利选择了MobilenetV3-Large，参数量少，网络效率高。
在一实施例中，CBAM模块中包含了通道注意力模块和空间注意力模块。
本专利将CBAM嵌入MobileNetV3-Large，可在不增加模型参数体积的前提下，提升网络模型提取获取图像裂缝特征的性能。
参见图4实施例所示的通道注意力模块结构图；
在通道注意力模块中采用了平均池化层和最大池化层，并在池化层后连接一个两层的神经网络来对输入特征进行处理；然后使用Sigmoid]激活函数获得权重系数。最后，将获得的权重系数和输入的特征相乘便可获得通道特征。
参见图5实施例所示的空间注意力模块结构图；
在空间注意力模块中，将平均池化层和最大池化层拼接在一块儿，后接一个激活函数为Sigmoid的7×7、激活函数为Sigmoid的卷积层。将特征输入空间注意力模块，可获得权重。最后，将权重和输入的特征相乘便可得到空间特征。
本申请的模型的训练一般需要循环多次，每次包含前向传播和反向传播两个过程，图像输入模型经过输入层、Bneck等多个模块，最终输出结果，将连同图像真实标签计算得出Focal损失，将得到的Focal损失反向传播至模型，并且采用随机梯度下降方式更新模型中各层的参数权重，之后重新开始新的一次训练。在训练时，不断调整学习率，并在模型训练完成后测试模型性能，待损失完全收敛不再增加时，停止训练，将在测试集上性能最好的模型保存下来。
在一实施例中，对嵌入CBAM模块的MobileNetV3-Large模型进行训练，包括：
将采集的裂缝数据集分为训练集、验证集和测试集三个部分，使用训练集对嵌入CBAM模块的MobileNetV3-Large模型进行训练。
具体为：使用采集的裂缝数据集训练CBAM+MobileNetV3-Large，将裂缝数据集分为训练集、验证集、测试集三个部分，比例分别为6：2：2，训练集的作用是用来训练MobileNetV3-Large+CBAM自动识别裂缝；验证集的作用是为了观察模型在训练过程中识别裂缝的准确率；测试集不参与训练过程，为最终测试模型的性能。
在一实施例中，在训练时，不断调整学习率，包括：
在训练时，使用余弦退火的随机梯度下降不断调整学习率，防止陷入局部最优点。
面向实际工程结构的裂缝识别分类问题，模型的泛化能力也非常重要。泛化能力是指模型对不同场景下的数据集的适应能力，即泛化能力强的模型在不同数据集上表现同样优异，迁移学习可有效提升模型的泛化能力以及在小数据集下的性能。因此在训练过程中采用迁移学习的fine-tuning技术，每个模型均使用了在ImageNet上进行的预训练权重，并冻结除最后一层卷积层和全连接层外的权重，用新的学习速率训练最后一层卷积层和全连接层，达到降低训练成本的作用。使模型能够适应不同的场景，如桥梁，公路。
在实际工程中，存在着较难识别的场景，如复杂形状的裂缝相比简单的裂缝来说更难以识别，Focal loss为2017年提出的损失函数，可以通过减少易分类样本的权重，使得模型在训练时更专注于难分类的样本，因此本文选择Focal loss损失函数。
FL(pt)＝-(1-pt)γlog(pt)
pt：样本属于t类别的概率
γ：集中参数,γ＞＝0
在训练过程中，模型容易陷入局部最优点，而余弦退火的随机梯度下降算法可以在一定的时间内调整学习率使得模型跳出局部最优点到达全局最优点，因此本专利采用余弦退火的随机梯度下降算法；
其中，i为重启的次数；
和
分别为学习率的最大值和最小值，Tcur为当前执行的epochs，Ti为第i次的重启中总的epochs。
S103、将语义分割处理后的裂缝图像输入训练好的MobileNetV3-Large-CBAM模型中进行识别，并输出识别结果。
在得到练好的MobileNetV3-Large-CBAM模型后，即可通过训练好的模型来完成对裂缝图像的自动识别，并得到识别结果。
在一实施例中，本申请还提供了基于改进轻量型CNN与迁移学习的裂缝自动检测系统，该系统包括：
语义分割单元，用于对采集的裂缝图像进行语义分割处理，去除图像背景噪声干扰
模型训练单元，用于构建MobileNetV3-Large模型，在MobileNetV3-Large模型中嵌入CBAM模块，并对嵌入CBAM模块的MobileNetV3-Large模型进行训练，得到训练好的MobileNetV3-Large-CBAM模型；
裂缝识别单元，用于将语义分割处理后的裂缝图像输入训练好的MobileNetV3-Large-CBAM模型中进行识别，并输出识别结果。
在一实施例中，本申请还提供了一种计算机设备，其包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述任一实施例所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法。
在一实施例中，本申请还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时使所述处理器执行上述任一实施例所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (10)
1.基于改进轻量型CNN与迁移学习的裂缝自动检测方法，其特征在于，包括：
对采集的裂缝图像进行语义分割处理，去除图像背景噪声干扰；
构建MobileNetV3-Large模型，在MobileNetV3-Large模型中嵌入CBAM模块，并对嵌入CBAM模块的MobileNetV3-Large模型进行训练，得到训练好的MobileNetV3-Large-CBAM模型；
将语义分割处理后的裂缝图像输入训练好的MobileNetV3-Large-CBAM模型中进行识别，并输出识别结果。
2.如权利要求1所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法，其特征在于，所述CBAM模块包括通道注意力模块和空间注意力模块。
3.如权利要求1所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法，其特征在于，所述对采集的裂缝图像进行语义分割处理，包括：
采用VGG16-U-Net对采集的裂缝图像进行语义分割处理。
4.如权利要求1所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法，其特征在于，所述对嵌入CBAM模块的MobileNetV3-Large模型进行训练，包括：
将采集的裂缝数据集分为训练集、验证集和测试集三个部分，使用训练集对嵌入CBAM模块的MobileNetV3-Large模型进行训练。
5.如权利要求4所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法，其特征在于，所述对嵌入CBAM模块的MobileNetV3-Large模型进行训练，包括：
使用验证集验证模型在训练过程中识别裂缝的准确率。
6.如权利要求4所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法，其特征在于，所述使用训练集对嵌入CBAM模块的MobileNetV3-Large模型进行训练之后，包括：
使用测试集对训练后的模型进行性能测试，对性能最好的模型进行保存。
