CN115512324A - 一种基于边缘对称填充和大感受野的路面病害检测方法 - Google Patents
一种基于边缘对称填充和大感受野的路面病害检测方法 Download PDFInfo
- Publication number
- CN115512324A CN115512324A CN202211253152.3A CN202211253152A CN115512324A CN 115512324 A CN115512324 A CN 115512324A CN 202211253152 A CN202211253152 A CN 202211253152A CN 115512324 A CN115512324 A CN 115512324A
- Authority
- CN
- China
- Prior art keywords
- pavement disease
- receptive field
- model
- data set
- convolution
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 201000010099 disease Diseases 0.000 title claims abstract description 62
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000002372 labelling Methods 0.000 abstract 1
- 238000007689 inspection Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing 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
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于边缘对称填充和大感受野的路面病害检测方法，包括：数据集准备，结合道路环境重新标注公共数据集，并添加灌缝和井盖两个辅助类别；神经网络搭建，用大核深度可分离卷积配合重参数化搭建具有更大有效感受野和更多形状偏置的骨干网络RepLKDarkNet，用空间可分离深度卷积以及改进的对称填充策略搭建对位置信息保留更多的加强特征提取网络XSepPAFPN，用目标跟踪模块优化重识别问题；嵌入式部署，将模型转化为TensorRT模型。本发明基于大感受野特征以及应用边缘对称填充策略的空间可分离深度卷积，在提高特征图的有效感受野的同时减少大卷积核计算量和参数量，并在一定程度弥补特征提取时的信息丢失，解决路面病害样式和形状提取不准确影响检测精度的问题。
Description
技术领域
本发明涉及计算机视觉和公路养护领域，具体涉及一种基于边缘对称填充和大感受野的路面病害检测方法。
背景技术
随着我国公路总公里数的不断增加，公路养护任务也不断加重，其中路面病害的修补是养护任务的重中之重。传统检测方法派人工到指定路段巡检，通过填写纸质报表记录病害类型和位置，不仅效率低，还有发生交通事故的危险，人工记录病害有较强的主观性，需要专业人员拥有较高的领域知识。自动化检测方法进入公路巡查领域后大大改善检测现状，安装红外摄像头和3D激光扫描的多功能检测车更少的受到天气、光线等环境因素的影响，可以执行长时间长距离的巡检任务，但多功能检测车造价高昂，很难进行短周期巡检，相较而言基于计算机视觉的目标检测算法在车载终端上的低成本部署更具有优势。
近几年计算机视觉尤其是目标检测领域研究出一系列高精度且检测速度远超工业检测需求的算法，在各种数据增强和优化方式的加持下，模型对光照不均、反光等复杂道路环境仍然具有较高的泛化性。但路面病害因样式多样且形状不规则导致某些目标检测仍不准确，如何克服卷积神经网络对于局部关注较多而对于形状偏置的提取能力较差的问题，成为路面病害检测算法亟需解决的难题。
发明内容
本发明的目的是提供一种基于边缘对称填充和大感受野的路面病害检测方法，解决现有检测模型对复杂样式和形状不规则的路面病害检测效果差的问题。
为解决上述技术问题，本发明提供如下技术方案：
一种基于边缘对称填充和大感受野的路面病害检测方法，其特征在于：包括以下步骤：
步骤S1、修改并标注路面病害数据集，并划分训练集、验证集和测试集；
步骤S2、使用基于大核深度可分离卷积配合重参数化以及改进的对称填充策略的目标检测模块和目标跟踪模块搭建卷积神经网络，网络最终输出为病害类别和检测框位置信息；
步骤S3、使用步骤S1中的数据集训练步骤S2中的卷积神经网络，得到可以准确识别6种类别的路面病害检测模型；
