CN115456973A - 渗漏水病害检测与识别模型的建立方法、装置及设备 - Google Patents
渗漏水病害检测与识别模型的建立方法、装置及设备 Download PDFInfo
- Publication number
- CN115456973A CN115456973A CN202211057460.9A CN202211057460A CN115456973A CN 115456973 A CN115456973 A CN 115456973A CN 202211057460 A CN202211057460 A CN 202211057460A CN 115456973 A CN115456973 A CN 115456973A
- Authority
- CN
- China
- Prior art keywords
- image
- image set
- leakage
- water
- disease 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.)
- Pending
Links
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
- G06V10/82—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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供渗漏水病害检测与识别模型的建立方法、装置及设备,该方法包括:获取含有标记信息的样本图像集,其中,样本图像集包括第一图像集和第二图像集,第一图像集为经过分割处理过的渗漏水图像,第二图像集为经过人工标记过的渗漏水图像;将样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对渗漏水病害检测与识别网络进行训练,得到训练好的渗漏水病害检测与识别模型;其中,训练好的渗漏水病害检测与识别模型用于对待检测的渗漏水图像进行检测及识别。本发明通过使用少量的含有标记信息的人工标记过的渗漏水图像和大量经过分割处理过的含有标记信息的渗漏水图像对构建的渗漏水病害检测与识别网络进行训练,提高了模型的精确度。
Description
技术领域
本发明涉及隧道渗漏水检测技术领域,尤其涉及一种渗漏水病害检测与识别模型的建立方法、装置及设备。
背景技术
随着我国公路隧道、地铁隧道、综合地下管廊等地下工程的发展,隧道渗漏水作为一种较常见的病害,逐渐受到人们的关注。渗漏水病害会造成隧道周边的土体固结沉降,继而引发其它病害产生。因此及时检测并识别隧道表面渗漏水已成为评估隧道结构耐久性的一项重要内容。
以地铁隧道为例,目前针对地铁隧道表面渗漏水病害的检测方法主要包括传统的人工巡检法和计算机视觉法。人工巡检法主要为派遣人员定期下到隧道中,进行人工目测或利用相机等进行数据的采集。计算机视觉法包括传统的图像处理法和深度学习法等。传统的图像处理法利用阈值分割、边缘检测、形态学分析等方法检测并识别隧道表面渗漏水病害。深度学习方法通过利用多层神经网络从海量图像数据信息中挖掘图像多层特征并将其不断汇集到网络模型中,再通过训练特定的网络模型,完成对输入图像数据的检测及识别。
然而,人工巡检法会导致地铁养护成本直线上升,并且存在主观性强、效率低的缺点。传统的图像处理方法虽然计算复杂度低、算法硬件计算需求也不高,但是难以克服地铁隧道表面病害对比度低、光照不均、背景噪声污染严重等干扰。目前,虽然基于深度学习的渗漏水模型已经开始应用到渗漏水病害的检测中,但是由于有效的标记样本较少,使得现有的渗漏水病害检测与识别模型的检测准确度较低。
发明内容
本发明实施例提供了一种渗漏水病害检测与识别模型的建立方法、装置及设备,以解决目前由于有效的标记样本较少,使得现有的渗漏水病害检测与识别模型的检测准确度较低的问题。
第一方面,本发明实施例提供了一种渗漏水病害检测与识别模型的建立方法,包括:
获取含有标记信息的样本图像集,其中,样本图像集包括第一图像集和第二图像集,第一图像集为经过分割处理过的渗漏水图像集,第二图像集为经过人工标记过的渗漏水图像集;
将样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对渗漏水病害检测与识别网络进行训练,得到训练好的渗漏水病害检测与识别模型;其中,训练好的渗漏水病害检测与识别模型用于对待检测的渗漏水图像进行检测及识别。
在一种可能的实现方式中,获取含有标记信息的样本图像集之前,还包括:
将多个未标记的渗漏水图像进行信号阈值分割处理,得到多个含有弱标记信息的第一弱标记图像;
并将多个未标记的渗漏水图像输入至预先训练好的语义分割模型中,得到多个含有弱标记信息的第二弱标记图像;
将所有第一弱标记图像和第二弱标记图像经过评估处理后,得到含有弱标记信息的第一图像集。
在一种可能的实现方式中,将多个未标记的渗漏水图像输入至预先训练好的语义分割模型中,得到多个含有弱标记信息的第二弱标记图像之前,还包括:
