CN115100173B - 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法 - Google Patents

基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法 Download PDF

Info

Publication number
CN115100173B
CN115100173B CN202210813650.2A CN202210813650A CN115100173B CN 115100173 B CN115100173 B CN 115100173B CN 202210813650 A CN202210813650 A CN 202210813650A CN 115100173 B CN115100173 B CN 115100173B
Authority
CN
China
Prior art keywords
crack
sub
cgadrcnn
detection
image
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
Application number
CN202210813650.2A
Other languages
English (en)
Other versions
CN115100173A (zh
Inventor
何昱衡
杨宏晖
吴梅
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202210813650.2A priority Critical patent/CN115100173B/zh
Publication of CN115100173A publication Critical patent/CN115100173A/zh
Application granted granted Critical
Publication of CN115100173B publication Critical patent/CN115100173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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]

Landscapes

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

Abstract

本发明提出一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法，首先针对现有路面裂缝检测方法对裂缝表达存在的局限性，提出了新的基于几何属性的裂缝表达方式，可表达图像中相关区域内裂缝的位置、延伸方向与长度等几何属性。新的裂缝表达方法显著提升了裂缝图像的标注效率，提升了标注的一致性，并具有对裂缝识别功能，还具有较高的面积与位置检测精度。进而，本发明提出了基于深度卷积神经网络，搭建了深度裂缝几何属性检测网络，设计了新的损失函数，使得网络可以预测裂缝的几何属性，并根据裂缝几何属性即可将裂缝分为横纹、纵纹与龟裂三类。本发明为公路路面图像裂缝检测与识别提供了一种新的思路、新的技术途径和方法。