步骤S4、将路面病害检测模型转换为可以嵌入式部署的模型；
步骤S5、将步骤S4中转换后的模型部署到车载终端设备，将终端设备摄像头拍摄的视频流输入路面病害检测模型，并输出检测结果。
进一步的，步骤S1包括：
步骤S11、路面病害数据集由公共数据集和省道路面采集的图像数据组成，使用路面病害公共数据集GRDDC，提取原数据集中纵向裂纹、横向裂纹、龟裂和坑洼四种标注信息，结合省道采集的道路病害图像，并额外添加灌缝和井盖两种标注，用于区分已经修补的裂纹和未修补的裂纹、坑洼和井盖两对易误报病害类型；
步骤S12、将路面病害数据集按照8:2的比例划分训练集和验证集；
步骤S13、在训练阶段加载数据集时,使用masoic和mixup数据增强方法提高数据鲁棒性，以及水平和垂直翻转、随机旋转、随机裁剪、变形和缩放等数据增强方式增加数据量较少的类型的样本量，提高模型的泛化能力。
进一步的，所述路面病害数据集包含6个类别，分别为纵向裂纹、横向裂纹、龟裂、坑洼、灌缝以及井盖，其中灌缝和井盖为辅助类别，不作为检测网络最后的输出。
进一步的，步骤S2中所述卷积神经网络包括目标检测模块和目标跟踪模块，其中，目标检测模块用于检测路面病害的类别信息及位置信息，目标跟踪模块用于避免同一对象多次识别的问题。
进一步的，步骤S2所述神经网络搭建的具体步骤为：
步骤S21、利用重参数化方法以及7*7和13*13大卷积核深度卷积构建具有更大有效感受野和更多形状偏置的骨干网络RepLKDarkNet；
步骤S22、使用空间可分离深度卷积和对称填充策略重构具有三种不同尺度输出的加强特征提取网络XSepPAFPN，网络不仅对水平和垂直方向特征具有较高的提取能力，还在一定程度上弥补了使用偶数大小卷积核后，右上、右下、左上和左下四个方向因位置偏移而导致特征丢失的问题。
步骤S23、在XSepPAFPN后连接解耦头作为目标检测模块的检测头，使用两个分支分别判断特征图中每个特征点包含物体的类别以及每个特征点的边界框回归参数和是否包含物体。
步骤S24、最后在目标检测模块后添加目标跟踪模块，目标跟踪模块中包含一个目标跟踪算法，用于避免同一对象的重识别。
进一步的，步骤S22中所述对称填充策略具体实现方式为在每四个连续偶数大小卷积层上，分别在输入的左上、右下、右上以及左下进行填充操作，若最后只剩一层则对每4个通道进行上述策略，相比于一般在特征图四周补0的填充策略，改进的对称填充策略可以有效避免网络结构中使用偶数大小卷积核导致的特征位置偏移。
进一步的，步骤S4中的模型部署方法为先将模型转换为ONNX模型，再将ONNX转换为TensorRT模型。
与现有技术相比，本发明的有益效果是：
1)本发明可以部署在轻便的车载终端，避免人工巡检的危险和主观性问题，节约多功能检测车高昂的开销。
2)基于大感受野特征以及空间可分离深度卷积弥补特征提取时信息丢失的问题，解决因路面病害样式多样且形状不规则导致提取不准确，从而影响检测精度的问题。
附图说明
图1为本发明的工作原理示意图；
图2为6种道路病害类型示例图；
图3为目标检测模块网络结构图；
图4为对称填充策略示意图；
图5为CUDA异构并行计算示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
图1为本发明的工作原理示意图，涉及一种基于边缘对称填充和大感受野的路面病害检测方法，该方法提高公路养护的效率，节约公路养护开销。对纵向裂纹、横向裂纹、龟裂和坑洼四种最常见路面病害进行检测，模型可以部署到车载终端，检测过程无需人工操作。该方法具体步骤如下：
步骤S1、修改并标注路面病害数据集，并划分训练集、验证集和测试集；
步骤S2、使用目标检测模块和目标跟踪模块搭建卷积神经网络，网络最终输出为病害类别和检测框位置信息；
步骤S3、使用步骤S1中的数据集训练步骤S2中的卷积神经网络，得到可以准确识别6种类别的路面病害检测模型；
步骤S4、将路面病害检测模型转换为可以嵌入式部署的模型；
步骤S5、将步骤S4中转换后的模型部署到车载终端设备，将终端设备摄像头拍摄的视频流输入路面病害检测模型，并输出检测结果。
所述步骤S1的具体步骤如下：
步骤S11、路面病害数据集由公共数据集和省道路面采集的图像数据组成，使用路面病害公共数据集GRDDC，提取原数据集中纵向裂纹、横向裂纹、龟裂和坑洼四种标注信息，结合S253省道采集的道路病害图像，并额外添加灌缝和井盖两种标注，用于区分已经修补的裂纹和未修补的裂纹、坑洼和井盖两对易误报病害类型。
步骤S12、将路面病害数据集按照8:2的比例划分训练集和验证集。
