CN115482462A - 基于深度学习的混凝土裂缝识别系统及方法 - Google Patents
基于深度学习的混凝土裂缝识别系统及方法 Download PDFInfo
- Publication number
- CN115482462A CN115482462A CN202211061974.1A CN202211061974A CN115482462A CN 115482462 A CN115482462 A CN 115482462A CN 202211061974 A CN202211061974 A CN 202211061974A CN 115482462 A CN115482462 A CN 115482462A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- identification
- gray
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000013138 pruning Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000011514 reflex Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000528 statistical test Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000037921 secondary disease Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/20—Linear translation of whole images or parts thereof, e.g. panning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的混凝土裂缝识别系统及方法。其中,系统包括:裂缝图像数据采集模块,用于采集获取混凝土表面裂缝图像并输出;图像数据处理模块,连接所述裂缝图像数据采集模块,根据所拍摄的混凝土表面裂缝图像,对获取的图像进行预处理识别;裂缝识别模块,利用基于剪枝先验框的改进SSD算法模型对裂缝的图像进行识别,对裂缝进行标识,并将结果进行储存。本发明使得工程中对混凝土裂缝检测识别过程更加容易可操作,另一方面也提高了检测的识别精度和速率,尤其是在识别复杂环境的裂缝图片时,表现出了很高的抗干扰能力。
Description
技术领域
本发明属于土木工程中非接触检测应用领域,尤其是一种用于复杂环境下的基于深度学习的混凝土裂缝识别系统及方法。
背景技术
在建设和运营过程中由于诸多因素而产生的各种裂缝作为桥梁或道路表面最普遍的病害,也是危害极大的病害之一。如果不及时进行监测及养护,则可能会进一步衍生出次生病害,对裂缝进行及时、准确的监测是路面及桥梁养护工作中最为关键的一环。单纯依靠检测人员在借助检测设备的帮助下对混凝土结构进行检测,工作强度大且效率低,还可能使检测人员的安全受到威胁。利用计算机视觉处理图像,外在环境会对该方法造成严重的影响导致检测结果不正确,并且在对图像进行处理的步骤中会出现许多噪音。而基于深度学习的检测算法能够在很好地处理图像的同时,也能很精确地识别出目标,但是由于图像噪声无法完全消除,以及环境噪声的干扰,无法对复杂环境下的裂缝进行检测识别。目前,对于复杂环境下的裂缝识别效果并不理想,需要进一步改善。
发明内容
本发明目的是提供一种用于复杂环境下的基于深度学习的混凝土裂缝识别系统及方法,以解决以上问题。
一种基于深度学习的混凝土裂缝识别系统,包括:
裂缝图像数据采集模块,用于采集获取混凝土表面裂缝图像并输出;
图像数据处理模块,连接所述裂缝图像数据采集模块,根据所拍摄的混凝土表面裂缝图像,对获取的图像进行识别预处理;
裂缝识别模块,利用基于剪枝先验框的改进SSD算法模型对裂缝的图像进行识别,对裂缝进行标识,并将结果进行储存。
进一步的,所述裂缝图像数据采集模块,包括:拍摄平台、高速SD存储卡、服务器和数据库。在确定检测目标后,即可通过拍摄平台对目标区域进行图像采集,通过提前设置好预处理和识别系统的图像提取路径,实现对上传到电脑的图像进行实时识别并将图像自动传输至服务器。
进一步的,所述拍摄平台可采用无人机系统或普通智能手机或单反相机为载体,可根据设备条件和其他方面的要求进行选择,采集到的图像可通过本系统编写的程序的自动传输至服务器,实现数据的实时传输。