Description

基于深度卷积神经网络的公路路面图像裂缝几何属性检测与 裂缝识别方法
技术领域
本发明涉及公路路面图像裂缝检测与识别技术领域，特别是涉及一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法。
背景技术
公路路面质量对交通安全至关重要，尽快发现路面病害，及时养护路面，可以避免交通事故和重大经济损失。路面裂缝是一种常见的路面病害，及时检测和修补路面裂缝可以避免进一步的损坏。随着高速公路总里程数的不断增加，依靠人工检测路面图像裂缝已经无法满足路面质量评价时效性的要求。因此开展基于机器学习的路面裂缝自动检测与识别技术对保证道路质量和行车安全具有重要意义。
目前，国内外研究人员提出的基于机器学习的路面裂缝检测与识别方法可分为两类：传统机器学习方法和深度学习方法。
传统机器学习方法主要利用先验知识和专业知识手动提取特征，然后训练浅层分类器来检测和识别裂缝。这类方法绝大多数需要人工设定特征提取参数和分类器参数，泛化性不足，难以满足工程实践要求。深度学习方法可以通过大量数据训练深度模型提取裂缝特征，从而识别裂缝类型，比传统机器学习方法具有更好的泛化性。研究工作者们提出了很多基于深度学习方法的路面图像裂缝检测算法，主要分为3类。基于语义分割的裂缝检测算法，基于检测框的裂缝检测算法，以及利用二值分类器判断图像是裂缝图像还是非裂缝图像的算法。把输入图像分为裂纹图像还是非裂纹图像的二值分类器无法给出裂缝在图像中的准确位置。基于检测框的裂缝检测算法运行速度快，但是在实际应用中，由于检测框的矩形形状与各种各样的裂缝形状相差较大，致使基于检测框的裂缝检测算法在计算裂缝面积时误差较大，给工程实践带来困难。基于语义分割的裂缝检测算法可以预测裂缝图像中的每个像素是否为裂缝，从而精准地计算出裂缝的长度和面积，但也存在一些突出问题。首先训练样本的像素级标注是一项繁重的工作，同时在标注时，对于处于裂缝边缘的像素，人们很难准确地界定每一个像素是否属于裂缝，不同的标注者对它们有不同的定义。而且，由于计算精确到像素级，基于语义分割的裂缝检测算法的计算速度较慢、模型参数大、检测效率低。
因此，有必要探索一个新的方法，来大幅降低训练样本标注工作量，并在具有较高裂缝检测精度的同时，提高检测效率。
发明内容
为解决现有路面裂缝检测与识别方法存在的种种问题，本发明提出一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法(A crack geometricattributes detection and recognition method based on deep convolutionalneural networks,CGADRCNN)。
本发明首先针对现有路面裂缝检测方法对裂缝表达存在的局限性，提出了新的基于几何属性的裂缝表达方法，可表达图像中相关区域内裂缝的位置、延伸方向与长度等几何属性。新的裂缝表达方法显著提升了裂缝图像的标注效率，提升了标注的一致性，并具有对裂缝识别功能，还具有较高的面积与位置检测精度。进而，本发明提出了基于深度卷积神经网络，搭建了深度裂缝几何属性检测网络，设计了新的损失函数，使得网络可以预测裂缝的几何属性，并根据裂缝几何属性即可将裂缝分为横纹、纵纹与龟裂三类。本发明为公路路面图像裂缝检测与识别提供了一种新的思路、新的技术途径和方法。
本发明的技术方案为：
所述一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法，包括以下步骤：
步骤1：获取公路路面灰度图N张；
步骤2：将每张公路路面灰度图分成(m/s)*(n/s)个子块图，其中每张公路路面图的大小是m*n个像素，每个子块图有s*s个像素点；
步骤3：对每个子块图定义一个类标向量lab＝(a,b,θ,l)，得到每张公路路面灰度图的类标为Y＝{lab1,lab2,…labK}，K＝m·n/s2；其中a和b为子块图中裂缝中心到子块图某一顶点的横向距离与纵向距离，θ是子块图中裂缝方向与子块图横向的夹角，l是裂缝长度与子块图对角线长度的比值；
步骤4：以N张公路路面灰度图X＝{X1,X2,…,XN}和对应的类标Y＝{Y1,Y2,…,YN}构成样本集，并将样本集分为训练集{Xtrain,Ytrain}和验证集{Xtest,Ytest}；
步骤5：构建裂缝几何属性检测深度卷积神经网络CGADRCNN，该网络由c层卷积层和d层池化层构成；设置训练参数：迭代计数器t＝0，迭代总次数T、批大小B，阈值A0和F；
步骤6：随机初始化CGADRCNN网络参数W；将训练集分为批大小为B的小批量数据，并在每个小批量上执行步骤7～步骤9；
步骤7：将训练样本Xi作为CGADRCNN的输入，利用模型参数W，计算CGADRCNN的输出
步骤8：利用CGADRCNN的输出和训练样本Xi对应的类标Yi计算损失Loss，计算公式如下
其中^符号表示CGADRCNN的预测结果，λk为标签值，当第k个子块图中有裂缝时λk＝1，无裂缝时有λk＝0；αa和αp为超参数，用于平衡正负样本不平衡所引起的损失Loss在数量级上的差异；
步骤9：根据损失Loss更新CGADRCNN模型参数W；