步骤S13、在训练阶段加载数据集时,使用masoic和mixup数据增强方法提高数据鲁棒性，以及水平和垂直翻转、随机旋转、随机裁剪、变形和缩放等数据增强方式增加数据量较少的类型的样本量，提高模型的泛化能力。
所述路面病害数据集包含6个类别，如图2所示，分别为纵向裂纹、横向裂纹、龟裂、坑洼、灌缝以及井盖，其中灌缝和井盖为辅助类别，不作为检测网络最后的输出。
在本实施例中，模型的输入为640*640的图片。
步骤S2中所述卷积神经网络包括目标检测模块和目标跟踪模块，其中，目标检测模块用于检测路面病害的类别信息及位置信息，目标跟踪模块用于避免同一对象多次识别的问题。
进一步的，如图3所示，步骤S2所述神经网络搭建的具体步骤为：
步骤S21、利用重参数化方法以及7*7和13*13大卷积核深度卷积构建具有更大有效感受野和更多形状偏置的骨干网络RepLKDarkNet。
作为示例性说明，上述RepLKDarkNet网络基于重参数化方法将CSPDarkNet网络的上层和中间层中位于残差结构中的所有3*3卷积并行添加一个7*7深度卷积，将CSPDarkNet网络的中下层和下层位于残差结构中的所有3*3卷积并行添加一个13*13深度卷积，在添加的7*7深度卷积和13*13深度卷积后添加BN层，将归一化后的3*3卷积层和7*7深度卷积层或13*13深度卷积层的输出相加作为共同输出，每一个深度卷积前后都添加一个1*1卷积进行调整通道数和通道融合；在推理阶段，根据卷积可加性原理，将小卷积核以及在其之后BN层的参数和大卷积核相加，得到的大卷积核拥有和训练阶段两个卷积核相同的功能；在RepLKDarkNet的下层分别使用5*5、9*9以及13*13这3个不同大小的池化核对来自中下层的输入进行池化操作，将池化后的结果与原输入在通道维度上进行堆叠，得到具有更大感受野的特征。
步骤S22、使用空间可分离深度卷积和对称填充策略重构具有三种不同尺度输出的加强特征提取网络XSepPAFPN，网络不仅对水平和垂直方向特征具有较高的提取能力，还在一定程度上弥补了使用偶数大小卷积核后，右上、右下、左上和左下四个方向因位置偏移而导致特征丢失的问题。
进一步的，如图4所示，上述对称填充策略具体实现方式在四个连续层上，分别在输入的右上、右下、左上以及左下进行填充操作，若最后只剩一层则对每4个通道进行上述策略，相比于一般在特征图四周补0的填充策略，改进的对称填充策略可以有效避免网络结构中使用偶数大小卷积核导致的特征位置偏移。
作为示例性说明，上述XSepPAFPN接收来自骨干网络三种不同尺度的输入特征层进行大感受野的加强特征提取，三种输入大小分别是2H*2W*1/2C的特征X1、H*W*C的特征X2以及1/2H*1/2W*2C的特征X3；将X3通过1*1卷积将通道缩减到C,再对缩减后的X3进行2倍上采样调整大小到H*W*C，并与输入特征X2在通道维进行堆叠得到大小为H*W*2C中间特征层M；将M进行特征提取并通过1*1卷积将通道数缩减到1/2C，继续对缩减后的M进行2倍上采样调整大小为2H*2W*1/2C，与输入特征X1在通道维进行堆叠并进行特征提取得到大小为2H*2W*1/2C输出特征层Y1；依次使用2*2深度卷积、步长为(1,2)的1*k深度卷积、步长为(2,1)的k*1深度卷积搭建XSep下采样层；将Y1进行k＝13的XSep下采样调整大小到H*W*1/2C，与中间特征层M在通道维进行堆叠并进行特征提取得到大小为H*W*C的输出特征层Y2；最后将Y2进行k＝7的XSep下采样调整大小到1/2H*1/2W*C，与缩减后的X3在通道维进行堆叠并进行特征提取得到大小为1/2H*1/2W*2C的输出特征层Y3；最终由骨干网络的三个有效特征层X1、X2和X3得到三种不同尺度的输出特征层Y1、Y2和Y3。
步骤S23、在XSepPAFPN后连接解耦头作为目标检测模块的检测头，使用两个分支分别判断特征图中每个特征点包含物体的类别以及每个特征点的边界框回归参数和是否包含物体。
步骤S24、最后在目标检测模块后添加目标跟踪模块，目标跟踪模块中包含一个目标跟踪算法，用于避免同一对象的重识别。
在本实施例中，目标跟踪模块使用DeepSort算法。
步骤S4中的模型部署方法为先将模型转换为ONNX模型，再将ONNX转换为TensorRT模型。
在本实施例中，深度学习框架使用Pytorch。
具体来说，模型部署首先将训练好的网络利用Pytorch内部接口转化为ONNX模型，在TensorRT中使用解析器读取ONNX模型并构建引擎。然后调用TensorRT的C++接口以及Libtorch库实现模型后处理部分。在推理过程中应注意显存的分配，在计算时借助CUDA库将数据从CPU端搬到GPU端，在推理计算后再将数据从GPU端搬回CPU端，CUDA并行计算流程具体如图5所示。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (7)