获取语义分割模型的训练集,其中,语义分割模型的训练集中的图像为含有人工标记信息的第二图像集和含有人工标记信息的第三图像集,第三图像集为包含钢结构表面锈蚀的图像;
将语义分割模型的训练集输入至预先利用VGG16搭建的全卷积神经网络中进行训练,得到训练好的语义分割模型。
在一种可能的实现方式中,将所有第一弱标记图像和第二弱标记图像经过评估处理后,得到含有弱标记信息的第一图像集,包括:
目标未标记的图像在分别经过信号阈值分割处理以及输入至预先训练好的语义分割模型后,分别得到目标第一弱标记图像和目标第二弱标记图像;其中,目标未标记的图像为多个未标记的渗漏水图像中的任意一张图像;
基于目标第一弱标记图像的渗漏水面积与目标未标记的图像的面积之比、目标第二弱标记图像的渗漏水面积与目标未标记的图像的面积之比、以及预设面积比值的阈值比例,确定无效的弱标记图像;
将无效的弱标记图像从所有第一弱标记图像和第二弱标记图像中去除,得到第一图像集。
在一种可能的实现方式中,将样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对渗漏水病害检测与识别网络进行训练,包括:
基于误差反向传播算法、误差损失函数和样本图像集对预先构建的Mask R-CNN深度网络框架进行训练,得到训练好的渗漏水病害检测与识别模型;
其中,误差损失函数为基于样本图像集中的每个图像经过Mask R-CNN深度网络框架后得到的预测特征图的像素预测值与该图像相对应的标记信息的二值图的误差、第一图像集的权重以及第二图像集的权重构建的;Mask R-CNN深度网络框架采用的深度残差网络为ResNet-101,ResNet-101包含用于提取样本图像集的预测特征图的4个卷积块。
在一种可能的实现方式中,当第一图像集中包含目标图像的第一弱标记图像和第二弱标记图像时,则目标图像的权重为该目标图像的第一弱标记图像和第二弱标记图像的标记信息的二值图的余弦相似度;
当第一图像集中仅包含目标图像的第一弱标记图像或第二弱标记图像时,则目标图像的权重为所有第一图像集的权重的均值。
在一种可能的实现方式中,ResNet-101中的4个卷积块分别输出4个预测特征图,分别为C2、C3、C4、C5,每个卷积块的误差损失函数Lmask(y,C)为:
所有卷积块的误差损失函数为Lmask(y)为:
其中,y为样本图像集中的每个图像的标记信息的二值图,C为每层预测特征图的像素预测值,w为样本图像集的权重,M为每一层预测特征图的尺寸,ij为每个像素的坐标值,0≤i≤M-1,0≤j≤M-1,2≤k≤5,Cij为每层预测特征图的每个位置的像素预测值,yij为样本图像集中的每个图像的每个位置的标记信息的二值图。
第二方面,本发明实施例提供了一种渗漏水病害检测与识别模型的建立装置,包括:
获取样本模块,用于获取含有标记信息的样本图像集,其中,样本图像集包括第一图像集和第二图像集,第一图像集为经过分割处理过的渗漏水图像集,第二图像集为经过人工标记过的渗漏水图像集;
构建模型模块,用于将样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对渗漏水病害检测与识别网络进行训练,得到训练好的渗漏水病害检测与识别模型;其中,训练好的渗漏水病害检测与识别模型用于对待检测的渗漏水图像进行检测及识别。
在一种可能的实现方式中,获取样本模块,还用于将多个未标记的渗漏水图像进行信号阈值分割处理,得到多个含有弱标记信息的第一弱标记图像;
并将多个未标记的渗漏水图像输入至预先训练好的语义分割模型中,得到多个含有弱标记信息的第二弱标记图像;
将所有第一弱标记图像和第二弱标记图像经过评估处理后,得到含有弱标记信息的第一图像集。
在一种可能的实现方式中,获取样本模块,还用于获取语义分割模型的训练集,其中,语义分割模型的训练集中的图像为含有人工标记信息的第二图像集和含有人工标记信息的第三图像集,第三图像集为包含钢结构表面锈蚀的图像;
将语义分割模型的训练集输入至预先利用VGG16搭建的全卷积神经网络中进行训练,得到训练好的语义分割模型。
在一种可能的实现方式中,获取样本模块,还用于目标未标记的图像在分别经过信号阈值分割处理以及输入至预先训练好的语义分割模型后,分别得到目标第一弱标记图像和目标第二弱标记图像;其中,目标未标记的图像为多个未标记的渗漏水图像中的任意一张图像;
基于目标第一弱标记图像的渗漏水面积与目标未标记的图像的面积之比、目标第二弱标记图像的渗漏水面积与目标未标记的图像的面积之比、以及预设面积比值的阈值比例,确定无效的弱标记图像;
将无效的弱标记图像从所有第一弱标记图像和第二弱标记图像中去除,得到第一图像集。
在一种可能的实现方式中,构建模型模块,用于基于误差反向传播算法、误差损失函数和样本图像集对预先构建的Mask R-CNN深度网络框架进行训练,得到训练好的渗漏水病害检测与识别模型;
其中,误差损失函数为基于样本图像集中的每个图像经过Mask R-CNN深度网络框架后得到的预测特征图的像素预测值与该图像相对应的标记信息的二值图的误差、第一图像集的权重以及第二图像集的权重构建的;Mask R-CNN深度网络框架采用的深度残差网络为ResNet-101,ResNet-101包含用于提取样本图像集的预测特征图的4个卷积块。