进一步的,所述图像数据处理模块,通过图像灰度化及修正,图像滤波处理和裂缝标记定位,对获取的图像数据进行预处理,以加快识别的收敛速度。
进一步的,所述图像灰度化及修正中将图像像素的R、G、B分量采用分量法规则转化为三者相等的形式,进行图像灰度化;通过对灰度化的图像进行直方图均衡化可以对灰度进行再分配,使灰度值均匀地分布于灰度区间内,通过线性和非线性拉伸的灰度变换对图像进行拉伸处理,对图像进行灰度化修正。
进一步的,所述图像滤波处理采用中值滤波方法,选取该像素点邻近所有像素点灰度值的中值作为该点滤波处理后的像素值,从而消除在图像中孤立的噪点。
进一步的,所述裂缝标记定位,采用LabelImg工具进行标记,先在图像中标记出目标位置,后转换为XML格式的文件,再传输到裂缝数据识别模块的算法模型中进行识别。
所述裂缝数据识别模块,采用基于剪枝先验框的改进SSD算法建立的混凝土裂缝识别模型,通过将图像传输到服务器后,即可利用训练好的模型进行识别,并将识别出的裂缝及其分析内容回传至智能端,同时将信息传输入数据库进行备份。其可对复杂环境下的混凝土裂缝照片进行有效识别。
本发明可适用的复杂环境,包括图像本身的的光照强度和明暗变化、图像噪声以及环境噪声的干扰,复杂环境下比如雨、雪、雾天气下的混凝土裂缝检测工况。
一种基于深度学习的混凝土裂缝识别方法,包括如下步骤:
S1、采集裂缝图像;
S2、对S1采集的裂缝图像进行预处理;
S3、采用基于剪枝先验框的改进SSD算法建立的混凝土裂缝识别模型,对图像进行识别检测后,得到所述裂缝的识别结果。
进一步的,S2的具体步骤如下:
S21、图像灰度化,采用分量法将彩色图像R、G、B这三种分量里的任何一个视作此类照片的灰度值;
Gray1(i,j)=R(i,j) (1)
Gray2(i,j)=G(i,j) (2)
Gray3(i,j)=B(i,j) (3)
其中,Grayk(i,j)=B(i,j)(k=1,2,3),为转变后的灰度图像在(i,j)处的灰度值;
S22、图像灰度修正,通过对灰度化的图像进行直方图均衡化对灰度进行再分配,使灰度值均匀地分布于灰度区间内;通过灰度变换对图像进行拉伸处理;
S23、图像滤波处理,采用中值滤波对像素点进行滤波处理;
g(x,y)=med{f(xi,yj)} (4)
其中,g(x,y)为经过中值滤波处理后的像素值,f(xi,yj)即为滤波处理前的像素值;
S24、裂缝标记定位,通过python编写的LabelImg工具进行标记,在图像中标记出裂缝位置,后转换为XML格式的文件,再传输到深度学习算法框架中进行训练。
进一步的,S3中的识别模型通过基于剪枝先验框的改进SSD算法建立;基于剪枝先验框的改进SSD算法模型的建立,是在原始SSD算法上,对原始的SSD算法进行统计测试,经过对多尺度多方向的候选框进行统计及分析后,得出正确预测出来的目标位置来源的候选框分类的数量统计,得到数量占比最大即最优的分辨率,通过对多尺度分辨率的候选框的数量分配进行重新优化,减少小尺度的候选框数目而增加中、大尺度的候选框的数量,对各分辨率的先验框数目进行调整,并通过NMS(非极大值抑制,Non-Maximum Suppression)进行筛选,从而最终得到最优的目标框,使得识别精度和识别速度与原始SSD算法相比有很明显的提升,同时能够满足实际工程中的复杂环境下的裂缝识别。
本发明的有益效果是:
通过裂缝图像数据采集系统实时获取裂缝图像数据;通过图像数据处理系统对采集的裂缝图像进行预处理;通过基于剪枝先验框的改进SSD算法建立裂缝识别系统。
使得工程中对混凝土裂缝检测识别过程更加容易可操作,另一方面也提高了检测的识别精度和速率,尤其是在识别复杂环境的裂缝图片时,表现出了很高的抗干扰能力。
附图说明
图1为本发明系统结构示意图;
图2为本发明方法的步骤示意图;
图3为本发明一个较佳实施例的步骤图示意图;
图4为本发明一个较佳实施例的结果的示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1-4所示,一种基于深度学习的混凝土裂缝识别系统,包括:
裂缝图像数据采集模块,用于采集获取混凝土表面裂缝图像并输出;
图像数据处理模块,连接所述裂缝图像数据采集模块,根据所拍摄的混凝土表面裂缝图像,对获取的图像进行识别预处理;
裂缝识别模块,利用基于剪枝先验框的改进SSD算法模型对裂缝的图像进行识别,对裂缝进行标识,并将结果进行储存。
进一步的,所述裂缝图像数据采集系统,包括:拍摄平台、高速SD存储卡、服务器和数据库。在确定检测目标后,即可通过拍摄平台对目标区域进行图像采集,通过提前设置好预处理和识别系统的图像提取路径,实现对上传到电脑的图像进行实时识别并将图像自动传输至服务器。