1.一种基于边缘对称填充和大感受野的路面病害检测方法，其特征在于：包括以下步骤：
步骤S1、修改并标注路面病害数据集，并划分训练集、验证集和测试集；
步骤S2、使用基于大核深度可分离卷积配合重参数化以及改进的对称填充策略的目标检测模块和目标跟踪模块搭建卷积神经网络，网络最终输出为病害类别和检测框位置信息；
步骤S3、使用步骤S1中的数据集训练步骤S2中的卷积神经网络，得到可以准确识别6种类别的路面病害检测模型；
步骤S4、将路面病害检测模型转换为可以嵌入式部署的模型；
步骤S5、将步骤S4中转换后的模型部署到车载终端设备，将终端设备摄像头拍摄的视频流输入路面病害检测模型，并输出检测结果。
2.如权利要求1所述的基于边缘对称填充和大感受野的路面病害检测方法，其特征在于：步骤S1包括：
步骤S11、路面病害数据集由公共数据集和省道路面采集的图像数据组成，使用路面病害公共数据集GRDDC，提取原数据集中纵向裂纹、横向裂纹、龟裂和坑洼四种标注信息，结合省道采集的道路病害图像，并额外添加灌缝和井盖两种标注，用于区分已经修补的裂纹和未修补的裂纹、坑洼和井盖两对易误报病害类型；
步骤S12、将路面病害数据集按照8:2的比例划分训练集和验证集；
步骤S13、在训练阶段加载数据集时,使用masoic和mixup数据增强方法提高数据鲁棒性，以及水平和垂直翻转、随机旋转、随机裁剪、变形和缩放等数据增强方式增加数据量较少的类型的样本量，提高模型的泛化能力。
3.如权利要求1所述的基于边缘对称填充和大感受野的路面病害检测方法，其特征在于：所述路面病害数据集包含6个类别，分别为纵向裂纹、横向裂纹、龟裂、坑洼、灌缝以及井盖，其中灌缝和井盖为辅助类别，不作为检测网络最后的输出。
4.如权利要求1所述的基于边缘对称填充和大感受野的路面病害检测方法，其特征在于：步骤S2中所述卷积神经网络包括目标检测模块和目标跟踪模块，其中，目标检测模块用于检测路面病害的类别信息及位置信息，目标跟踪模块用于避免同一对象多次识别的问题。
5.如权利要求1所述的基于边缘对称填充和大感受野的路面病害检测方法，其特征在于：步骤S2所述神经网络搭建的具体步骤为：
步骤S21、利用重参数化方法以及7*7和13*13大卷积核深度卷积构建具有更大有效感受野和更多形状偏置的骨干网络RepLKDarkNet；
步骤S22、使用空间可分离深度卷积和对称填充策略重构具有三种不同尺度输出的加强特征提取网络XSepPAFPN。
步骤S23、在XSepPAFPN后连接解耦头作为目标检测模块的检测头，使用两个分支分别判断特征图中每个特征点包含物体的类别以及每个特征点的边界框回归参数和是否包含物体。
步骤S24、最后在目标检测模块后添加目标跟踪模块，目标跟踪模块中包含一个目标跟踪算法，用于避免同一对象的重识别。
6.如权利要求5所述的基于边缘对称填充和大感受野的路面病害检测方法，其特征在于：步骤S22中所述对称填充策略具体实现方式为在每四个连续偶数大小卷积层上，分别在输入的左上、右下、右上以及左下进行填充操作，若最后只剩一层则对每4个通道进行上述策略。
7.如权利要求1所述的基于边缘对称填充和大感受野的路面病害检测方法，其特征在于：步骤S4中的模型部署方法为先将模型转换为ONNX模型，再将ONNX转换为TensorRT模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211253152.3A CN115512324A (zh) | 2022-10-13 | 2022-10-13 | 一种基于边缘对称填充和大感受野的路面病害检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211253152.3A CN115512324A (zh) | 2022-10-13 | 2022-10-13 | 一种基于边缘对称填充和大感受野的路面病害检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115512324A true CN115512324A (zh) | 2022-12-23 |
Family