在一种可能的实现方式中,当第一图像集中包含目标图像的第一弱标记图像和第二弱标记图像时,则目标图像的权重为该目标图像的第一弱标记图像和第二弱标记图像的标记信息的二值图的余弦相似度;
当第一图像集中仅包含目标图像的第一弱标记图像或第二弱标记图像时,则目标图像的权重为所有第一图像集的权重的均值。
在一种可能的实现方式中,ResNet-101中的4个卷积块分别输出4个预测特征图,分别为C2、C3、C4、C5,每个卷积块的误差损失函数Lmask(y,C)为:
所有卷积块的误差损失函数为Lmask(y)为:
其中,y为样本图像集中的每个图像的标记信息的二值图,C为每层预测特征图的像素预测值,w为样本图像集的权重,M为每一层预测特征图的尺寸,ij为每个像素的坐标值,0≤i≤M-1,0≤j≤M-1,2≤k≤5,Cij为每层预测特征图的每个位置的像素预测值,yij为样本图像集中的每个图像的每个位置的标记信息的二值图。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例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实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种渗漏水病害检测与识别模型的建立方法,首先,获取含有标记信息的样本图像集,然后,将样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对渗漏水病害检测与识别网络进行训练,得到训练好的渗漏水病害检测与识别模型。从而,训练好的渗漏水病害检测与识别模型即可用于对待检测的渗漏水图像进行检测及识别。本申请通过使用少量的含有标记信息的人工标记过的渗漏水图像和大量经过分割处理过的含有标记信息的渗漏水图像对构建的渗漏水病害检测与识别网络进行训练,提高了模型的精确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的渗漏水病害检测与识别模型的建立方法的实现流程图;
图2是本发明实施例提供的采用图像信号阈值分割方法进行渗漏水图像处理的结果图;
图3是本发明实施例提供的语义分割模型的结构示意图;
图4A是本发明实施例提供的未标记的渗漏水图像;
图4B是将图4A中的渗漏水图像输入至语义分割网络中输出的弱标记结果图;
图5是本发明实施例提供的一种渗漏水病害检测与识别模型的建立方法的结构框图;
图6是本发明实施例提供的一种渗漏水病害检测与识别模型的建立装置的示意图;
图7是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
渗漏水病害会造成隧道周边的土体固结沉降,继而引发其它病害产生。因此及时检测并识别隧道表面渗漏水已成为评估隧道结构耐久性的一项重要内容。
然而,现有的借助深度学习网络对渗漏水进行检测与识别的模型,还存在以下几个问题亟需解决:第一、利用深度学习等方法进行渗漏水病害检测与识别,需要标记足够多的渗漏水图像数据,而据统计1公里的隧道病害巡检将产生超过200GB的图像数据,地铁隧道病害图像数据量巨大,单纯依靠人工标记耗时费力。第二、受渗漏水病害边界的不确定性影响,目前专业技术人员无法短时有效地完成新增图像样本标记,此时地铁隧道渗漏水检测系统将会面临大量无标记的图像样本,如何利用少量有效的标记样本同时挖掘大量未标记样本的潜在信息,优化提升渗漏水病害检测与识别模型的性能,是渗漏水病害检测与识别模型亟待解决的一大难题。
为了解决现有技术问题,本发明实施例提供了一种渗漏水病害检测与识别模型的建立方法、装置及设备。下面首先对本发明实施例所提供的渗漏水病害检测与识别模型的建立方法进行介绍。
渗漏水病害检测与识别模型的建立方法的执行主体,可以是渗漏水病害检测与识别模型的建立装置,该渗漏水病害检测与识别模型的建立装置可以是具有处理器和存储器的电子设备,例如移动电子设备或者非移动电子设备。本发明实施例不作具体限定。
参见图1,其示出了本发明实施例提供的渗漏水病害检测与识别模型的建立方法的实现流程图,详述如下:
步骤S110、获取含有标记信息的样本图像集。
深度神经网络具有非常强的学习能力,如果没有大量的训练数据,则会造成过拟合,训练出的模型检测的准确度较低,无法使用,因此,必须使用大量的训练数据对深度神经网络进行训练。然而,由于渗漏水边界特殊的渗流特性,导致目前专业技术人员很难在短时间内准确有效地标记新增的渗漏水图像,从而制约渗漏水病害检测与识别性能的提升。
其中,样本图像集包括第一图像集和第二图像集,第一图像集为经过分割处理过的渗漏水图像,第二图像集为经过人工标记过的渗漏水图像。
经过分割处理过的渗漏水图像为弱标记图像,需要说明的是,此处的弱标记是相对于人工标记来说的,人工标记为强标记,弱标记图像为非人工标记的图像。
在一些实施例中,需要首先获取到第一图像集,即经过分割处理过的含有标记信息的渗漏水图像。
