CN114724036B - 一种基于多尺度学习的冰裂隙检测方法 - Google Patents
一种基于多尺度学习的冰裂隙检测方法 Download PDFInfo
- Publication number
- CN114724036B CN114724036B CN202210394529.0A CN202210394529A CN114724036B CN 114724036 B CN114724036 B CN 114724036B CN 202210394529 A CN202210394529 A CN 202210394529A CN 114724036 B CN114724036 B CN 114724036B
- Authority
- CN
- China
- Prior art keywords
- data
- gabor
- scale
- ice crack
- crack detection
- 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 45
- 230000006870 function Effects 0.000 claims abstract description 32
- 230000000149 penetrating effect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000013136 deep learning model Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000002790 cross-validation Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract 4
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000012633 leachable Substances 0.000 claims 1
- 238000011430 maximum method Methods 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000002679 ablation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G06F18/24—Classification techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及基于探地雷达数据的冰裂隙检测技术领域,具体涉及一种基于多尺度学习的冰裂隙检测方法。本发明包括以下步骤:对待处理包含冰裂隙的探地雷达数据,进行数据标准化、滑动窗口划分、数据增强、数据集构造等预处理;构建多尺度Gabor‑UNet深度学习模型,将可学习的Gabor滤波器整合进U‑Net网络第一层的卷积核函数中;采用十折交叉验证方法进行模型训练和测试,提供冰裂隙检测结果输出。本发明提出的基于多尺度学习的冰裂隙检测方法,充分利用了Gabor滤波器组和U‑Net深度神经网络的优势,对探地雷达数据进行多尺度特征提取;提升了特征表达的鲁棒性,同时降低了神经网络的训练复杂度;可以根据探地雷达数据进行端到端的、准确实时的冰裂隙检测。
Description
技术领域
本发明涉及基于探地雷达数据的冰裂隙检测技术领域,具体涉及一种基于多尺度学习的冰裂隙检测方法。
背景技术
极地中冰雪的变化对气象和大气变化研究非常重要,但是在极地科考期间,冰裂隙由于被其上面的雪桥覆盖而不易被发现,从而危及科考人员和雪地机器的安全,增大了科学研究的危险性和成本。因此,准确且实时地检测到被雪桥覆盖的裂缝非常重要。
探地雷达凭借其精度高、抗干扰能力强和无损勘探等优点,常被应用于目标检测工程中。探地雷达在20世纪70年代首次用于冰裂隙检测中。起初,冰裂隙检测采用人工方法,将探地雷达设备绑定在移动的车辆的前部,预先采集前方路况的数据并生成雷达图,操作员需要从这些实时更新的雷达图中寻找裂隙特征并及时给出警告。这种方法存在人为因素风险,包括操作员的疲劳程度、经验和主观性等。为了避免人为因素的风险,提升冰裂隙检测的可靠性和鲁棒性,冰裂隙的自动化检测被提出。近几年,一些机器学习方法已被应用于基于探地雷达数据的自动化冰裂隙检测。其中,传统机器学习方法涉及人工选择特征,冰裂隙检测结果与特征提取结果密切相关,对不同情况下的冰裂隙检测泛化性能较差。同时,以往基于机器学习的冰裂隙检测方法往往存在准确率不够、虚警率较高的问题。
因此,设计一种新的冰裂隙检测方法,在保证实时性的同时,进一步提升冰裂隙检测的准确度以及降低虚警率,具有现实意义和良好应用前景。
发明内容
本发明的目的是提供一种基于多尺度学习的冰裂隙检测方法,和已有机器学习方法相比,进一步提升冰裂隙检测的准确率,并降低虚警率。
本发明解决其技术问题所采用的具体技术方案是:基于多尺度学习的冰裂隙检测方法,具体步骤如下:
第一步,对待处理包含冰裂隙的探地雷达数据,进行数据标准化和滑动窗口划分、数据增强、数据集构造等预处理,具体如下:
首先,对待学习探地雷达数据,采用最小最大值方法进行标准化预处理,图像灰度值标准化到[-1,1],使雷达图显示更显著的纹理信息。
然后,对标准化处理后的数据,采用窗口长度L进行滑动窗口划分,窗口与窗口之间有80%的重叠率,每个分析窗口内的探地雷达数据看作一个样本。
最后,基于冰裂隙滑窗划分数据,根据数据标注信息,选择冰裂隙数据和连续雪层数据构造训练集和测试集,只对训练集数据采用水平翻转方式进行数据增强。
第二步,在训练阶段,随机选择预处理后的探地雷达数据,将其输入多尺度Gabor-UNet深度学习网络中进行学习。具体如下:
首先,将预处理后的滑窗划分样本数据作为网络输入数据,采用十折交叉验证的方法进行网络训练和测试;
其次,构建基础UNet神经网络模型,在网络末尾添加三层全连接层,在第一层和第二层全连接层之间设置ReLU激活函数;
然后,对基础UNet网络进行改进,构建多尺度Gabor-UNet深度学习模型,实现对冰裂隙多尺度和多方向纹理特征的提取;
最后,采用Adam优化算法和BCEWithLogitsLoss作为损失函数,对基于多尺度Gabor-UNet神经网络的冰裂隙检测模型进行训练和验证,并保存训练后的模型。
所述的构建多尺度Gabor-UNet深度学习模型,其特征在于:将可学习的Gabor滤波器整合进U-Net网络第一层的卷积核中。其中,Gabor函数是经过高斯调制的余弦函数,所使用的Gabor函数如下:
x′=x cosθ+y sinθ,
y′=-x sinθ+y cosθ,
其中,x和y分别是水平和竖直方向的原始空间坐标,x′和y′分别是x和y旋转处理后的空间坐标,ω和ψ分别是余弦函数的频率和相位,θ是旋转角度,σ是高斯函数的标准差;相位ψ初始值设置为π,高斯函数的标准差σ设置为为了提取多尺度和多方向的特征,本发明中可使
用多个尺度和多个方向的Gabor滤波器组。Gabor滤波器组的频率ωv和方向θu由以下公式得到:
v=1,2,…,V,
u=1,2,…,U,
其中,V是尺度数,U是方向数。将可学习的Gabor滤波器整合进U-Net网络第一层的卷积核函数中,由Gabor函数调节第一层卷积核的权重参数,在整个基于Gabor滤波器和U-Net神经网络的冰裂隙检测模型的训练过程中,ωv(v=1,2,…,V),θu(u=1,2,…,U),ψ和σ都是可学习的参数,并由标准后向传播算法更新。
第三步,在测试阶段,基于训练后的多尺度Gabor-UNet神经网络模型,对测试数据进行检测,输出检测结果。
本发明的有益效果如下:
(1)通过上述基于多尺度学习的冰裂隙检测方法,充分利用了Gabor滤波器提取纹理特征的优点,充分发挥了多尺度、多方向的Gabor滤波器组和U-Net深度神经网络的优势进行多尺度特征提取;
(2)将可学习的Gabor滤波器整合进U-Net网络第一层的卷积核函数中,可以提升特征表达的鲁棒性,同时降低神经网络的训练复杂度;
(3)上述基于多尺度学习的冰裂隙检测方法可以根据探地雷达数据进行端到端的、准确的、实时的冰裂隙检测。
附图说明
图1为本发明实施例的基于多尺度学习的冰裂隙检测方法的流程图;
图2为本发明实施例中冰裂隙探地雷达图像的纹理特征以及滑动窗口示意图;
图3为本发明实施例中基于多尺度学习的冰裂隙检测神经网络模型结构图;
图4为本发明实施例中基于多尺度学习的冰裂隙检测模型和其他模型的检测结果对比。在3条探地雷达实测数据上进行了比较,分别如图(a)、(b)和(c)所示。
具体实施方式
本实施例的硬件环境配置为CPU:Intel(R)Xeon(R);GPU:GeForce GTX 1080 Ti;内存:100G;操作系统:Ubuntu 7.5.0。下面结合附图及实施例,详细描述本发明的技术方案。
本实施例中的实验数据来源于美国南极项目数据中心(United StatesAntarctic Program Data Center)所采集的探地雷达实测冰裂隙实验数据。所使用的探地雷达系统被固定在雪橇上并由车辆牵引,该探地雷达系统包括一个GSSI SIR-30 32位双通道控制单元和5103型“400MHz”天线单元,雷达的一些参数如下:工作带宽:600MHz,中心频率:400MHz,发射信号类型:脉冲信号。
如图1所示,本发明基于多尺度学习的冰裂隙检测方法实施例流程如下:
第一步,对待处理包含冰裂隙的探地雷达数据,进行数据标准化和滑动窗口划分、数据增强、数据集构造等预处理,具体如下:
首先,对待学习探地雷达数据,采用最小最大值方法进行标准化预处理,图像灰度值标准化到[-1,1],使雷达图显示更显著的纹理信息。
然后,对标准化处理后的数据,如图2所示,采用窗口长度L=50进行滑动窗口划分,窗口与窗口之间有80%的重叠率,每个分析窗口内的探地雷达数据看作一个样本。其中,冰裂隙数据共226项,连续雪层数据共2464项,数据的统一维度为530*50。
最后,基于冰裂隙滑窗划分数据,根据数据标注信息,选择冰裂隙数据和连续雪层数据构造训练集和测试集,只对训练集数据采用水平翻转方式进行数据增强。
具体过程为:将2464项连续雪层数据分成10个子数据集,标记为数据集Ai,i=0,…,9,每个子数据集包含246项左右的连续雪层数据。将226项冰裂隙数据标记为数据集B。以第i次训练和验证为例进行说明,选择Ai和B作为实验数据,标记为{Ai,B},其中包含246项左右的连续雪层数据和226项冰裂隙数据;从中选择10%的数据作为验证数据,约包含24项连续雪层数据和22项冰裂隙数据;剩余90%的数据通过水平翻转进行数据增强后作为模型的训练数据,约包含444项连续雪层数据和408项冰裂隙数据。