ID=84511337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211253152.3A Pending CN115512324A (zh) | 2022-10-13 | 2022-10-13 | 一种基于边缘对称填充和大感受野的路面病害检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115512324A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117764988A (zh) * | 2024-02-22 | 2024-03-26 | 山东省计算中心（国家超级计算济南中心） | 基于异核卷积多感受野网络的道路裂缝检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130155061A1 (en) * | 2011-12-16 | 2013-06-20 | University Of Southern California | Autonomous pavement condition assessment |
| CN112215819A (zh) * | 2020-10-13 | 2021-01-12 | 中国民航大学 | 基于深度特征融合的机场道面裂缝检测方法 |
| US20210350517A1 (en) * | 2020-05-08 | 2021-11-11 | The Board Of Trustees Of The University Of Alabama | Robust roadway crack segmentation using encoder-decoder networks with range images |
| CN114255399A (zh) * | 2021-12-03 | 2022-03-29 | 中国电子科技集团公司第三十八研究所 | 基于非对称pad卷积计算实现数据连续更新的目标分类方法 |
| CN114494872A (zh) * | 2022-01-24 | 2022-05-13 | 北京航空航天大学 | 一种嵌入式轻量化遥感目标检测系统 |
| CN114781442A (zh) * | 2022-04-07 | 2022-07-22 | 成都信息工程大学 | 基于四维注意力卷积循环神经网络的疲劳分类方法 |
| CN115144407A (zh) * | 2022-06-23 | 2022-10-04 | 仪通微感（北京）科技有限公司 | 一种便携式车载道路病害检测设备及检测方法 |
-
2022
- 2022-10-13 CN CN202211253152.3A patent/CN115512324A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130155061A1 (en) * | 2011-12-16 | 2013-06-20 | University Of Southern California | Autonomous pavement condition assessment |
| US20210350517A1 (en) * | 2020-05-08 | 2021-11-11 | The Board Of Trustees Of The University Of Alabama | Robust roadway crack segmentation using encoder-decoder networks with range images |
| CN112215819A (zh) * | 2020-10-13 | 2021-01-12 | 中国民航大学 | 基于深度特征融合的机场道面裂缝检测方法 |
| CN114255399A (zh) * | 2021-12-03 | 2022-03-29 | 中国电子科技集团公司第三十八研究所 | 基于非对称pad卷积计算实现数据连续更新的目标分类方法 |
| CN114494872A (zh) * | 2022-01-24 | 2022-05-13 | 北京航空航天大学 | 一种嵌入式轻量化遥感目标检测系统 |
| CN114781442A (zh) * | 2022-04-07 | 2022-07-22 | 成都信息工程大学 | 基于四维注意力卷积循环神经网络的疲劳分类方法 |
| CN115144407A (zh) * | 2022-06-23 | 2022-10-04 | 仪通微感（北京）科技有限公司 | 一种便携式车载道路病害检测设备及检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHANG Y等: "TB-Net: a three-stream boundary-aware network for fine-grained pavement disease segmentation", 《PROCEEDINGS OF THE IEEE/CVF WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION》, 31 December 2021 (2021-12-31), pages 3655 - 3664 * |