步骤S1110、将多个未标记的渗漏水图像进行信号阈值分割处理,得到多个含有弱标记信息的第一弱标记图像。
由于渗漏水区域内像素灰度呈现一定的聚集性,基于此,利用图像信号阈值分割方法进行渗漏水图像处理。
具体的,可以分别采用大津阈值法、分水岭法、区域生长法这3种信号阈值分割方法作为渗漏水弱标记候选方法,并分别从光照、拼缝、管线、螺栓孔等四方面干扰因素评价这3种信号阈值分割方法的适用性。
其中,评价指标J为:J=t1Re+t2Pa;
TP为真阳值、TN为真阴值、FP为假阳值、FN为假阴值;Re为召回率、Pa为准确率;t1与t2分别为召回率与准确率的计算权重。为了保证深度学习网络对渗漏水区域的完整感知效果,一般设定权重参数t1>t2。
图2中为分别使用大津阈值法、区域生长法和分水岭法对未标记的渗漏水进行处理后的标记结果图。从图中可以看出,大津阈值法的分割效果最好。因此,可以选用大津阈值法对多个未标记的渗漏水图像进行处理,得到多个含有弱标记信息的第一弱标记图像。
虽然利用信号阈值分割方法可以无监督地从大量未标记的隧道巡检图像中获取部分有效的渗漏水标记样本。但是为了进一步提高深度学习网络对海量隧道巡检图像数据的学习能力,还需要获取更多类型的标记样本。
步骤S1120、将多个未标记的渗漏水图像输入至预先训练好的语义分割模型中,得到多个含有弱标记信息的第二弱标记图像。
其中,语义分割模型为基于迁移学习的渗漏水弱标记方法训练得到的。
首先需要获取语义分割模型的训练集,其中,语义分割模型的训练集中的图像为含有人工标记信息的第二图像集和含有人工标记信息的第三图像集,第三图像集为包含钢结构表面锈蚀的图像。
具体的,通过大量现场调研与渗漏水病害图像信号分析,发现钢结构表面锈蚀病害的边界特性与渗漏水病害的边界渗流特性十分相似。因此,收集了大量的钢结构表面锈蚀的图像数据,并与有效的人工标记的渗漏水图像数据构成语义分割模型训练集。
为了保证迁移学习构建的模型与后续构建的渗漏水病害检测与识别模型相对独立,并避免渗漏水病害检测与识别模型在迭代训练中出现病态发展,本申请实施例中构建了一个新的基于全卷积网络的语义分割模型。
具体的,语义分割模型以VGG16+FCN为基础建立,整个网络模型共有6组卷积层,在每组卷积层之间用池化层隔离。如图3所示的语义分割模型的结构示意图中,Conv、AveragePool、ReLu和DeConv等分别表示卷积、平均池化、激活和反卷积操作。将收集到的语义分割模型的训练集输入至该网络中进行训练,可构建语义分割模型。利用该模型的迁移学习能力,可提取大量未标记渗漏水图像的弱标记。
如图4A和4B所示,将图4A中的未标记的渗漏水图像输入至训练好的语义分割模型中,即可得到如图4B所示的带有弱标记的渗漏水结果图。
步骤S1130、将所有第一弱标记图像和第二弱标记图像经过评估处理后,得到含有弱标记信息的第一图像集。
通过采用阈值分割方法和语义分割模型这两种弱标记方法,可以对大量无标记信息的渗漏水图像进行标记,无须通过人工进行一一标记。为了避免一些不良状态的弱标记渗漏水样本破坏渗漏水病害检测与识别模型的训练学习效果,还提出了弱标记图像的质量评估方法,用于剔除无效的弱标记渗漏水样本数据。
在一些实施例中,目标未标记的图像在分别经过信号阈值分割处理以及输入至预先训练好的语义分割模型后,会分别得到两种弱标记图像,分别为目标第一弱标记图像和目标第二弱标记图像。其中,目标未标记的图像为多个未标记的渗漏水图像中的任意一张图像。可以基于目标第一弱标记图像的渗漏水面积与目标未标记的图像的面积之比、目标第二弱标记图像的渗漏水面积与目标未标记的图像的面积之比、以及预设面积比值的阈值比例,确定无效的弱标记图像。将无效的弱标记图像从所有第一弱标记图像和第二弱标记图像中去除,得到第一图像集。
具体的,可以通过考虑未标记的渗漏水发生区域的面积与经过信号阈值分割处理以及输入至预先训练好的语义分割模型后得到的弱标记的图像面积的比例,并通过设定有效弱标记比例参数η的范围η∈[a,b]来删除无效弱标记数据。
步骤S120、将样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对渗漏水病害检测与识别网络进行训练,得到训练好的渗漏水病害检测与识别模型。
在一些实施例中,可以基于误差反向传播算法、误差损失函数和样本图像集对预先构建的Mask R-CNN深度网络框架进行训练,得到训练好的渗漏水病害检测与识别模型。
其中,误差损失函数为基于样本图像集中的每个图像经过Mask R-CNN深度网络框架后得到的预测特征图的像素预测值与该图像相对应的标记信息的二值图的误差、第一图像集的权重以及第二图像集的权重构建的;Mask R-CNN深度网络框架采用的深度残差网络为ResNet-101,ResNet-101包含用于提取样本图像集的预测特征图的4个卷积块。
具体的,本申请实施例以Mask R-CNN深度网络为基本框架,利用交叉熵作为误差损失函数,通过计算Mask R-CNN网络中特征金字塔生成的预测特征图的像素预测值与该图像相对应的标记信息的二值图的误差,再将误差反向传播更新网络中各个模块的网络参数。