第二步,在训练阶段,随机选择预处理后的探地雷达数据,将其输入多尺度Gabor-UNet深度学习网络中进行学习。具体如下:
首先,将预处理后的滑窗划分样本数据作为网络输入数据,采用十折交叉验证的方法进行网络训练和测试。
其次,构建基础UNet神经网络模型,在网络末尾添加三层全连接层,分别包含256、64和2个神经元节点,在第一层和第二层全连接层之间设置ReLU激活函数。
然后,对基础UNet网络进行改进,构建多尺度Gabor-UNet深度学习模型,实现对冰裂隙多尺度和多方向纹理特征的提取。
所述的构建多尺度Gabor-UNet深度学习模型,其特征在于:将可学习的Gabor滤波器整合进U-Net网络第一层的卷积核中。其中,Gabor函数是经过高斯调制的余弦函数,所使用的Gabor函数如下:
x′=x cosθ+y sinθ,
y′=-x sinθ+y cosθ,
其中,x和y分别是水平和竖直方向的原始空间坐标,x′和y′分别是x和y旋转处理后的空间坐标,ω和ψ分别是余弦函数的频率和相位,θ是旋转角度,σ是高斯函数的标准差;相位ψ初始值设置为π,高斯函数的标准差σ设置为为了提取多尺度和多方向的特征,本实施例使用5个尺度和8个方向的Gabor滤波器组。Gabor滤波器组的频率ωv和方向θu由以下公式得到:
v=1,2,…,5,
u=1,2,…,8。
将可学习的Gabor滤波器整合进U-Net网络第一层的卷积核函数中,由Gabor函数调节第一层卷积核的权重参数,在整个基于Gabor滤波器和U-Net神经网络的冰裂隙检测模型的训练过程中,ωv(v=1,2,…,5),θu(u=1,2,…,8),ψ和σ都是可学习的参数,并由标准后向传播算法更新。
最后,采用Adam优化算法,学习率设置为0.0001,采用BCEWithLogitsLoss作为损失函数,训练和验证的批次大小设置为32,训练迭代次数为50次。对基于多尺度Gabor-UNet神经网络的冰裂隙检测模型进行训练和验证,并保存训练后的模型。
第三步,在测试阶段,基于训练后的多尺度Gabor-UNet神经网络模型,对测试数据进行检测,输出检测结果。
本实施例的验证指标引入了真阳(TP)、真阴(TN)、假阳(FP)、假阴(FN)的概念。在本实施例中,真阳(TP)为冰裂隙数据被正确预测为冰裂隙的数量,真阴(TN)为连续雪层数据被正确预测为连续雪层的数量,假阳(FP)为连续雪层数据被错误预测为冰裂隙的数量,假阴(FN)为冰裂隙数据被错误预测为连续雪层的数量。本实施例使用以下衡量标准:准确率(AR)、虚警率(FAR)、真阳率(TPR)和假阳率(FPR)。
最终结果取10次交叉验证的衡量指标的均值,实验指标分别为:AR为0.97899,FAR为0.01761,TPR为0.97352,FPR为0.016。
以U-Net网络作为基础网络(Baseline),采用消融实验分析本方面学习模型各模块的性能。消融实验结果如表1所示。和基础网络相比,在将Gabor滤波器整合进基础网络第一层的卷积核中之后,AR和TPR约提升了1%;在使用数据增强后,AR和TPR约提升了2%;同时保持FAR基本不变,说明本发明做出的改进有积极作用。此外,将Gabor滤波器整合进基础网络第一层的卷积核中之后,模型参数量减少了0.02MB,计算量减少了0.4GMac。综上,本发明提出的模型相比基础网络提升了性能。
与传统机器学习方法(Gabor滤波器提取特征,支持向量机作为分类器)进行对比,结果如表2所示,本发明提出的模型的准确率更高,虚警率更低。为了更直观地观察本发明提出的模型对冰裂隙的检测效果,将本发明提出的模型、基础网络U-Net、结合Gabor滤波器和支持向量机的机器学习方法的预测结果与冰裂隙真值数据(标签)进行对比,在3条探地雷达实测数据上进行了对比,对比结果分别如图4(a)、(b)、(c)所示,实线线条对应冰裂隙真值数据(标签),虚线线条对应使用Gabor滤波器和支持向量机的机器学习方法的预测结果,点线线条对应基础网络U-Net的预测结果,点划线线条对应本发明提出的模型的预测结果,白色实线框标记这三种模型的错误检测。图4显示这三种模型都可以检测出所有的冰裂隙以及冰裂隙的双曲线特征,从而可以在空洞到达之前根据双曲线特征给予提前预警。但是,本发明模型在实测数据上的错误检测最少,即本方面所提模型在冰裂隙检测任务中具有更好的准确率和更低的虚警率,对不同冰裂隙数据有较好的泛化性。
表1:模型消融实验结果
模型 | AR | FAR | TPR | FPR |
Baseline | 0.95798 | 0.03918 | 0.95158 | 0.036 |
Baseline+Gabor | 0.96853 | 0.03953 | 0.96047 | 0.024 |
Baseline+数据增强 | 0.97057 | 0.03501 | 0.97352 | 0.032 |
本发明方法 | 0.97899 | 0.01761 | 0.97352 | 0.016 |
表2:和其他模型的对比实验结果
