CN114548278A - 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 - Google Patents

基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 Download PDF

Info

Publication number
CN114548278A
CN114548278A CN202210164296.5A CN202210164296A CN114548278A CN 114548278 A CN114548278 A CN 114548278A CN 202210164296 A CN202210164296 A CN 202210164296A CN 114548278 A CN114548278 A CN 114548278A
Authority
CN
China
Prior art keywords
disease
tunnel lining
target identification
data
frame
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
CN202210164296.5A
Other languages
English (en)
Inventor
赵亮
李可心
马嘉豪
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202210164296.5A priority Critical patent/CN114548278A/zh
Publication of CN114548278A publication Critical patent/CN114548278A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

基于深度学习的在役隧道衬砌结构缺陷识别方法及系统，包括：获取隧道衬砌原始数据；对隧道衬砌探地雷达数据进行预处理，对预处理后的图像中的钢筋网、钢拱架以及空洞三类信号进行分类标记；获得与仿真模型相对应的雷达仿真图；将获取的若干衬砌结构图像按比例分为训练集和验证集；构建病害目标识别模型，利用目标识别训练集对病害目标识别模型进行训练；将测试集病害图像输入训练后的病害目标识别模型；训练后的病害目标识别网络输出目标识别结果，获取隧道衬砌病害类型与区域大小。本发明对病害数据进行模拟仿真以扩增数据集，有效解决空洞病害占比小，样本不均衡导致的网络无法对隧道衬砌病害特征进行有效识别的问题。