| 方晨晨;石繁槐;: "基于改进深度残差网络的番茄病害图像识别", 计算机应用, no. 1, 31 July 2020 (2020-07-31), pages 208 - 213 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117764988A (zh) * | 2024-02-22 | 2024-03-26 | 山东省计算中心（国家超级计算济南中心） | 基于异核卷积多感受野网络的道路裂缝检测方法及系统 |
| CN117764988B (zh) * | 2024-02-22 | 2024-04-30 | 山东省计算中心（国家超级计算济南中心） | 基于异核卷积多感受野网络的道路裂缝检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
| CN110619282B (zh) | 一种无人机正射影像建筑物自动提取方法 | |
| Zhang et al. | Pavement distress detection using convolutional neural network (CNN): A case study in Montreal, Canada | |
| CN110909666B (zh) | 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法 | |
| CN111695448B (zh) | 一种基于视觉传感器的路侧车辆识别方法 | |
| CN113160139B (zh) | 基于注意力的Faster R-CNN网络的钢板表面缺陷检测方法 | |
| CN113780312A (zh) | 一种高速公路路面状况检测系统 | |
| CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
| CN114937033A (zh) | 一种基于深度卷积神经网络的农村公路路面病害智能检测方法 | |
| CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
| CN114066808A (zh) | 一种基于深度学习的路面缺陷检测方法及系统 | |
| CN114705689A (zh) | 一种基于无人机的建筑物外立面裂缝检测方法及系统 | |
| CN115512324A (zh) | 一种基于边缘对称填充和大感受野的路面病害检测方法 | |
| CN115661032A (zh) | 一种适用于复杂背景的路面病害智能检测方法 | |
| CN110619258A (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
| CN115170479A (zh) | 一种沥青路面修补病害自动提取方法 | |
| 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 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN115294541A (zh) | 一种局部特征增强Transformer道路裂缝检测方法 | |
| CN113420670A (zh) | 基于高分遥感输变电线路迁改环水保监管方法 | |
| CN111160282A (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
| CN116503336A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
| CN114708190A (zh) | 一种基于深度学习的道路裂缝检测评估算法 | |
| CN114529522A (zh) | 一种道路表观病害智能识别方法和系统 | |
| CN115147702A (zh) | 一种基于yolact++的车辆损伤识别方法、装置、设备及介质 |
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 |