模型 | AR | FAR | TPR | FPR |
Gabor滤波器+支持向量机 | 0.95802 | 0.04279 | 0.95593 | 0.04 |
本发明方法 | 0.97899 | 0.01761 | 0.97352 | 0.016 |
上述说明已经充分介绍了本发明的具体实施方式。需要指出的是,上述实施例并不是对本发明保护范围的限制,熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。
Claims (1)
1.一种基于多尺度学习的冰裂隙检测方法,其特征在于,包括如下步骤:
步骤1:数据预处理,即对待处理包含冰裂隙的探地雷达数据,进行数据标准化、滑动窗口划分、数据增强、数据集构造预处理,具体如下:
首先,对待学习探地雷达数据,采用最小最大值方法进行标准化预处理,图像灰度值标准化到[-1,1],使雷达图显示更显著的纹理信息;
其次,对标准化处理后的数据,采用窗口长度L进行滑动窗口划分,窗口与窗口之间有80%的重叠率,每个分析窗口内的探地雷达数据看作一个样本;
最后,基于冰裂隙滑窗划分数据,根据数据标注信息,选择冰裂隙数据和连续雪层数据构造训练集和测试集,只对训练集数据采用水平翻转方式进行数据增强;
步骤2:在训练阶段,随机选择预处理后的探地雷达数据,将其输入多尺度Gabor-UNet深度学习网络中进行学习,具体如下:
首先,将预处理后的滑窗划分样本数据作为网络输入数据,采用十折交叉验证的方法进行网络训练和测试;
其次,构建基础UNet神经网络模型,在网络末尾添加三层全连接层,在第一层和第二层全连接层之间设置ReLU激活函数;
然后,对基础UNet网络进行改进,构建多尺度Gabor-UNet深度学习模型,实现对冰裂隙多尺度和多方向纹理特征的提取;
最后,采用Adam优化算法和BCEWithLogitsLoss作为损失函数,对基于多尺度Gabor-UNet神经网络的冰裂隙检测模型进行训练和验证,并保存训练后的模型;
步骤3:在测试阶段,基于训练后的多尺度Gabor-UNet神经网络模型,对测试数据进行检测,输出检测结果;
其中所述步骤2中,构建多尺度Gabor-UNet深度学习模型,具体如下:
将可学习的Gabor滤波器整合进U-Net网络第一层的卷积核中,其中,Gabor函数是经过高斯调制的余弦函数,所使用的Gabor函数如下:
,
,
,
其中,和/>分别是水平和竖直方向的原始空间坐标,/>和/>分别是/>和/>旋转处理后的空间坐标,/>和/>分别是余弦函数的频率和相位,/>是旋转角度,/>是高斯函数的标准差;相位/>初始值设置为/>,高斯函数的标准差/>设置为/>;为了提取多尺度和多方向的特征,使用多个尺度和多个方向的Gabor滤波器组;Gabor滤波器组的频率/>和方向/>由以下公式得到:
,
,
,
,
其中,V是尺度数,U是方向数,将可学习的Gabor滤波器整合进U-Net网络第一层的卷积核函数中,由Gabor函数调节第一层卷积核的权重参数,在整个基于Gabor滤波器和U-Net神经网络的冰裂隙检测模型的训练过程中,(/>),/>(/>),/>和/>都是可学习的参数,并由标准后向传播算法更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394529.0A CN114724036B (zh) | 2022-04-13 | 2022-04-13 | 一种基于多尺度学习的冰裂隙检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394529.0A CN114724036B (zh) | 2022-04-13 | 2022-04-13 | 一种基于多尺度学习的冰裂隙检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114724036A CN114724036A (zh) | 2022-07-08 |
CN114724036B true CN114724036B (zh) | 2024-04-02 |
Family
ID=82243406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210394529.0A Active CN114724036B (zh) | 2022-04-13 | 2022-04-13 | 一种基于多尺度学习的冰裂隙检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114724036B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117240312B (zh) * | 2023-11-14 | 2024-01-23 | 成都嘉晨科技有限公司 | 基于深度学习的滤波器优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099032A (zh) * | 2020-09-07 | 2020-12-18 | 自然资源部国土卫星遥感应用中心 | 一种基于激光测高卫星数据的冰裂隙形态分析方法及装置 |