Description

基于深度学习的在役隧道衬砌结构缺陷识别方法及系统
技术领域
本发明属于隧道缺陷识别技术领域，特别涉及基于深度学习的在役隧道衬砌结构缺陷识别方法及系统。
背景技术
随着我国隧道及地下工程建设事业的不断完善，隧道里程及数量得到迅猛发展，隧道已成为我国路网中的咽喉工程，随着隧道长期服役和后期养护等诸多原因，由各类衬砌结构缺陷导致隧道病害产生，进而引发的运营安全问题严重影响隧道的服役性能和使用寿命，同时对国家和人民群众生命财产安全构成严重威胁。因此，快速准确检测出衬砌结构质量缺陷类型、判断其所在位置，才可以更有针对性制定有效、合理的隧道质量缺陷处置方案，控制隧道病害的产生和发展，将隧道病害影响降到最低，延长隧道使用寿命，减少隧道运营事故，保障人民的生命财产安全。
探地雷达(ground penetrating radar,简称GPR)作为一种新兴的地球物理测试方法以其高分辨率、无损、快速、连续、强抗干扰性强等优点逐渐成为地下隐蔽工程检测的有力工具,被广泛应用于隧道质量检测与病害诊断等领域。
然而目前对于隧道衬砌结构的地质雷达图像辨识存在许多不足：
(1)检测环境和采集设备等因素会直接影响探地雷达成像质量；
(2)雷达图像数据需要专业技术人员来完成，判别结果容易受到人为主观因素影响；
(3)对于测线长度较长的隧道，生成的大量数据通过人工识别和解译需耗费大量人力物力，识别效率偏低，影响隧道病害分析的可靠性。
发明内容
本发明的目的在于提供基于深度学习的在役隧道衬砌结构缺陷识别方法及系统，以解决雷达检测数据的解译工作复杂、数据量大、识别精度低、耗时且难以实现缺陷目标的精确识别的问题。
为实现上述目的，本发明采用以下技术方案：
基于深度学习的在役隧道衬砌结构缺陷识别方法，包括：
在隧道进行现场采集，获取隧道衬砌原始数据；
对隧道衬砌探地雷达数据进行预处理，并进行数据存储；
对图像中的钢筋网、钢拱架以及空洞三类信号进行分类标记，将矩形框中对应的标注信息以txt格式存储；
根据不同介质的相对介电常数不同采用数值模拟随机生成不同的仿真模型，采用时域有限差分FDTD方法正演出与仿真模型相对应的雷达仿真数据，最终获得与仿真模型相对应的雷达仿真图；
将获取的若干衬砌结构图像按比例分为训练集和验证集；
构建病害目标识别模型，利用目标识别训练集对病害目标识别模型进行训练；
将测试集病害图像输入训练后的病害目标识别模型；训练后的病害目标识别网络输出目标识别结果，获取隧道衬砌病害类型与区域大小。
进一步的，采用探地雷达在隧道进行现场采集：在隧道拱顶、左右拱腰以及左右边墙部位布置若干条纵向雷达测线进行探地雷达无损检测，获取隧道衬砌原始数据。
进一步的，分类标记采用Labellmg软件，具体为：
YOLO模型要求输入图像的大小是32像素的倍数，捕获320*320像素的图像；利用矩形框在衬砌结构和病害区域位置标记，盒子的标签信息以txt格式存储在一个文件中，并且包括沿着矩形盒子对角线的两个点的坐标。
进一步的，预处理具体为：包括零点校正、背景去除、频率域滤波、空间中值滤波、增益放大、修剪时间窗口处理，压制随机的和规则的干扰，以最大可能的分辨率在图像剖面上显示反射波，提取反射波的有效参数和信息。
进一步的，构建病害目标识别模型，其中包括Input、Backbone、Neck、Output四部分。
进一步的，目标识别训练集对病害目标识别模型进行训练：输入端对标记好的衬砌结构病害图像经过Mosaic数据增强，同时随机用缩放、裁剪、排布的方式对样本进行拼接，自动计算数据集的最佳锚框值；
病害样本数据从Focus结构进入主干网络，Focus结构包含4次切片操作和1次32个卷积核的卷积操作将原始608×608×3的图像变成304×304×32的特征图，CSPNet仿照Densenet密集跨层跳层连接的思想，进行局部跨层融合，利用不同层的特征信息来获得更为丰富的病害特征图；
自顶向下将高层的病害特征信息与不同层CSP模块的输出特征进行聚合，再通过自底向上路径聚合结构聚合浅层特征，从而充分融合了不同层的图像特征。
进一步的，Backbone包含Focus结构和跨阶段局部融合网络CSPNet；Neck包含了PANet和FPN模块。
进一步的，将测试集病害图像输入训练后的病害目标识别模型具体包括：
输出层输出3个尺度的特征图，76×76×25、38×38×255、19×19×255的网格，用于检测小、中、大病害目标，每个网格包含3个预测框，预测框含有病害目标的置信度和的区域位置信息；
采用非极大值抑制NMS方法，删除高度冗余的bboxes，即将过滤重复检测的预测框，保留置信度最高的预测框信息；
计算预测边界框与真实边界框之间的损失，得到在LOSS取得最小值情况下每个锚框的类别得分和坐标偏移量，然后用锚框的坐标偏移量去微调先验框得到预测框，使得预测框不断接近真实框返回边框检测结果，采用GIoU损失函数计算损失，公式如下：
Figure BDA0003515535340000041
LG：GIoU损失函数；D：包围真实框与预测框的最小矩形面积；B：预测框；Bg：真实框；
利用损失函数判断是否达到预定义阈值，通过阈值控制进一步调优直至收敛，直至所述结果的准确率达到预设阈值。
进一步的，基于深度学习的在役隧道衬砌结构缺陷识别系统，包括：
数据采集模块，用于在隧道进行现场采集，获取隧道衬砌原始数据；
预处理模块，用于对隧道衬砌探地雷达数据进行预处理，并进行数据存储；
分类模块，用于对图像中的钢筋网、钢拱架以及空洞三类信号进行分类标记，将矩形框中对应的标注信息以txt格式存储；