本实施类中采用深度残差网络ResNet-101为基本特征提取模块,基于该模块可计算提取输入的样本图像集的多个特征图C2、C3、C4、C5,并利用交叉熵构建整个识别网络的误差损失函数。具体而言,先将每个预测特征图放大至原图尺寸大小,并按下式计算特征图中的像素预测值与该图像相对应的标记信息的二值图的误差,再将误差反向传播更新网络中各个模块的网络参数。
其中,每个卷积块的误差损失函数Lmask(y,C)为:
y为样本图像集中的每个图像的标记信息的二值图,C为每层预测特征图的像素预测值,w为样本图像集的权重,M为每一层预测特征图的尺寸,ij为每个像素的坐标值,0≤i≤M-1,0≤j≤M-1,Cij为每层预测特征图的每个位置的像素预测值,yij为样本图像集中的每个图像的每个位置的标记信息的二值图。
对于样本图像集的权重w,可以根据输入的图像的种类不同,设定不同的权重。对于第二图像集即人工标记的渗漏水图像的权重可以设置为1,而将第一图像集即经过分割处理过的渗漏水图像的权重需要进行计算确定。
具体的,当第一图像集中包含目标图像的第一弱标记图像和第二弱标记图像时,则目标图像的权重为该目标图像的第一弱标记图像和第二弱标记图像的标记信息的二值图的余弦相似度。
s=cos(h(F1),h(F2));
式中,F1、F2分别是同一图像经过信号阈值分割处理和语义分割模型处理后得到的含有标记的渗漏水图像,h(·)为矩阵向量化操作,cos为余弦相似度计算函数。
当第一图像集中仅包含目标图像的第一弱标记图像或第二弱标记图像时,则目标图像的权重为所有第一图像集的权重的均值。
由于有4个卷积块,经过所有卷积块的误差损失函数为Lmask(y)为:
此外,为了调节整个Mask R-CNN网络对不同类样本集的学习关注程度,进一步利用正则化约束条件建立所有渗漏水样本的误差损失函数Lmask(y)为:
其中,A为第二图像集中的图像,B为第一图像集中的图像,φ1与φ2分别为两类图像集对应的误差损失函数的正则化约束参数。通过引入φ1与φ2可以防止多特征相互影响条件中的过拟合出现,太大会导致拟合程度越来越差,正则化约束力过强,导致欠拟合;太小会拟合程度过高,正则约束力不够,会产生过拟合。φ1与φ2可以采用用交叉验证的方法来进行实验验证,通过最终训练完成的渗漏水病害检测与识别模型的准确率、召回率和交并比,从而确定最终的φ1与φ2。
本发明提供的渗漏水病害检测与识别模型的建立方法,首先,获取含有标记信息的样本图像集,然后,将样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对渗漏水病害检测与识别网络进行训练,得到训练好的渗漏水病害检测与识别模型。从而,训练好的渗漏水病害检测与识别模型即可用于对待检测的渗漏水图像进行检测及识别。本申请通过使用少量的含有标记信息的人工标记过的渗漏水图像和大量经过分割处理过的含有标记信息的渗漏水图像对构建的渗漏水病害检测与识别网络进行训练,提高了模型的精确度。
如图5所示,将多个未标记的渗漏水图像分别经过信号阈值分割处理和输入至预先训练好的语义分割模型中,并将最终得到的含有弱标记信息的第一弱标记图像和第二弱标记图像经过评估处理后,得到含有弱标记信息的第一图像集。
然后将第一图像集和第二图像集同时输入至Mask R-CNN网络中,利用上述的误差损失函数进行反向误差传播训练,即可得到训练好的渗漏水病害检测与识别模型。
本申请中,通过考虑渗漏水区域像素的灰度聚集性,提出利用图像信号阈值分割处理对渗漏水病害进行初步的检测,形成弱标记渗漏水图像,有效增加渗漏水病害的样本库。此外,为了进一步有效扩充渗漏水图像标记样本,基于迁移学习的渗漏水弱标记方法,由于渗漏水病害与钢结构表面锈蚀病害十分相似。基于此,将钢结构表面锈蚀病害和现有的渗漏水病害及其人工标记信息作为样本库,利用训练好的全卷积神经网络模型对输入的原始渗漏水病害进行识别,进一步增加了渗漏水病害的数据。最后,为了避免一些不良状态的弱标记渗漏水样本破坏Mask R-CNN网络的训练学习,提出了对弱标记的渗漏水图像的质量的评估方法,有效控制弱标记训练样本的质量,保证渗漏水识别网络的有效性。同时利用正则化约束学习方法,通过改变每个训练样本(包括有标记与弱标记两类)的训练权重,有效提升深度渗漏水病害检测与识别模型的识别性能。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的渗漏水病害检测与识别模型的建立方法,相应地,本发明还提供了应用于该渗漏水病害检测与识别模型的建立方法的渗漏水病害检测与识别模型的建立装置的具体实现方式。请参见以下实施例。
如图6所示,提供了一种渗漏水病害检测与识别模型的建立装置600,该装置包括:
获取样本模块610,用于获取含有标记信息的样本图像集,其中,样本图像集包括第一图像集和第二图像集,第一图像集为经过分割处理过的渗漏水图像,第二图像集为经过人工标记过的渗漏水图像;
构建模型模块620,用于将样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对渗漏水病害检测与识别网络进行训练,得到训练好的渗漏水病害检测与识别模型;其中,训练好的渗漏水病害检测与识别模型用于对待检测的渗漏水图像进行检测及识别。
在一种可能的实现方式中,获取样本模块610,还用于将多个未标记的渗漏水图像进行信号阈值分割处理,得到多个含有弱标记信息的第一弱标记图像;
并将多个未标记的渗漏水图像输入至预先训练好的语义分割模型中,得到多个含有弱标记信息的第二弱标记图像;
将所有第一弱标记图像和第二弱标记图像经过评估处理后,得到含有弱标记信息的第一图像集。
在一种可能的实现方式中,获取样本模块610,还用于获取语义分割模型的训练集,其中,语义分割模型的训练集中的图像为含有人工标记信息的第二图像集和含有人工标记信息的第三图像集,第三图像集为包含钢结构表面锈蚀的图像;
将语义分割模型的训练集输入至预先利用VGG16搭建的全卷积神经网络中进行训练,得到训练好的语义分割模型。
在一种可能的实现方式中,获取样本模块610,还用于目标未标记的图像在分别经过信号阈值分割处理以及输入至预先训练好的语义分割模型后,分别得到目标第一弱标记图像和目标第二弱标记图像;其中,目标未标记的图像为多个未标记的渗漏水图像中的任意一张图像;
基于目标第一弱标记图像的渗漏水面积与目标未标记的图像的面积之比、目标第二弱标记图像的渗漏水面积与目标未标记的图像的面积之比、以及预设面积比值的阈值比例,确定无效的弱标记图像;
将无效的弱标记图像从所有第一弱标记图像和第二弱标记图像中去除,得到第一图像集。
在一种可能的实现方式中,构建模型模块620,用于基于误差反向传播算法、误差损失函数和样本图像集对预先构建的Mask R-CNN深度网络框架进行训练,得到训练好的渗漏水病害检测与识别模型;
其中,误差损失函数为基于样本图像集中的每个图像经过Mask R-CNN深度网络框架后得到的预测特征图的像素预测值与该图像相对应的标记信息的二值图的误差、第一图像集的权重以及第二图像集的权重构建的;Mask R-CNN深度网络框架采用的深度残差网络为ResNet-101,ResNet-101包含用于提取样本图像集的预测特征图的4个卷积块。
在一种可能的实现方式中,当第一图像集中包含目标图像的第一弱标记图像和第二弱标记图像时,则目标图像的权重为该目标图像的第一弱标记图像和第二弱标记图像的标记信息的二值图的余弦相似度;
当第一图像集中仅包含目标图像的第一弱标记图像或第二弱标记图像时,则目标图像的权重为所有第一图像集的权重的均值。
在一种可能的实现方式中,ResNet-101中的4个卷积块分别输出4个预测特征图,分别为C2、C3、C4、C5,每个卷积块的误差损失函数Lmask(y,C)为:
所有卷积块的误差损失函数为Lmask(y)为:
其中,y为样本图像集中的每个图像的标记信息的二值图,C为每层预测特征图的像素预测值,w为样本图像集的权重,M为每一层预测特征图的尺寸,ij为每个像素的坐标值,0≤i≤M-1,0≤j≤M-1,2≤k≤5,Cij为每层预测特征图的每个位置的像素预测值,yij为样本图像集中的每个图像的每个位置的标记信息的二值图。
图7是本发明实施例提供的电子设备的示意图。如图7所示,该实施例的电子设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个渗漏水病害检测与识别模型的建立方法实施例中的步骤,例如图1所示的步骤110至步骤120。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块的功能,例如图6所示模块610至620的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器71中,并由所述处理器70执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述电子设备7中的执行过程。例如,所述计算机程序72可以被分割成图6所示的模块610至620。
所述电子设备7可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是电子设备7的示例,并不构成对电子设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述电子设备7的内部存储单元,例如电子设备7的硬盘或内存。所述存储器71也可以是所述电子设备7的外部存储设备,例如所述电子设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个渗漏水病害检测与识别模型的建立方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种渗漏水病害检测与识别模型的建立方法,其特征在于,包括:
获取含有标记信息的样本图像集,其中,所述样本图像集包括第一图像集和第二图像集,所述第一图像集为经过分割处理过的渗漏水图像集,所述第二图像集为经过人工标记过的渗漏水图像集;
将所述样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对所述渗漏水病害检测与识别网络进行训练,得到训练好的渗漏水病害检测与识别模型;其中,所述训练好的渗漏水病害检测与识别模型用于对待检测的渗漏水图像进行检测及识别。
2.如权利要求1所述的建立方法,其特征在于,所述获取含有标记信息的样本图像集之前,还包括:
将多个未标记的渗漏水图像进行信号阈值分割处理,得到多个含有弱标记信息的第一弱标记图像;
并将多个所述未标记的渗漏水图像输入至预先训练好的语义分割模型中,得到多个含有弱标记信息的第二弱标记图像;
将所有所述第一弱标记图像和所述第二弱标记图像经过评估处理后,得到含有弱标记信息的所述第一图像集。
3.如权利要求2所述的建立方法,其特征在于,所述将多个未标记的渗漏水图像输入至预先训练好的语义分割模型中,得到多个含有弱标记信息的第二弱标记图像之前,还包括:
获取所述语义分割模型的训练集,其中,所述语义分割模型的训练集中的图像为含有人工标记信息的第二图像集和含有人工标记信息的第三图像集,所述第三图像集为包含钢结构表面锈蚀的图像;
将所述语义分割模型的训练集输入至预先利用VGG16搭建的全卷积神经网络中进行训练,得到训练好的所述语义分割模型。
4.如权利要求2所述的建立方法,其特征在于,所述将所有所述第一弱标记图像和所述第二弱标记图像经过评估处理后,得到含有弱标记信息的所述第一图像集,包括:
目标未标记的图像在分别经过信号阈值分割处理以及输入至预先训练好的语义分割模型后,分别得到目标第一弱标记图像和目标第二弱标记图像;其中,目标未标记的图像为多个所述未标记的渗漏水图像中的任意一张图像;
基于所述目标第一弱标记图像的渗漏水面积与所述目标未标记的图像的面积之比、所述目标第二弱标记图像的渗漏水面积与所述目标未标记的图像的面积之比、以及预设面积比值的阈值比例,确定无效的弱标记图像;
将所述无效的弱标记图像从所有所述第一弱标记图像和所述第二弱标记图像中去除,得到所述第一图像集。
5.如权利要求2所述的建立方法,其特征在于,所述将所述样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对所述渗漏水病害检测与识别网络进行训练,包括:
基于误差反向传播算法、误差损失函数和所述样本图像集对所述预先构建的Mask R-CNN深度网络框架进行训练,得到训练好的渗漏水病害检测与识别模型;
其中,所述误差损失函数为基于所述样本图像集中的每个图像经过所述Mask R-CNN深度网络框架后得到的预测特征图的像素预测值与该图像相对应的标记信息的二值图的误差、所述第一图像集的权重以及所述第二图像集的权重构建的;所述Mask R-CNN深度网络框架采用的深度残差网络为ResNet-101,所述ResNet-101包含用于提取所述样本图像集的预测特征图的4个卷积块。
6.如权利要求5所述的建立方法,其特征在于,当所述第一图像集中包含目标图像的第一弱标记图像和第二弱标记图像时,则所述目标图像的权重为该目标图像的第一弱标记图像和第二弱标记图像的标记信息的二值图的余弦相似度;
当所述第一图像集中仅包含目标图像的第一弱标记图像或第二弱标记图像时,则所述目标图像的权重为所有所述第一图像集的权重的均值。
8.一种渗漏水病害检测与识别模型的建立装置,其特征在于,包括:
获取样本模块,用于获取含有标记信息的样本图像集,其中,所述样本图像集包括第一图像集和第二图像集,所述第一图像集为经过分割处理过的渗漏水图像集,所述第二图像集为经过人工标记过的渗漏水图像集;
构建模型模块,用于将所述样本图像集输入至预先构建的渗漏水病害检测与识别网络中,对所述渗漏水病害检测与识别网络进行训练,得到训练好的渗漏水病害检测与识别模型;其中,所述训练好的渗漏水病害检测与识别模型用于对待检测的渗漏水图像进行检测及识别。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至7任一项所述的方法。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211057460.9A CN115456973A (zh) | 2022-08-31 | 2022-08-31 | 渗漏水病害检测与识别模型的建立方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211057460.9A CN115456973A (zh) | 2022-08-31 | 2022-08-31 | 渗漏水病害检测与识别模型的建立方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456973A true CN115456973A (zh) | 2022-12-09 |
Family
ID=84301756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211057460.9A Pending CN115456973A (zh) | 2022-08-31 | 2022-08-31 | 渗漏水病害检测与识别模型的建立方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456973A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416270A (zh) * | 2023-03-24 | 2023-07-11 | 北京城市轨道交通咨询有限公司 | 一种监测地下作业面渗漏水的方法及装置 |