CN113269718A (zh) * | 2021-04-15 | 2021-08-17 | 安徽大学 | 一种基于深度学习的混凝土预制构件裂缝检测方法 |
JP6980958B1 (ja) * | 2021-06-23 | 2021-12-15 | 中国科学院西北生態環境資源研究院 | 深層学習に基づく農村地域分けゴミ識別方法 |
-
2022
- 2022-04-13 CN CN202210394529.0A patent/CN114724036B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099032A (zh) * | 2020-09-07 | 2020-12-18 | 自然资源部国土卫星遥感应用中心 | 一种基于激光测高卫星数据的冰裂隙形态分析方法及装置 |
CN113269718A (zh) * | 2021-04-15 | 2021-08-17 | 安徽大学 | 一种基于深度学习的混凝土预制构件裂缝检测方法 |
JP6980958B1 (ja) * | 2021-06-23 | 2021-12-15 | 中国科学院西北生態環境資源研究院 | 深層学習に基づく農村地域分けゴミ識別方法 |
Non-Patent Citations (1)
Title |
---|
图像分类卷积神经网络的进化设计;马永杰;刘培培;;西北师范大学学报(自然科学版);20200630(第03期);第55-61,134 页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114724036A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
Feng et al. | Pavement crack detection and segmentation method based on improved deep learning fusion model | |
CN105975913B (zh) | 一种基于自适应聚类学习的道路网提取的方法 | |
CN110110618B (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
CN114724036B (zh) | 一种基于多尺度学习的冰裂隙检测方法 | |
CN104318559A (zh) | 用于视频图像匹配的特征点快速检测方法 | |
CN111310737A (zh) | 一种车道线检测方法及装置 | |
CN115343685A (zh) | 应用于病害识别的多维度探地雷达检测方法、装置、设备 | |
Luo et al. | A curvelet-SC recognition method for maize disease | |
Hou et al. | A pointer meter reading recognition method based on YOLOX and semantic segmentation technology | |
CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、系统及电子设备 | |
CN104200472A (zh) | 基于非局部小波信息的遥感图像变化检测方法 | |
CN116403124A (zh) | 一种基于DResNet-PointNet的三维点云围岩的结构面智能识别方法 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN116400724A (zh) | 一种输电线路无人机智能巡检方法 | |
CN114821187A (zh) | 一种基于判别学习的图像异常检测和定位方法及系统 | |
CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 | |
CN113158743B (zh) | 基于先验知识的小目标实时检测与定位方法、系统、设备 | |
Han | A Novel Search Strategy-Based Deep Learning for City Bridge Cracks Detection in Urban Planning | |
Wang | Lane detection of intelligent assisted driving system based on convolutional neural network. | |
CN116823737B (zh) | 一种低纹理环境下隧道壁异常检测方法及系统 | |
CN113780362B (zh) | 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法 | |
CN113343180B (zh) | 一种植被生态环境突变监测方法及其系统 | |
CN114842300B (zh) | 一种适应雨天环境的农作物病虫害检测方法 | |
CN113450308B (zh) | 一种雷达降雨检测方法、装置、计算机设备和存储介质 |
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 |