仿真模型建立模块，用于根据不同介质的相对介电常数不同采用数值模拟随机生成不同的仿真模型，采用时域有限差分FDTD方法正演出与仿真模型相对应的雷达仿真数据，最终获得与仿真模型相对应的雷达仿真图；
病害目标识别模型构件模块，用于将获取的若干衬砌结构图像按比例分为训练集和验证集；构建病害目标识别模型，利用目标识别训练集对病害目标识别模型进行训练；
识别模块，用于将测试集病害图像输入训练后的病害目标识别模型；训练后的病害目标识别网络输出目标识别结果，获取隧道衬砌病害类型与区域大小。
与现有技术相比，本发明有以下技术效果：
本发明对病害数据进行模拟仿真以扩增数据集，有效解决空洞病害占比小，样本不均衡导致的网络无法对隧道衬砌病害特征进行有效识别的问题；
本发明将目标波形特征制作隧道衬砌探地雷达图像的实测数据集，对该网络模型进行训练，使用图像增容和迁移学习对参数调优，能够实现快速、准确检测隧道衬砌结构的检测模型；YOLOv5体积小、速度快，减轻该检测方法对硬件环境的依赖，更易于应用于嵌入式设备。
附图说明
图1为探地雷达数据采集测线布置示意图。
图2为隧道衬砌探地雷达数据处理流程图。
图3为YOLOv5训练检测流程图。
图4为探地雷达图像检测结果图。
具体实施方式
以下结合附图对本发明进一步说明：
请参阅图1至图4，S1：达在隧道进行现场采集，覆盖隧道内部不同位置，在隧道拱顶、左右拱腰以及左右边墙部位布置5条纵向雷达测线进行探地雷达无损检测，获取隧道衬砌原始数据；
S2：根据附图2所示的隧道衬砌探地雷达数据处理流程图，对隧道衬砌探地雷达数据进行预处理，包括零点校正、背景去除、频率域滤波、空间中值滤波、增益放大、修剪时间窗口等处理，压制随机的和规则的干扰，以最大可能的分辨率在图像剖面上显示反射波，提取反射波的有效参数和信息，提高图像信噪比和分辨率，以帮助解释检测成果。
S3:使用Labellmg软件对图像中的钢筋网、钢拱架以及空洞三类信号进行分类标记，将矩形框中对应的标注信息以txt格式存储；
其中，S3步骤进一步包括：
S31：YOLO模型要求输入图像的大小是32像素的倍数，捕获320*320像素的图像；YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。先前所介绍的网络均为yolov5网络模块，采用yolov5网络进行训练和检测；
S32：利用矩形框在衬砌结构和病害区域位置标记，盒子的标签信息以txt格式存储在一个文件中，并且包括沿着矩形盒子对角线的两个点的坐标。
S4：为网络训练提供大量有效数据，根据不同介质的相对介电常数不同，采用数值模拟随机生成不同的仿真模型，模型中主要包括空洞、脱空、钢筋网、钢拱架，考虑到模拟数据生成波形过于理想，添加多种病害同时存在的情况，采用时域有限差分(FDTD)方法正演出与仿真模型相对应的雷达仿真数据，最终获得与仿真模型相对应的雷达仿真图；由于原始数据中空洞数据较少，所以通过仿真模拟出空洞以及其他两类病害的雷达图像，用作训练集来扩充数据集。
S5：将获取的若干衬砌结构图像按比例分为训练集和验证集；
附图3为基于深度学习的隧道衬砌病害目标识别的训练和检测流程图，包括训练和检测两部分，步骤包括：
S6，构建病害目标识别模型，利用目标识别训练集对病害目标识别模型进行训练；
其中，S6步骤进一步包括：
S61，构建病害目标识别模型，其中包括Input、Backbone、Neck、Output4部分；
S62，首先输入端对标记好的衬砌结构病害图像经过Mosaic数据增强，同时随机用缩放、裁剪、排布的方式对样本进行拼接，自动计算数据集的最佳锚框值；
S63，Backbone包含Focus结构和CSPNet(跨阶段局部融合网络)。病害样本数据从Focus结构进入主干网络，Focus结构包含4次切片操作和1次32个卷积核的卷积操作将原始608×608×3的图像变成304×304×32的特征图，CSPNet仿照Densenet密集跨层跳层连接的思想，进行局部跨层融合，利用不同层的特征信息来获得更为丰富的病害特征图；
S64，Neck包含了PANet和FPN模块。自顶向下将高层的病害特征信息与不同层CSP模块的输出特征进行聚合，再通过自底向上路径聚合结构聚合浅层特征，从而充分融合了不同层的图像特征。
S7，将测试集病害图像输入训练后的病害目标识别模型；
其中，S7步骤进一步包括：
S71，输出层输出3个尺度的特征图，76×76×25、38×38×255、19×19×255的网格，用于检测小、中、大病害目标，每个网格包含3个预测框，预测框含有病害目标的置信度和的区域位置信息；
S72，采用NMS(非极大值抑制)方法，删除高度冗余的bboxes，即将过滤重复检测的预测框，保留置信度最高的预测框信息；
S73，计算预测边界框与真实边界框之间的损失，计算预测边界框与真实边界框之间的损失，得到在LOSS取得最小值情况下每个锚框的类别得分和坐标偏移量，然后用锚框的坐标偏移量去微调先验框得到预测框，使得预测框不断接近真实框返回边框检测结果。采用GIoU损失函数计算损失，公式如下：
Figure BDA0003515535340000071
LG：GIoU损失函数
D：包围真实框与预测框的最小矩形面积
B：预测框
Bg：真实框
S74，利用损失函数判断是否达到预定义阈值，通过阈值控制进一步调优直至收敛，以提高模型性能，直至诉述结果的准确率达到预设阈值。
S8，病害目标识别网络输出目标识别结果，可以获取隧道衬砌病害类型与区域大小。

