CN116309447B - 一种基于深度学习的水坝斜坡裂缝检测方法 - Google Patents
一种基于深度学习的水坝斜坡裂缝检测方法 Download PDFInfo
- Publication number
- CN116309447B CN116309447B CN202310262781.0A CN202310262781A CN116309447B CN 116309447 B CN116309447 B CN 116309447B CN 202310262781 A CN202310262781 A CN 202310262781A CN 116309447 B CN116309447 B CN 116309447B
- Authority
- CN
- China
- Prior art keywords
- dam
- image
- crack
- pixel
- dam slope
- 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 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
- 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
- G06V10/70—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
- G06T2207/20—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]
-
- 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
- G06T2207/30108—Industrial image inspection
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的水坝斜坡裂缝检测方法,包括:对水坝斜坡图像进行预处理得到预处理后的水坝斜坡图像;对所述预处理后的水坝斜坡图像进行标注得到训练样本图像;将所述训练样本图像输入到神经网络中进行训练得到水坝斜坡裂缝检测模型;将待检测的水坝斜坡图像输入到所述水坝斜坡裂缝检测模型中进行检测得到相应水坝斜坡图像中的裂缝位置和形状;根据所述裂缝位置和形状划分水坝裂缝的种类。本发明通过神经网络检测模型可以让检测人员远离危险的倾斜水坝墙面,在安全处操作摄像机即可对整片倾斜水坝墙面进行裂纹检测,不仅降低了人工成本,还提高了检测效率。
Description
技术领域
本发明涉及水坝裂缝检测领域,特别是涉及一种基于深度学习的水坝斜坡裂缝检测方法。
背景技术
水坝是拦截江河渠道水流以抬高水位或调节流量的挡水建筑物,若出现裂缝,会影响水坝斜面的稳定性以及大坝的安全。目前水坝裂缝的检测,一般是专业人员采用裂缝测深仪和裂缝测宽仪定期去水坝上检测,然后由专业人员根据经验来判断裂缝的危险等级。但是,水坝一般都有倾斜度,人工检测比较危险、费时费力,难以进行实时检测,而且人工检测容易出现漏判、误判的现象。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种基于深度学习的水坝斜坡裂缝检测方法。
为实现上述目的,本发明提供了如下方案:
一种基于深度学习的水坝斜坡裂缝检测方法,包括:
采集水坝斜坡图像;
对所述水坝斜坡图像进行预处理得到预处理后的水坝斜坡图像;
对所述预处理后的水坝斜坡图像进行标注得到训练样本图像;
将所述训练样本图像输入到神经网络中进行训练得到水坝斜坡裂缝检测模型;
将待检测的水坝斜坡图像输入到所述水坝斜坡裂缝检测模型中进行检测得到相应水坝斜坡图像中的裂缝位置和形状;
根据所述裂缝位置和形状划分水坝裂缝的种类;所述裂缝种类包括龟状裂缝、横向裂缝和纵向裂缝。
优选的,所述对所述水坝斜坡图像进行预处理得到预处理后的水坝斜坡图像,包括:
以水坝斜坡图像中任意一像素点为中心取一个去噪窗口;
计算去噪窗口内的像素值的方差和均值;
根据所述像素值的方差和均值构建水坝图像去噪模型;
滑动所述去噪窗口,并利用所述水坝图像去噪模型对所述水坝斜坡图像进行处理得到预处理后的水坝斜坡图像。
优选的,计算去噪窗口内的像素值的方差,包括:
根据水坝斜坡图像尺寸的大小确定去噪窗口的尺寸;
根据去噪窗口的的尺寸计算水坝斜坡图像的像素均值;其中,像素均值的计算公式为:
其中,mx(a,b)表示水坝斜坡图像中像素点(a,b)在去噪窗口的尺寸为(2n+1)×(2n+1)的区域内的像素均值。
优选的,计算去噪窗口内的像素值的方差,包括:
根据像素均值得到像素方差;其中,所述像素方差的计算公式为:
其中,表示水坝斜坡图像中像素点(a,b)在去噪窗口的大小为(2n+1)×(2n+1)的区域内的像素方差。