步骤10：利用CGADRCNN模型对验证样本{Xtest}进行检测，获得验证样本的利用{Ytest}和/>计算裂缝检测准确率Acc和裂缝检测方向准确率DA，当满足t＞T时，或者，当准确率Acc和DA不小于设定阈值，则停止迭代，得到训练好的CGADRCNN模型，否则，设置t＝t+1，返回步骤7；
步骤11：采集工程实测图像{Xreal}，利用训练好的CGADRCNN模型对实测图像进行检测，获得实测图像检测结果包括裂缝的位置、延伸方向θ与长度。
进一步的，步骤11中，根据实测图像检测结果中裂缝延伸方向θ，判断每个子块图中裂缝是横纹还是纵纹，当45°≤θ＜135°，判为纵纹，其余为横纹。
进一步的，步骤11中，根据实测图像检测结果，统计相邻r*r个子块图中横纹的个数u和纵纹的个数v，若(u+v)/r2≥A且η＜u/v＜1/η，则将这r*r个子块图中的裂缝类别判断为龟裂；其中r为设定的龟裂范围取值，A为设定的裂缝比例阈值，η为设定的横纵比例阈值。
进一步的，步骤10中，裂缝检测准确率Acc＝裂缝正确检测的子块图数目/总子块图数目；裂缝检测方向准确率的子块图数目/l＞0的子块图数目，其中为α为设定的夹角差阈值。
有益效果
本发明提出了一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法。本首先针对现有路面裂缝检测方法对裂缝表达存在的局限性，提出了新的基于几何属性的裂缝表达方法。进而，本发明基于深度卷积神经网络，搭建了深度裂缝几何属性检测网络，设计了新的损失函数，使得深度网络可以预测裂缝的几何属性，并根据裂缝几何属性将裂缝分为横纹、纵纹与龟裂三类。与基于图像语义分割裂缝检测方法的逐个像素标注类标相比，本发明可以显著降低训练样本标注工作量。本发明裂缝检测准确率和检测效率高，并可以给出裂缝的几何属性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1：基于几何属性的裂缝表达方法。
图2：基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法原理框图。
图3：CGADRCNN模型结构图。
图4：基于CGADRCNN的实测路面图像纵纹检测与识别结果。
图5：基于CGADRCNN的实测路面图像横纹检测与识别结果。
图6：基于CGADRCNN的实测路面图像龟裂检测与识别结果。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本实施例提出的基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法包括以下步骤：
步骤1：获取公路路面灰度图206张；
步骤2：将每张公路路面灰度图分成15*20个子块图，其中每张公路路面图的大小是600*800个像素，每个子块图有40*40个像素点；
步骤3：对每个子块图定义一个类标向量lab＝(a,b,θ,l)，得到每张公路路面灰度图的类标为Y＝{lab1,lab2,…labK}，K＝300；其中以子块图左上顶点为坐标系原点，纵轴向下为正，横轴向右为正，a和b为子块图中裂缝中心到子块图左上角的横向距离与纵向距离，取值范围是[0，s]，θ是子块图中裂缝方向与x轴负方向的夹角，取值范围是0-π，l是裂缝长度与子块图对角线长度的比值，取值范围[0，1]；
步骤4：以206张公路路面灰度图X＝{X1,X2,…,X206}和对应的类标Y＝{Y1,Y2,…,Y2}0构成样本集，并将样本集分为训练集{Xtrain,Ytrain}和验证集{Xtest,Ytest}；本实施例中，训练样本个数为106个，验证样本个数为100个；
步骤5：构建裂缝几何属性检测深度卷积神经网络CGADRCNN，该网络由16层卷积层和6层池化层构成；设置训练参数：迭代计数器t＝0，迭代总次数1000、批大小16，阈值A0＝0.8和F＝0.8；
步骤6：随机初始化CGADRCNN网络参数W；将训练集分为批大小为16的小批量数据，并在每个小批量上执行步骤7～步骤9；
步骤7：将训练样本Xi作为CGADRCNN的输入，利用模型参数W，计算CGADRCNN的输出
步骤8：利用CGADRCNN的输出和训练样本Xi对应的类标Yi计算损失Loss，计算公式如下
其中^符号表示CGADRCNN的预测结果，λk为标签值，当第k个子块图中有裂缝时λk＝1，无裂缝时有λk＝0；αa和αp为超参数，用于平衡正负样本不平衡所引起的损失Loss在数量级上的差异，取值均为[1,+∞]；
步骤9：利用反向传播算法根据损失Loss更新CGADRCNN模型参数W；
步骤10：利用CGADRCNN模型对验证样本{Xtest}进行检测，获得验证样本的即对每张图像预测了裂缝的位置、延伸方向与长度；利用{Ytest}和/>计算裂缝检测准确率Acc和裂缝检测方向准确率DA：
裂缝检测准确率Acc＝裂缝正确检测的子块图数目/总子块图数目；
裂缝检测方向准确率的子块图数目/l＞0的子块图数目，其中为α为设定的夹角差阈值。
当满足t＞1000时，或者，当准确率Acc≥0.8和DA≥0.8，则停止迭代，得到训练好的CGADRCNN模型，否则，设置t＝t+1，返回步骤7；
步骤11：采集工程实测图像{Xreal}，利用训练好的CGADRCNN模型对实测图像进行检测，获得实测图像检测结果包括裂缝的位置、延伸方向θ与长度；
根据实测图像检测结果中裂缝延伸方向θ，判断每个子块图中裂缝是横纹还是纵纹，当45°≤θ＜135°，判为纵纹，其余为横纹；