Claims (9)

1.基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，包括：
在隧道进行现场采集，获取隧道衬砌原始数据；
对隧道衬砌探地雷达数据进行预处理，并进行数据存储；
对预处理后的图像中的钢筋网、钢拱架以及空洞三类信号进行分类标记，将矩形框中对应的标注信息以txt格式存储；矩形框是对三类特征进行标注时用到的标注框形式；
根据不同介质的相对介电常数不同采用数值模拟随机生成不同的仿真模型，采用时域有限差分FDTD方法正演出与仿真模型相对应的雷达仿真数据，最终获得与仿真模型相对应的雷达仿真图，用作训练集来扩充数据集；
将获取的若干衬砌结构图像按比例分为训练集和验证集；比例为7：3；其中7为训练集，3为测试集；
构建病害目标识别模型，利用目标识别训练集对病害目标识别模型进行训练；
将测试集病害图像输入训练后的病害目标识别模型；训练后的病害目标识别网络输出目标识别结果，获取隧道衬砌病害类型与区域大小。
2.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，采用探地雷达在隧道进行现场采集：在隧道拱顶、左右拱腰以及左右边墙部位布置若干条纵向雷达测线进行探地雷达无损检测，获取隧道衬砌原始数据。
3.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，分类标记采用Labellmg软件，具体为：
YOLO模型要求输入图像的大小是32像素的倍数，捕获320*320像素的图像；利用矩形框在衬砌结构和病害区域位置标记，盒子的标签信息以txt格式存储在一个文件中，并且包括沿着矩形盒子对角线的两个点的坐标。
4.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，预处理具体为：包括零点校正、背景去除、频率域滤波、空间中值滤波、增益放大、修剪时间窗口处理，压制随机的和规则的干扰，以最大可能的分辨率在图像剖面上显示反射波，提取反射波的有效参数和信息。
5.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，构建病害目标识别模型，其中包括Input、Backbone、Neck、Output四部分；Input：输入端；Backbone：主干网络；Neck：提取的特殊特征；Outpu：输出端。
6.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，目标识别训练集对病害目标识别模型进行训练：输入端对标记好的衬砌结构病害图像经过Mosaic数据增强，同时随机用缩放、裁剪、排布的方式对样本进行拼接，自动计算数据集的最佳锚框值；
病害样本数据从Focus结构进入主干网络，Focus结构包含4次切片操作和1次32个卷积核的卷积操作将原始608×608×3的图像变成304×304×32的特征图，CSPNet仿照Densenet密集跨层跳层连接的思想，进行局部跨层融合，利用不同层的特征信息来获得更为丰富的病害特征图；CSPNet：Cross Stage Partial Network；跨阶段部分网络；Densent：密集连接卷积网络；
自顶向下将高层的病害特征信息与不同层CSP模块的输出特征进行聚合，再通过自底向上路径聚合结构聚合浅层特征，从而充分融合了不同层的图像特征。
7.根据权利要求5所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，Backbone包含Focus结构和跨阶段局部融合网络CSPNet；Neck包含了PANet和FPN模块；PANet：Path Aggregation；路径聚合网络；FPN：Feature Pyramid Networks--特征金字塔网络。
8.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，将测试集病害图像输入训练后的病害目标识别模型具体包括：
输出层输出3个尺度的特征图，76×76×25、38×38×255、19×19×255的网格，用于检测小、中、大病害目标，每个网格包含3个预测框，预测框含有病害目标的置信度和的区域位置信息；
采用非极大值抑制NMS方法，删除高度冗余的bboxes，即将过滤重复检测的预测框，保留置信度最高的预测框信息；
计算预测边界框与真实边界框之间的损失，得到在LOSS取得最小值情况下每个锚框的类别得分和坐标偏移量，然后用锚框的坐标偏移量去微调先验框得到预测框，使得预测框不断接近真实框返回边框检测结果，采用GIoU损失函数计算损失，公式如下：
Figure FDA0003515535330000031
LG：GIoU损失函数；D：包围真实框与预测框的最小矩形面积；B：预测框；Bg：真实框；
利用损失函数判断是否达到预定义阈值，通过阈值控制进一步调优直至收敛，直至所述结果的准确率达到预设阈值。
9.基于深度学习的在役隧道衬砌结构缺陷识别系统，其特征在于，包括：
数据采集模块，用于在隧道进行现场采集，获取隧道衬砌原始数据；
预处理模块，用于对隧道衬砌探地雷达数据进行预处理，并进行数据存储；
分类模块，用于对图像中的钢筋网、钢拱架以及空洞三类信号进行分类标记，将矩形框中对应的标注信息以txt格式存储；
仿真模型建立模块，用于根据不同介质的相对介电常数不同采用数值模拟随机生成不同的仿真模型，采用时域有限差分FDTD方法正演出与仿真模型相对应的雷达仿真数据，最终获得与仿真模型相对应的雷达仿真图；
病害目标识别模型构件模块，用于将获取的若干衬砌结构图像按比例分为训练集和验证集；构建病害目标识别模型，利用目标识别训练集对病害目标识别模型进行训练；
识别模块，用于将测试集病害图像输入训练后的病害目标识别模型；训练后的病害目标识别网络输出目标识别结果，获取隧道衬砌病害类型与区域大小。
CN202210164296.5A 2022-02-22 2022-02-22 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 Pending CN114548278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210164296.5A CN114548278A (zh) 2022-02-22 2022-02-22 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210164296.5A CN114548278A (zh) 2022-02-22 2022-02-22 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统