优选的,所述根据所述像素值的方差和均值构建水坝图像去噪模型,包括:
采用公式:
构建水坝图像去噪模型;其中,f(a,b)表示像素点(a,b)在预处理后的像素值,D为可调参数,x(a,b)表示水坝斜坡图像中像素点(a,b)的像素值。
优选的,所述根据所述裂缝位置和形状划分水坝裂缝的种类,包括:
将检测后的水坝斜坡图像进行灰度变换得到水坝裂缝灰度图像;
对所述水坝裂缝灰度图像进行二值化处理得到水坝裂缝二值化图像;
将灰度值为1的点作为水坝裂缝像素点,并获取水坝裂缝像素点的最大列距离和最大行距离;
根据水坝裂缝像素点的最大列距离和最大行距离划分水坝裂缝的种类。
优选的,所述根据水坝裂缝像素点的最大列距离和最大行距离划分水坝裂缝的种类,包括:
当水坝裂缝像素点的最大列距离大于第一阈值,且最大行距离小于第二阈值时,则水坝裂缝的种类为纵向裂缝;
当水坝裂缝像素点的最大列距离小于第一阈值,且最大行距离大于第二阈值时,则水坝裂缝的种类为横向裂缝;
当水坝裂缝像素点的最大列距离大于第一阈值,且最大行距离大于第二阈值时,则水坝裂缝的种类为龟状裂缝。
优选的,所述对所述水坝裂缝灰度图像进行二值化处理得到水坝裂缝二值化图像,包括:
使用最大类间方差法对所述水坝裂缝灰度图像进行二值化处理得到水坝裂缝二值化图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于深度学习的水坝斜坡裂缝检测方法,包括:对水坝斜坡图像进行预处理得到预处理后的水坝斜坡图像;对所述预处理后的水坝斜坡图像进行标注得到训练样本图像;将所述训练样本图像输入到神经网络中进行训练得到水坝斜坡裂缝检测模型;将待检测的水坝斜坡图像输入到所述水坝斜坡裂缝检测模型中进行检测得到相应水坝斜坡图像中的裂缝位置和形状;根据所述裂缝位置和形状划分水坝裂缝的种类。本发明通过神经网络检测模型可以让检测人员远离危险的倾斜水坝墙面,在安全处操作摄像机即可对整片倾斜水坝墙面进行裂纹检测,不仅降低了人工成本,还提高了检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明实施例提供的一种基于深度学习的水坝斜坡裂缝检测方法流程图;
图2为本发明实施例提供的水坝裂缝二值化图像示意图。
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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤,而是可选地还包括没有列出的步骤,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种基于深度学习的水坝斜坡裂缝检测方法,以解决现有的水坝裂缝检测方法效率低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种基于深度学习的水坝斜坡裂缝检测方法,包括:
步骤1:采集水坝斜坡图像;在实际应用中,本发明可使用无人机或者工业相机对水坝斜坡图像进行采集。
步骤2:对所述水坝斜坡图像进行预处理得到预处理后的水坝斜坡图像;
由于在水坝斜坡图像采集过程中,采集设备容易受到外界环境和光线等因素的影响,因此实际采集到的水坝斜坡图像质量往往欠佳。为了后期对目标裂缝进行检测,本发明需要对采集的水坝斜坡图像进行图像预处理。
进一步的,步骤2包括:
以水坝斜坡图像中任意一像素点为中心取一个去噪窗口;
计算去噪窗口内的像素值的方差和均值;
需要说明的是,本发明的像素值的方差计算方法为:
根据水坝斜坡图像尺寸的大小确定去噪窗口的尺寸;
根据去噪窗口的的尺寸计算水坝斜坡图像的像素均值;其中,像素均值的计算公式为:
其中,mx(a,b)表示水坝斜坡图像中像素点(a,b)在去噪窗口的尺寸为(2n+1)×(2n+1)的区域内的像素均值。
本发明的像素值的均值计算方法为:
根据像素均值得到像素方差;其中,所述像素方差的计算公式为:
其中,表示水坝斜坡图像中像素点(a,b)在去噪窗口的大小为(2n+1)×(2n+1)的区域内的像素方差。
根据所述像素值的方差和均值构建水坝图像去噪模型;在本发明实施例中,水坝图像去噪模型为:
其中,f(a,b)表示像素点(a,b)在预处理后的像素值,D为可调参数,x(a,b)表示水坝斜坡图像中像素点(a,b)的像素值。
滑动所述去噪窗口,并利用所述水坝图像去噪模型对所述水坝斜坡图像进行处理得到预处理后的水坝斜坡图像。
本发明通过像素值的方差和均值来构建去噪模型可以很好抑制水坝斜坡图像中的噪声,使采集的图片更加清晰。
步骤3:对所述预处理后的水坝斜坡图像进行标注得到训练样本图像;
步骤4:将所述训练样本图像输入到神经网络中进行训练得到水坝斜坡裂缝检测模型;
步骤5:将待检测的水坝斜坡图像输入到所述水坝斜坡裂缝检测模型中进行检测得到相应水坝斜坡图像中的裂缝位置和形状;
步骤6:根据所述裂缝位置和形状划分水坝裂缝的种类;所述裂缝种类包括龟状裂缝、横向裂缝和纵向裂缝。