根据实测图像检测结果，统计相邻r*r个子块图中横纹的个数u和纵纹的个数v，若(u+v)/r2≥A且η＜u/v＜1/η，则将这r*r个子块图中的裂缝类别判断为龟裂；其中r为设定的龟裂范围取值，取值范围为[3,12]；A为设定的裂缝比例阈值，取值范围[0,1]；η为设定的横纵比例阈值，取值范围[0,1]。
本实施例中，统计相邻4*4个子块图中横纹的个数为6和纵纹的个数为5，由于11/16≥0.6且0.30＜6/5＜3.33，所以这4*4个子块图中的裂缝类别判断为龟裂。
表1给出了本发明裂缝检测与识别性能，在保持较高裂缝检测准确率情况下，具有极快的检测速度，检测效率高，能够做到准实时检测。
表1本发明裂缝检测与识别性能
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法，其特征在于：包括以下步骤：
步骤1：获取公路路面灰度图N张；
步骤2：将每张公路路面灰度图分成(m/s)*(n/s)个子块图，其中每张公路路面图的大小是m*n个像素，每个子块图有s*s个像素点；
步骤3：对每个子块图定义一个类标向量lab＝(a,b,θ,l)，得到每张公路路面灰度图的类标为Y＝{lab1,lab2,…labK}，K＝m·n/s2；其中a和b为子块图中裂缝中心到子块图某一顶点的横向距离与纵向距离，θ是子块图中裂缝方向与子块图横向的夹角，l是裂缝长度与子块图对角线长度的比值；
步骤4：以N张公路路面灰度图X＝{X1,X2,…,XN}和对应的类标Y＝{Y1,Y2,…,YN}构成样本集，并将样本集分为训练集{Xtrain,Ytrain}和验证集{Xtest,Ytest}；
步骤5：构建裂缝几何属性检测深度卷积神经网络CGADRCNN，该网络由c层卷积层和d层池化层构成；设置训练参数：迭代计数器t＝0，迭代总次数T、批大小B，阈值A0和F；
步骤6：随机初始化CGADRCNN网络参数W；将训练集分为批大小为B的小批量数据，并在每个小批量上执行步骤7～步骤9；
步骤7：将训练样本Xi作为CGADRCNN的输入，利用模型参数W，计算CGADRCNN的输出
步骤8：利用CGADRCNN的输出和训练样本Xi对应的类标Yi计算损失Loss，计算公式如下
其中^符号表示CGADRCNN的预测结果，λk为标签值，当第k个子块图中有裂缝时λk＝1，无裂缝时有λk＝0；αa和αp为超参数，用于平衡正负样本不平衡所引起的损失Loss在数量级上的差异；
步骤9：根据损失Loss更新CGADRCNN模型参数W；
步骤10：利用CGADRCNN模型对验证样本{Xtest}进行检测，获得验证样本的利用{Ytest}和/>计算裂缝检测准确率Acc和裂缝检测方向准确率DA，当满足t＞T时，或者，当准确率Acc和DA不小于设定阈值，则停止迭代，得到训练好的CGADRCNN模型，否则，设置t＝t+1，返回步骤7；
步骤11：采集工程实测图像{Xreal}，利用训练好的CGADRCNN模型对实测图像进行检测，获得实测图像检测结果包括裂缝的位置、延伸方向θ与长度。
2.根据权利要求1所述一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法，其特征在于：步骤11中，根据实测图像检测结果中裂缝延伸方向θ，判断每个子块图中裂缝是横纹还是纵纹，当45°≤θ＜135°，判为纵纹，其余为横纹。
3.根据权利要求2所述一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法，其特征在于：步骤11中，根据实测图像检测结果，统计相邻r*r个子块图中横纹的个数u和纵纹的个数v，若(u+v)/r2≥A且η＜u/v＜1/η，则将这r*r个子块图中的裂缝类别判断为龟裂；其中r为设定的龟裂范围取值，A为设定的裂缝比例阈值，η为设定的横纵比例阈值。
4.根据权利要求3所述一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法，其特征在于：r取值范围为[3,12]。
5.根据权利要求1所述一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法，其特征在于：步骤10中，裂缝检测准确率Acc＝裂缝正确检测的子块图数目/总子块图数目；裂缝检测方向准确率的子块图数目/l＞0的子块图数目，其中为α为设定的夹角差阈值。
CN202210813650.2A 2022-07-11 2022-07-11 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法 Active CN115100173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210813650.2A CN115100173B (zh) 2022-07-11 2022-07-11 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210813650.2A CN115100173B (zh) 2022-07-11 2022-07-11 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法