Publications (1)

Publication Number Publication Date
CN114548278A true CN114548278A (zh) 2022-05-27

Family

ID=81676852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210164296.5A Pending CN114548278A (zh) 2022-02-22 2022-02-22 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统

Country Status (1)

Country Link
CN (1) CN114548278A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310482A (zh) * 2022-07-31 2022-11-08 西南交通大学 一种桥梁钢筋的雷达智能识别方法
CN115619687A (zh) * 2022-12-20 2023-01-17 安徽数智建造研究院有限公司 一种隧道衬砌脱空雷达信号识别方法、设备及存储介质
CN115630492A (zh) * 2022-10-12 2023-01-20 中交第二公路勘察设计研究院有限公司 隧道衬砌病害变化特征智能反演方法、系统及存储介质
CN115830432A (zh) * 2023-02-15 2023-03-21 山东科技大学 一种基于YOLOv5的隧道衬砌裂缝检测方法及设备
CN116106833A (zh) * 2023-04-12 2023-05-12 中南大学 一种基于深度学习的抑制表层钢筋回波的处理方法及系统
CN117152083A (zh) * 2023-08-31 2023-12-01 哈尔滨工业大学 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法
CN117274843A (zh) * 2023-11-15 2023-12-22 安徽继远软件有限公司 基于轻量级边缘计算的无人机前端缺陷识别方法及系统
CN117455902A (zh) * 2023-12-15 2024-01-26 北京交通大学 一种基于预训练大模型的轨道缺陷检测方法及装置
CN117468941A (zh) * 2023-12-28 2024-01-30 四川省铁路建设有限公司 基于智能自检台车的隧道缺陷检测方法及自检台车