进一步的,步骤6包括:
将检测后的水坝斜坡图像进行灰度变换得到水坝裂缝灰度图像;
对所述水坝裂缝灰度图像进行二值化处理得到水坝裂缝二值化图像;
在本发明实施例中,本发明采用的是最大类间方差法对水坝裂缝灰度图像进行二值化处理得到水坝裂缝二值化图像。最大类间方差法是在目标区域与背景区域的类间方差取最大时,所得到的灰度值作为图像的分割阈值,这是一种阈值自动选择方法,免除人工选择阈值的主观性和复杂性,具有较好的图像分割效果。
将灰度值为1的点作为水坝裂缝像素点,并获取水坝裂缝像素点的最大列距离和最大行距离;由于裂缝与背景图具有显著的差异,因此本发明将水坝裂缝灰度图像进行二值化处理后,会得到十分明显的裂缝像素点,如图2所示。
根据水坝裂缝像素点的最大列距离和最大行距离划分水坝裂缝的种类。
在本发明实施例中,根据水坝裂缝像素点的最大列距离和最大行距离划分水坝裂缝的种类,包括:
当水坝裂缝像素点的最大列距离大于第一阈值,且最大行距离小于第二阈值时,则水坝裂缝的种类为纵向裂缝;
当水坝裂缝像素点的最大列距离小于第一阈值,且最大行距离大于第二阈值时,则水坝裂缝的种类为横向裂缝;
当水坝裂缝像素点的最大列距离大于第一阈值,且最大行距离大于第二阈值时,则水坝裂缝的种类为龟状裂缝。
本发明的有益效果如下:
本发明通过神经网络检测模型可以让检测人员远离危险的倾斜水坝墙面,在安全处操作摄像机即可对整片倾斜水坝墙面进行裂纹检测,不仅降低了人工成本,还提高了检测效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于深度学习的水坝斜坡裂缝检测方法,其特征在于,包括:
采集水坝斜坡图像;
对所述水坝斜坡图像进行预处理得到预处理后的水坝斜坡图像;
对所述预处理后的水坝斜坡图像进行标注得到训练样本图像;
将所述训练样本图像输入到神经网络中进行训练得到水坝斜坡裂缝检测模型;
将待检测的水坝斜坡图像输入到所述水坝斜坡裂缝检测模型中进行检测得到相应水坝斜坡图像中的裂缝位置和形状;
根据所述裂缝位置和形状划分水坝裂缝的种类;所述裂缝种类包括龟状裂缝、横向裂缝和纵向裂缝;
所述对所述水坝斜坡图像进行预处理得到预处理后的水坝斜坡图像,包括:
以水坝斜坡图像中任意一像素点为中心取一个去噪窗口;
计算去噪窗口内的像素值的方差和均值;
根据所述像素值的方差和均值构建水坝图像去噪模型;
滑动所述去噪窗口,并利用所述水坝图像去噪模型对所述水坝斜坡图像进行处理得到预处理后的水坝斜坡图像;
计算去噪窗口内的像素值的方差,包括:
根据水坝斜坡图像尺寸的大小确定去噪窗口的尺寸;
根据去噪窗口的的尺寸计算水坝斜坡图像的像素均值;其中,像素均值的计算公式为:
其中,mx(a,b)表示水坝斜坡图像中像素点(a,b)在去噪窗口的尺寸为(2n+1)×(2n+1)的区域内的像素均值;
计算去噪窗口内的像素值的方差,包括:
根据像素均值得到像素方差;其中,所述像素方差的计算公式为:
其中,表示水坝斜坡图像中像素点(a,b)在去噪窗口的大小为(2n+1)×(2n+1)的区域内的像素方差;
所述根据所述像素值的方差和均值构建水坝图像去噪模型,包括:
采用公式:
构建水坝图像去噪模型;其中,f(a,b)表示像素点(a,b)在预处理后的像素值,D为可调参数,x(a,b)表示水坝斜坡图像中像素点(a,b)的像素值。
2.根据权利要求1所述的一种基于深度学习的水坝斜坡裂缝检测方法,其特征在于,所述根据所述裂缝位置和形状划分水坝裂缝的种类,包括:
将检测后的水坝斜坡图像进行灰度变换得到水坝裂缝灰度图像;
对所述水坝裂缝灰度图像进行二值化处理得到水坝裂缝二值化图像;
将灰度值为1的点作为水坝裂缝像素点,并获取水坝裂缝像素点的最大列距离和最大行距离;
根据水坝裂缝像素点的最大列距离和最大行距离划分水坝裂缝的种类。
3.根据权利要求2所述的一种基于深度学习的水坝斜坡裂缝检测方法,其特征在于,所述根据水坝裂缝像素点的最大列距离和最大行距离划分水坝裂缝的种类,包括:
当水坝裂缝像素点的最大列距离大于第一阈值,且最大行距离小于第二阈值时,则水坝裂缝的种类为纵向裂缝;
当水坝裂缝像素点的最大列距离小于第一阈值,且最大行距离大于第二阈值时,则水坝裂缝的种类为横向裂缝;
当水坝裂缝像素点的最大列距离大于第一阈值,且最大行距离大于第二阈值时,则水坝裂缝的种类为龟状裂缝。
4.根据权利要求2所述的一种基于深度学习的水坝斜坡裂缝检测方法,其特征在于,所述对所述水坝裂缝灰度图像进行二值化处理得到水坝裂缝二值化图像,包括:
使用最大类间方差法对所述水坝裂缝灰度图像进行二值化处理得到水坝裂缝二值化图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310262781.0A CN116309447B (zh) | 2023-03-17 | 2023-03-17 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310262781.0A CN116309447B (zh) | 2023-03-17 | 2023-03-17 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309447A CN116309447A (zh) | 2023-06-23 |
CN116309447B true CN116309447B (zh) | 2024-01-05 |
Family
ID=86818226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310262781.0A Active CN116309447B (zh) | 2023-03-17 | 2023-03-17 | 一种基于深度学习的水坝斜坡裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309447B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117517175B (zh) * | 2024-01-02 | 2024-03-12 | 中交基础设施养护集团工程有限公司 | 一种路面渗水性能检测装置及检测方法 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100615047B1 (ko) * | 2005-03-11 | 2006-08-22 | 목포해양대학교 산학협력단 | 용접부의 결함 자동 검측 방법 |
CN107240079A (zh) * | 2017-06-09 | 2017-10-10 | 南京理工大学 | 一种基于图像处理的路面裂缝检测方法 |
CN107705260A (zh) * | 2017-10-03 | 2018-02-16 | 陈值英 | 医学x光图像的去噪系统 |
CN108921076A (zh) * | 2018-09-21 | 2018-11-30 | 南京信息工程大学 | 基于图像的道面裂缝病害自适应恒虚警检测方法 |
CN108985363A (zh) * | 2018-07-03 | 2018-12-11 | 长安大学 | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 |
CN110335255A (zh) * | 2019-06-14 | 2019-10-15 | 华南农业大学 | 一种基于深度学习的水坝斜坡裂缝检测方法及仿生壁虎爬行检测装置 |
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 |
KR20200028776A (ko) * | 2018-09-07 | 2020-03-17 | 동의대학교 산학협력단 | 콘크리트 균열 검출에 대한 영상 처리 기법의 향상된 이진화 방법 |
CN111105408A (zh) * | 2019-12-27 | 2020-05-05 | 南京大学 | 一种基于图像处理的建筑物表面裂缝检测方法及系统 |
CN111126505A (zh) * | 2019-12-28 | 2020-05-08 | 北京工业大学 | 一种基于深度学习的路面裂缝快速识别方法 |
CN111612846A (zh) * | 2020-04-29 | 2020-09-01 | 南京震坤物联网科技有限公司 | 基于U-net CNN图像识别和像素标定的混凝土裂缝宽度测定方法 |
CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
CN112435228A (zh) * | 2020-11-19 | 2021-03-02 | 中国民航大学 | 一种基于高密度各向异性特征的机场道面裂缝检测方法 |
CN112446871A (zh) * | 2020-12-02 | 2021-03-05 | 山东大学 | 一种基于深度学习和OpenCV的隧道裂缝识别方法 |
CN112529901A (zh) * | 2020-12-31 | 2021-03-19 | 江西飞尚科技有限公司 | 一种复杂环境下的裂缝识别方法 |
CN112785579A (zh) * | 2021-01-26 | 2021-05-11 | 西京学院 | 基于图像处理技术的混凝土裂缝识别方法 |
KR20210083865A (ko) * | 2019-12-27 | 2021-07-07 | 경북대학교 산학협력단 | 딥러닝 기반 콘크리트 균열 감지 시스템 |
KR102293526B1 (ko) * | 2021-03-31 | 2021-08-26 | 유씨아이테크 주식회사 | 3d 스캐닝 장비를 이용한 시설물 유지관리 시스템 및 그 방법 |