进一步的,所述拍摄平台可采用无人机系统或普通智能手机或单反相机为载体,可根据设备条件和其他方面的要求进行选择,采集到的图像可通过本系统编写的程序的自动传输至服务器,实现数据的实时传输。
进一步的,所述图像数据处理模块,通过图像灰度化及修正,图像滤波处理和裂缝标记定位,对获取的图像数据进行预处理,以加快识别的收敛速度。
进一步的,所述图像灰度化及修正中将图像像素的RGB分量采用分量法规则转化为三者相等的形式,进行图像灰度化;通过对灰度化的图像进行直方图均衡化可以对灰度进行再分配,使灰度值均匀地分布于灰度区间内,通过线性和非线性拉伸的灰度变换对图像进行拉伸处理,对图像进行灰度化修正。
进一步的,所述图像滤波处理采用中值滤波方法,选取该像素点邻近所有像素点灰度值的中值作为该点滤波处理后的像素值,从而消除在图像中孤立的噪点。
进一步的,所述裂缝标记定位,采用LabelImg工具进行标记,先在图像中标记出目标位置,后转换为XML格式的文件,再传输到深度学习算法框架中进行识别。
所述裂缝数据识别模块,采用基于剪枝先验框的改进SSD算法建立的混凝土裂缝识别模型,通过将图像传输到服务器后,即可利用训练好的模型进行识别,并将识别出的裂缝及其分析内容回传至智能端,同时将信息传输入数据库进行备份。其可对复杂环境下的混凝土裂缝照片进行有效识别。
本发明可适用的复杂环境,包括图像本身的的光照强度和明暗变化、图像噪声以及环境噪声的干扰,复杂环境下比如雨、雪、雾天气下的混凝土裂缝检测工况。
一种基于深度学习的混凝土裂缝识别方法,包括如下步骤:
S1、采集裂缝图像;
S2、对S1采集的裂缝图像进行预处理;
S3、采用基于剪枝先验框的改进SSD算法建立的混凝土裂缝识别模型,对图像进行识别检测后,得到所述裂缝的识别结果。
进一步的,S2的具体步骤如下:
S21、图像灰度化,采用分量法将彩色图像R、G、B这三种分量里的任何一个视作此类照片的灰度值;
Gray1(i,j)=R(i,j) (1)
Gray2(i,j)=G(i,j) (2)
Gray3(i,j)=B(i,j) (3)
其中,Grayk(i,j)=B(i,j)(k=1,2,3),为转变后的灰度图像在(i,j)处的灰度值;
S22、图像灰度修正,通过对灰度化的图像进行直方图均衡化对灰度进行再分配,使灰度值均匀地分布于灰度区间内;通过灰度变换对图像进行拉伸处理;
S23、图像滤波处理,采用中值滤波对像素点进行滤波处理;
g(x,y)=med{f(xi,yj)} (4)
其中,g(x,y)为经过中值滤波处理后的像素值,f(xi,yj)即为滤波处理前的像素值;
S24、裂缝标记定位,通过python编写的LabelImg工具进行标记,在图像中标记出裂缝位置,后转换为XML格式的文件,再传输到深度学习算法框架中进行训练。
进一步的,S3中的识别模型通过基于剪枝先验框的改进SSD算法建立;基于剪枝先验框的改进SSD算法模型的建立,是在原始SSD算法上,对原始的SSD算法进行统计测试,经过对多尺度多方向的候选框进行统计及分析后,得出正确预测出来的目标位置来源的候选框分类的数量统计,得到数量占比最大即最优的分辨率,通过对多尺度分辨率的候选框的数量分配进行重新优化,减少小尺度的候选框数目而增加中、大尺度的候选框的数量,对各分辨率的先验框数目进行调整,并通过NMS(非极大值抑制,Non-Maximum Suppression)进行筛选,从而最终得到最优的目标框,使得识别精度和识别速度与原始SSD算法相比有很明显的提升,同时能够满足实际工程中的复杂环境下的裂缝识别。
如图3和4所示,本实例结合实际试验进行,针对打印混凝土板进行加载过程进行裂缝实时采集检测,此次针对的复杂环境为存在环境噪声干扰和图片光线较暗。
S1、选定检测目标后,本实例采用普通智能手机对固定位置进行图像实时采集的工作;
S2、针对手机采集方式,在服务器电脑上下载适用于Windows系统的iCloud控制面板。并设置上传和下载文件夹路径,将其改为识别算法所在文件夹将采集到的图像自动传输同步至服务器,并汇总至裂缝数据库中;
S3、通过提前设置好改进算法的图像提取路径,在下载文件中出现手机智能端拍摄的图片时,即可通过图像数据处理系统对上传到电脑的图像进行实现实时处理;
S4、在识别路径中出现预处理后的手机拍摄图片时服务器即可利用裂缝识别系统进行识别并分析。
S5、将识别分析后的图片保存到上传文件夹和数据库中,即可查看结果。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (8)
1.一种基于深度学习的混凝土裂缝识别系统,其特征在于,包括:裂缝图像数据采集模块、图像数据处理模块和裂缝识别模块;