Publications (2)

Publication Number Publication Date
CN115100173A CN115100173A (zh) 2022-09-23
CN115100173B true CN115100173B (zh) 2024-02-27

Family

ID=83297162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210813650.2A Active CN115100173B (zh) 2022-07-11 2022-07-11 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法

Country Status (1)

Country Link
CN (1) CN115100173B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309447B (zh) * 2023-03-17 2024-01-05 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的水坝斜坡裂缝检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469099A (zh) * 2015-11-20 2016-04-06 南京理工大学 基于稀疏表示分类的路面裂缝检测和识别方法
CN107403197A (zh) * 2017-07-31 2017-11-28 武汉大学 一种基于深度学习的裂缝识别方法
CN110349122A (zh) * 2019-06-10 2019-10-18 长安大学 一种基于深度卷积融合神经网络的路面裂缝识别方法
CN110415233A (zh) * 2019-07-26 2019-11-05 东南大学 基于两步卷积神经网络的路面裂缝快速提取方法
CN111105389A (zh) * 2019-11-21 2020-05-05 天津大学 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法
CN112489023A (zh) * 2020-12-02 2021-03-12 重庆邮电大学 一种基于多尺度和多层次的路面裂缝检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3596449A4 (en) * 2017-03-14 2021-01-06 University of Manitoba DETECTION OF STRUCTURAL DEFECTS USING AUTOMATIC LEARNING ALGORITHMS

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469099A (zh) * 2015-11-20 2016-04-06 南京理工大学 基于稀疏表示分类的路面裂缝检测和识别方法
CN107403197A (zh) * 2017-07-31 2017-11-28 武汉大学 一种基于深度学习的裂缝识别方法
CN110349122A (zh) * 2019-06-10 2019-10-18 长安大学 一种基于深度卷积融合神经网络的路面裂缝识别方法
CN110415233A (zh) * 2019-07-26 2019-11-05 东南大学 基于两步卷积神经网络的路面裂缝快速提取方法
CN111105389A (zh) * 2019-11-21 2020-05-05 天津大学 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法
CN112489023A (zh) * 2020-12-02 2021-03-12 重庆邮电大学 一种基于多尺度和多层次的路面裂缝检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度卷积神经网络融合模型的路面裂缝识别方法;孙朝云;马志丹;李伟;郝雪丽;申浩;;长安大学学报(自然科学版);20200715(第04期);全文 *
面向线阵列CCD道路影像的裂缝识别;贾迪;宋伟东;戴激光;朱红;;中国图象图形学报;20161216(第12期);全文 *

Also Published As

Publication number Publication date
CN115100173A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN108830188B (zh) 基于深度学习的车辆检测方法
CN102096821B (zh) 基于复杂网络理论的强干扰环境下的车牌识别方法
CN111784657A (zh) 一种基于数字图像的水泥路面病害自动识别的系统及方法
CN107833213A (zh) 一种基于伪真值自适应法的弱监督物体检测方法
CN109753949B (zh) 一种基于深度学习的多视窗交通标志检测方法
CN111368702B (zh) 基于YOLOv3网络的复合绝缘子憎水性等级识别方法
CN112016605B (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
CN111241994B (zh) 一种深度学习的遥感影像农村公路砂化路段的提取方法
CN112964712A (zh) 一种快速检测沥青路面状态的方法
CN114488194A (zh) 一种智能驾驶车辆结构化道路下目标检测识别方法
CN104636750B (zh) 一种基于双尺度聚类算法的路面裂缝识别算法及系统
CN103048329A (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN114419007B (zh) 多策略融合深度学习网络模型的缺陷类型识别方法及系统
CN108052886A (zh) 一种小麦条锈病菌夏孢子自动统计计数方法
CN107622277A (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN113240623A (zh) 一种路面病害检测方法及装置
CN111860596A (zh) 基于深度学习的无监督路面裂缝分类方法及模型建立方法
CN112489026B (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
CN115100173B (zh) 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法
CN116503336A (zh) 一种基于深度学习的路面裂缝检测方法
CN109543498B (zh) 一种基于多任务网络的车道线检测方法
CN115619972A (zh) 一种基于点云数据的道路标线磨损识别与评估方法
CN108344997A (zh) 一种基于点迹特征的道路护栏快速检测方法
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
CN116052110B (zh) 一种路面标线缺损智能定位方法及系统

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
GR01 Patent grant
GR01 Patent grant