-
2022
- 2022-08-31 CN CN202211057460.9A patent/CN115456973A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416270A (zh) * | 2023-03-24 | 2023-07-11 | 北京城市轨道交通咨询有限公司 | 一种监测地下作业面渗漏水的方法及装置 |
CN116416270B (zh) * | 2023-03-24 | 2024-01-23 | 北京城市轨道交通咨询有限公司 | 一种监测地下作业面渗漏水的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
Ouma et al. | Pothole detection on asphalt pavements from 2D-colour pothole images using fuzzy c-means clustering and morphological reconstruction | |
CN109978032B (zh) | 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法 | |
Wang et al. | The poor generalization of deep convolutional networks to aerial imagery from new geographic locations: an empirical study with solar array detection | |
CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
CN112966665A (zh) | 路面病害检测模型训练方法、装置和计算机设备 | |
CN112836614B (zh) | 一种基于残差网络和迁移学习的高分遥感图像分类方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN113658117A (zh) | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 | |
CN115457277A (zh) | 一种智能化路面病害识别检测方法及系统 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
CN115456973A (zh) | 渗漏水病害检测与识别模型的建立方法、装置及设备 | |
CN115761613B (zh) | 一种基于卷积网络的隧道裂缝自动检测方法 | |
CN110942026A (zh) | 基于深度学习的胶囊机器人排水管病害检测方法及系统 | |
CN116403211A (zh) | 一种基于单细胞病理图像细胞核的分割和聚类方法及系统 | |
CN115908363A (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
CN115345859A (zh) | 隧道渗漏水图像的智能检测方法、装置、设备及存储介质 | |
CN115880580A (zh) | 一种云层影响下的光学遥感影像道路信息智能提取方法 | |
Guo et al. | Detection and classification of pipe defects based on pipe-extended feature pyramid network | |
CN115496716A (zh) | 基于深度学习的单双微核细胞图像检测方法及相关设备 | |
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 | |
Liang et al. | Lightweight convolutional neural network driven by small data for asphalt pavement crack segmentation | |
CN114332144A (zh) | 样本粒度检测方法、系统、电子设备及存储介质 | |
CN113591740A (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN114021422A (zh) | 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法 |
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 |