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310482A (zh) * 2022-07-31 2022-11-08 西南交通大学 一种桥梁钢筋的雷达智能识别方法
CN115630492B (zh) * 2022-10-12 2023-12-19 中交第二公路勘察设计研究院有限公司 隧道衬砌病害变化特征智能反演方法、系统及存储介质
CN115630492A (zh) * 2022-10-12 2023-01-20 中交第二公路勘察设计研究院有限公司 隧道衬砌病害变化特征智能反演方法、系统及存储介质
CN115619687A (zh) * 2022-12-20 2023-01-17 安徽数智建造研究院有限公司 一种隧道衬砌脱空雷达信号识别方法、设备及存储介质
CN115830432A (zh) * 2023-02-15 2023-03-21 山东科技大学 一种基于YOLOv5的隧道衬砌裂缝检测方法及设备
CN116106833A (zh) * 2023-04-12 2023-05-12 中南大学 一种基于深度学习的抑制表层钢筋回波的处理方法及系统
CN117152083A (zh) * 2023-08-31 2023-12-01 哈尔滨工业大学 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法
CN117152083B (zh) * 2023-08-31 2024-04-09 哈尔滨工业大学 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法
CN117274843A (zh) * 2023-11-15 2023-12-22 安徽继远软件有限公司 基于轻量级边缘计算的无人机前端缺陷识别方法及系统
CN117274843B (zh) * 2023-11-15 2024-04-19 安徽继远软件有限公司 基于轻量级边缘计算的无人机前端缺陷识别方法及系统
CN117455902A (zh) * 2023-12-15 2024-01-26 北京交通大学 一种基于预训练大模型的轨道缺陷检测方法及装置
CN117455902B (zh) * 2023-12-15 2024-03-08 北京交通大学 一种基于预训练大模型的轨道缺陷检测方法及装置
CN117468941A (zh) * 2023-12-28 2024-01-30 四川省铁路建设有限公司 基于智能自检台车的隧道缺陷检测方法及自检台车
CN117468941B (zh) * 2023-12-28 2024-03-12 四川省铁路建设有限公司 基于智能自检台车的隧道缺陷检测方法及自检台车

Similar Documents

Publication Publication Date Title
CN114548278A (zh) 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统
CN112462346A (zh) 一种基于卷积神经网络的探地雷达路基病害目标检测方法
CN112130132B (zh) 基于探地雷达和深度学习的地下管线探测方法和系统
CN108229461A (zh) 一种基于深度学习的隧道裂缝快速识别方法
CN106356757A (zh) 一种基于人眼视觉特性的电力线路无人机巡检方法
CN104458895A (zh) 管道三维漏磁成像检测方法及系统
CN110472597A (zh) 基于深度学习的岩石图像风化程度检测方法及系统
den Bieman et al. Deep learning video analysis as measurement technique in physical models
CN110297041A (zh) 一种基于fcn与gru的3d编织复合材料缺陷检测方法
CN110133639B (zh) 一种传力杆施工质量检测方法
CN115409069A (zh) 村镇建筑的识别方法、分类方法、装置、电子设备和介质
CN116863274A (zh) 一种基于半监督学习的钢板表面缺陷检测方法及系统
CN113255590A (zh) 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统
CN110717464A (zh) 一种基于雷达数据的铁路路基病害智能识别方法
CN113989353A (zh) 一种猪只背膘厚度测定方法及系统
CN108052909A (zh) 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置
CN115422822A (zh) 隧道岩体参数预测方法及装置
CN111830070A (zh) 一种基于边缘计算的缺陷自动识别评判系统及方法
CN116778329A (zh) 城市道路地下浅层病害检测方法、装置、设备及介质
CN116630267A (zh) 基于无人机与激光雷达数据融合的路基沉降监测方法
CN109934151B (zh) 一种基于movidius计算芯片和Yolo face的人脸检测方法
JP7374847B2 (ja) 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム
CN115830302B (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN109919990B (zh) 利用深度感知网络和视差遥感影像进行森林高度预测方法
CN116386302A (zh) 一种边坡智能监测预警系统

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