7.如权利要求1所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法，其特征在于，所述对嵌入CBAM模块的MobileNetV3-Large模型进行训练，包括：
在训练过程中采用迁移学习的fine-tuning技术对模型进行泛化能力加强。
8.基于改进轻量型CNN与迁移学习的裂缝自动检测装置，其特征在于，包括：
语义分割单元，用于对采集的裂缝图像进行语义分割处理，去除图像背景噪声干扰
模型训练单元，用于构建MobileNetV3-Large模型，在MobileNetV3-Large模型中嵌入CBAM模块，并对嵌入CBAM模块的MobileNetV3-Large模型进行训练，得到训练好的MobileNetV3-Large-CBAM模型；
裂缝识别单元，用于将语义分割处理后的裂缝图像输入训练好的MobileNetV3-Large-CBAM模型中进行识别，并输出识别结果。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行如权利要求1-7中任一项所述的基于改进轻量型CNN与迁移学习的裂缝自动检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210073319.1A CN114419005A (zh) | 2022-01-21 | 2022-01-21 | 基于改进轻量型cnn与迁移学习的裂缝自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210073319.1A CN114419005A (zh) | 2022-01-21 | 2022-01-21 | 基于改进轻量型cnn与迁移学习的裂缝自动检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419005A true CN114419005A (zh) | 2022-04-29 |
Family
ID=81276272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210073319.1A Pending CN114419005A (zh) | 2022-01-21 | 2022-01-21 | 基于改进轻量型cnn与迁移学习的裂缝自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419005A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115326809A (zh) * | 2022-08-02 | 2022-11-11 | 山西省智慧交通研究院有限公司 | 一种隧道衬砌表观裂纹检测方法及检测装置 |
| CN116523833A (zh) * | 2023-03-17 | 2023-08-01 | 苏交科集团股份有限公司 | 基于图像识别技术的裂缝监测设备及包括该设备的安全监测应用平台 |
-
2022
- 2022-01-21 CN CN202210073319.1A patent/CN114419005A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115326809A (zh) * | 2022-08-02 | 2022-11-11 | 山西省智慧交通研究院有限公司 | 一种隧道衬砌表观裂纹检测方法及检测装置 |
| CN116523833A (zh) * | 2023-03-17 | 2023-08-01 | 苏交科集团股份有限公司 | 基于图像识别技术的裂缝监测设备及包括该设备的安全监测应用平台 |
| CN116523833B (zh) * | 2023-03-17 | 2024-05-24 | 苏交科集团股份有限公司 | 基于图像识别技术的裂缝监测设备及包括该设备的安全监测应用平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
| CN106776842B (zh) | 多媒体数据检测方法及装置 | |
| CN113392960B (zh) | 一种基于混合空洞卷积金字塔的目标检测网络及方法 | |
| CN113052834B (zh) | 一种基于卷积神经网络多尺度特征的管道缺陷检测方法 | |
| CN114419005A (zh) | 基于改进轻量型cnn与迁移学习的裂缝自动检测方法 | |
| CN114187311A (zh) | 一种图像语义分割方法、装置、设备及存储介质 | |
| CN113780132A (zh) | 一种基于卷积神经网络的车道线检测方法 | |
| CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
| CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
| CN112164077A (zh) | 基于自下而上路径增强的细胞实例分割方法 | |
| CN114332075A (zh) | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 | |
| CN114299305A (zh) | 聚合密集和注意力多尺度特征的显著性目标检测算法 | |
| CN115861861B (zh) | 一种基于无人机配电线路巡检的轻量级验收方法 | |
| CN112418229A (zh) | 一种基于深度学习的无人船海上场景图像实时分割方法 | |
| CN110414338B (zh) | 基于稀疏注意力网络的行人再辨识方法 | |
| CN115239034B (zh) | 一种风力发电机叶片早期缺陷预测方法及系统 | |
| TWI809957B (zh) | 物件偵測方法及電子裝置 | |
| CN116758407A (zh) | 一种基于CenterNet的水下小目标检测方法及装置 | |
| CN116028893A (zh) | 一种智能化数据监测方法、系统及电子设备 | |
| CN115909192A (zh) | 一种基于改进EfficientDet的行人检测方法 | |
| CN110991366A (zh) | 一种基于三维残差网络的航运监控事件识别方法及系统 | |
| Liu et al. | Text detection based on bidirectional feature fusion and sa attention mechanism | |
| Rathod et al. | Leveraging CNNs and Ensemble Learning for Automated Disaster Image Classification | |
| CN117710755B (zh) | 一种基于深度学习的车辆属性识别系统及方法 | |
| CN116912511A (zh) | 一种短时紧凑联级的轻量化结构裂隙分割方法 |
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 |