CN113409267A (zh) * | 2021-06-17 | 2021-09-17 | 西安热工研究院有限公司 | 一种基于深度学习的路面裂缝检测与分割方法 |
CN113822880A (zh) * | 2021-11-22 | 2021-12-21 | 中南大学 | 一种基于深度学习的裂缝识别方法 |
CN114299060A (zh) * | 2022-01-04 | 2022-04-08 | 东北电力大学 | 一种适用于复杂水下环境的深度学习大坝裂缝检测方法 |
CN114677601A (zh) * | 2022-04-12 | 2022-06-28 | 雅砻江流域水电开发有限公司 | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 |
KR20220095468A (ko) * | 2020-12-30 | 2022-07-07 | 주식회사 딥인스펙션 | 설명가능 인공지능 및 대규모 딥러닝 hpc 시스템 기반 강재 품질검사 시스템 |
CN115100173A (zh) * | 2022-07-11 | 2022-09-23 | 西北工业大学 | 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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN110225336B (zh) * | 2019-06-21 | 2022-08-26 | 京东方科技集团股份有限公司 | 评估图像采集精度的方法及装置、电子设备、可读介质 |
JP7158609B2 (ja) * | 2020-01-31 | 2022-10-21 | 三菱電機株式会社 | 亀裂推定装置と故障診断装置および亀裂推定方法と回転電機の故障診断方法 |
CN111476781B (zh) * | 2020-04-08 | 2023-04-07 | 浙江大学 | 一种基于视频语义分割技术的混凝土裂缝识别方法和装置 |
-
2023
- 2023-03-17 CN CN202310262781.0A patent/CN116309447B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100615047B1 (ko) * | 2005-03-11 | 2006-08-22 | 목포해양대학교 산학협력단 | 용접부의 결함 자동 검측 방법 |
CN107240079A (zh) * | 2017-06-09 | 2017-10-10 | 南京理工大学 | 一种基于图像处理的路面裂缝检测方法 |
CN107705260A (zh) * | 2017-10-03 | 2018-02-16 | 陈值英 | 医学x光图像的去噪系统 |
CN108985363A (zh) * | 2018-07-03 | 2018-12-11 | 长安大学 | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 |
KR20200028776A (ko) * | 2018-09-07 | 2020-03-17 | 동의대학교 산학협력단 | 콘크리트 균열 검출에 대한 영상 처리 기법의 향상된 이진화 방법 |
CN108921076A (zh) * | 2018-09-21 | 2018-11-30 | 南京信息工程大学 | 基于图像的道面裂缝病害自适应恒虚警检测方法 |
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 |
CN110335255A (zh) * | 2019-06-14 | 2019-10-15 | 华南农业大学 | 一种基于深度学习的水坝斜坡裂缝检测方法及仿生壁虎爬行检测装置 |
KR20210083865A (ko) * | 2019-12-27 | 2021-07-07 | 경북대학교 산학협력단 | 딥러닝 기반 콘크리트 균열 감지 시스템 |
CN111105408A (zh) * | 2019-12-27 | 2020-05-05 | 南京大学 | 一种基于图像处理的建筑物表面裂缝检测方法及系统 |
CN111126505A (zh) * | 2019-12-28 | 2020-05-08 | 北京工业大学 | 一种基于深度学习的路面裂缝快速识别方法 |
CN111612846A (zh) * | 2020-04-29 | 2020-09-01 | 南京震坤物联网科技有限公司 | 基于U-net CNN图像识别和像素标定的混凝土裂缝宽度测定方法 |
CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