所述裂缝图像数据采集模块,用于采集获取混凝土表面裂缝图像并输出;
所述图像数据处理模块,连接所述裂缝图像数据采集模块,根据所获取的混凝土表面裂缝图像,对获取的图像进行识别预处理;
所述裂缝识别模块,利用基于剪枝先验框的改进SSD算法模型对裂缝的图像进行识别,对裂缝进行标识,并将结果进行储存。
2.根据权利要求1所述的基于深度学习的混凝土裂缝识别系统,其特征在于,
所述裂缝图像数据采集模块,包括:拍摄平台、高速SD存储卡、服务器和数据库;
在确定检测目标后,即可通过所述拍摄平台对目标区域进行图像采集,通过提前设置好预处理和识别系统的图像提取路径,实现对上传到电脑的图像进行实时识别并将图像自动传输至所述服务器。
3.根据权利要求2所述的基于深度学习的混凝土裂缝识别系统,其特征在于,
所述拍摄平台,采用无人机系统、普通智能手机和单反相机中的至少一种为载体。
4.根据权利要求1所述的基于深度学习的混凝土裂缝识别系统,其特征在于,
所述图像数据处理模块,通过图像灰度化及修正,图像滤波处理和裂缝标记定位,对获取的图像数据进行预处理,以加快识别的收敛速度;
所述图像灰度化及修正中将图像像素的R、G、B分量采用分量法规则转化为三者相等的形式,进行图像灰度化;通过对灰度化的图像进行直方图均衡化可以对灰度进行再分配,使灰度值均匀地分布于灰度区间内,通过线性和非线性拉伸的灰度变换对图像进行拉伸处理,对图像进行灰度化修正;
所述图像滤波处理,采用中值滤波方法,选取像素点邻近所有像素点灰度值的中值作为该点滤波处理后的像素值,从而消除在图像中孤立的噪点;
所述裂缝标记定位,采用LabelImg工具进行标记,先在图像中标记出目标位置,后转换为XML格式的文件,再传输到深度学习算法框架中进行识别。
5.根据权利要求1所述的基于深度学习的混凝土裂缝识别系统,其特征在于,
所述裂缝数据识别模块,采用基于剪枝先验框的改进SSD算法建立的混凝土裂缝识别模型,通过将图像传输到服务器后,即可利用训练好的模型进行识别,并将识别出的裂缝及其分析内容回传至智能端,同时将信息传输入数据库进行备份。
6.一种基于深度学习的混凝土裂缝识别方法,包括如下步骤:
S1、采集裂缝图像;
S2、对S1采集的裂缝图像进行预处理;
S3、采用基于剪枝先验框的改进SSD算法建立的混凝土裂缝识别模型,对图像进行识别检测后,得到所述裂缝的识别结果。
7.根据权利要求6所述的基于深度学习的混凝土裂缝识别方法,其特征在于,S2中,包括如下步骤:
S21、图像灰度化,采用分量法将彩色图像R、G、B这三种分量里的任何一个视作此类照片的灰度值;
Gray1(i,j)=R(i,j) (1)
Gray2(i,j)=G(i,j) (2)
Gray3(i,j)=B(i,j) (3)
其中,Grayk(i,j)=B(i,j)(k=1,2,3),为转变后的灰度图像在(i,j)处的灰度值;
S22、图像灰度修正,通过对灰度化的图像进行直方图均衡化对灰度进行再分配,使灰度值均匀地分布于灰度区间内;通过灰度变换对图像进行拉伸处理;
S23、图像滤波处理,采用中值滤波对像素点进行滤波处理;
g(x,y)=med{f(xi,yj)} (4)
其中,g(x,y)为经过中值滤波处理后的像素值,f(xi,yj)即为滤波处理前的像素值;
S24、裂缝标记定位,通过python编写的LabelImg工具进行标记,在图像中标记出裂缝位置,后转换为XML格式的文件,再传输到深度学习算法框架中进行训练。
8.根据权利要求6所述的基于深度学习的混凝土裂缝识别方法,其特征在于,S3中的识别模型通过基于剪枝先验框的改进SSD算法建立;基于剪枝先验框的改进SSD算法模型的建立,是在原始SSD算法上,对原始的SSD算法进行统计测试,经过对多尺度多方向的候选框进行统计及分析后,得出正确预测出来的目标位置来源的候选框分类的数量统计,得到数量占比最大即最优的分辨率,通过对多尺度分辨率的候选框的数量分配进行重新优化,减少小尺度的候选框数目而增加中、大尺度的候选框的数量,对各分辨率的先验框数目进行调整,并通过NMS进行筛选,从而最终得到最优的目标框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211061974.1A CN115482462A (zh) | 2022-08-31 | 2022-08-31 | 基于深度学习的混凝土裂缝识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211061974.1A CN115482462A (zh) | 2022-08-31 | 2022-08-31 | 基于深度学习的混凝土裂缝识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115482462A true CN115482462A (zh) | 2022-12-16 |
Family
ID=84423077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211061974.1A Pending CN115482462A (zh) | 2022-08-31 | 2022-08-31 | 基于深度学习的混凝土裂缝识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482462A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434087A (zh) * | 2023-04-04 | 2023-07-14 | 中建二局土木工程集团有限公司 | 基于goa-svm协同算法与无人机的混凝土裂缝识别方法及装置 |
-
2022
- 2022-08-31 CN CN202211061974.1A patent/CN115482462A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434087A (zh) * | 2023-04-04 | 2023-07-14 | 中建二局土木工程集团有限公司 | 基于goa-svm协同算法与无人机的混凝土裂缝识别方法及装置 |
CN116434087B (zh) * | 2023-04-04 | 2024-01-23 | 中建二局土木工程集团有限公司 | 基于goa-svm协同算法与无人机的混凝土裂缝识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110031477B (zh) | 基于图像监控数据的桥梁关键构件病害预警系统及方法 | |
CN108037770B (zh) | 基于人工智能的无人机输电线路巡检系统和方法 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN112434695A (zh) | 一种基于深度学习的上拉杆故障检测方法 | |
CN108198417B (zh) | 一种基于无人机的道路巡检系统 | |
CN102608130A (zh) | 基于图像特征匹配技术的智能卡污渍检测系统及检测方法 | |
CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
CN109949231B (zh) | 一种用于城市管理信息采集和处理的方法及装置 | |
CN102706274A (zh) | 工业结构化场景中机器视觉精确定位机械零件的系统 | |
CN102456142A (zh) | 一种基于计算机视觉的烟气黑度分析方法 | |
CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
CN110610485A (zh) | 一种基于ssim算法的特高压输电线路通道隐患预警方法 | |
CN115482462A (zh) | 基于深度学习的混凝土裂缝识别系统及方法 | |
CN112396635A (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN114581760B (zh) | 一种机房巡检的设备故障检测方法及系统 | |
CN113158865A (zh) | 一种基于EfficientDet的小麦麦穗检测方法 | |
CN114022820A (zh) | 一种基于机器视觉的航标灯灯质智能检测方法 | |
CN112634179A (zh) | 一种防摄像头抖动的变电设备图像变化检测方法和系统 | |
CN112489018A (zh) | 一种电力线智能巡线方法及巡线 | |
CN117197789A (zh) | 基于多尺度边界特征融合的幕墙框识别方法及系统 | |
CN109658405B (zh) | 一种农作物实景观测中图像数据质量控制方法及系统 | |
CN111339953A (zh) | 一种基于聚类分析的薇甘菊监测方法 | |
CN116446304A (zh) | 一种智能化桥梁修补系统 | |
CN114821513B (zh) | 一种基于多层网络的图像处理方法及装置、电子设备 |
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 |