CN112435228A (zh) * | 2020-11-19 | 2021-03-02 | 中国民航大学 | 一种基于高密度各向异性特征的机场道面裂缝检测方法 |
CN112446871A (zh) * | 2020-12-02 | 2021-03-05 | 山东大学 | 一种基于深度学习和OpenCV的隧道裂缝识别方法 |
KR20220095468A (ko) * | 2020-12-30 | 2022-07-07 | 주식회사 딥인스펙션 | 설명가능 인공지능 및 대규모 딥러닝 hpc 시스템 기반 강재 품질검사 시스템 |
CN112529901A (zh) * | 2020-12-31 | 2021-03-19 | 江西飞尚科技有限公司 | 一种复杂环境下的裂缝识别方法 |
CN112785579A (zh) * | 2021-01-26 | 2021-05-11 | 西京学院 | 基于图像处理技术的混凝土裂缝识别方法 |
KR102293526B1 (ko) * | 2021-03-31 | 2021-08-26 | 유씨아이테크 주식회사 | 3d 스캐닝 장비를 이용한 시설물 유지관리 시스템 및 그 방법 |
CN113409267A (zh) * | 2021-06-17 | 2021-09-17 | 西安热工研究院有限公司 | 一种基于深度学习的路面裂缝检测与分割方法 |
CN113822880A (zh) * | 2021-11-22 | 2021-12-21 | 中南大学 | 一种基于深度学习的裂缝识别方法 |
CN114299060A (zh) * | 2022-01-04 | 2022-04-08 | 东北电力大学 | 一种适用于复杂水下环境的深度学习大坝裂缝检测方法 |
CN114677601A (zh) * | 2022-04-12 | 2022-06-28 | 雅砻江流域水电开发有限公司 | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 |
CN115100173A (zh) * | 2022-07-11 | 2022-09-23 | 西北工业大学 | 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 |
Non-Patent Citations (4)
Title |
---|
乔闹生.基于均值去噪与图像增强的方差滤波器.2008,第19卷(第12期),1666-1669页. * |
基于粗糙集理论的水下大坝裂缝图像增强算法;汪耕任;范新南;史朋飞;陈伟;;计算机与现代化(第09期);全文 * |
暗通道先验的大坝水下裂缝图像增强算法;马金祥;范新南;吴志祥;张学武;史朋飞;汪耕任;;中国图象图形学报(第12期);全文 * |
混凝土结构裂缝特征提取研究;卫军;曹龙飞;曾艳霞;董荣珍;陈绍磊;;武汉理工大学学报(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116309447A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
Wang et al. | Comparison analysis on present image-based crack detection methods in concrete structures | |
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN105158258A (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
CN108009591A (zh) | 一种基于深度学习的接触网关键部件识别方法 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN110930357A (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN116309447B (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 | |
CN107967681B (zh) | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 | |
WO2023082418A1 (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN113887324A (zh) | 基于卫星遥感数据的火点检测方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |