CN116434087B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116434087B CN116434087B CN202310354991.2A CN202310354991A CN116434087B CN 116434087 B CN116434087 B CN 116434087B CN 202310354991 A CN202310354991 A CN 202310354991A CN 116434087 B CN116434087 B CN 116434087B
- Authority
- CN
- China
- Prior art keywords
- goa
- svm
- crack
- concrete
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000006870 function Effects 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 239000000306 component Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 239000012533 medium component Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims 2
- 230000035939 shock Effects 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 241000254032 Acrididae Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于GOA‑SVM协同算法与无人机的混凝土裂缝识别方法,包括如下步骤:S1、收集混凝土裂缝图像,建立原始裂缝图像集;S2、对混凝裂缝图像进行预处理;S3、计算预处理后图像的熵、对比度及能量,提取灰度值,建立训练样本库,并对训练样本库输入数据进行标准化处理;S4、将标准化处理后的训练样本输入GOA‑SVM算法中,学习、训练混凝土裂缝识别模型,并使其具有裂缝长度、宽度计算功能,得到最优GOA‑SVM混凝土裂缝识别模型;S5、将GOA‑SVM混凝土裂缝识别模型嵌入到无人机上;S6、利用无人机对现场混凝土结构进行拍摄,将无人机拍摄的图像输入到GOA‑SVM混凝土裂缝识别模型中,通过GOA‑SVM混凝土裂缝识别模型完成混凝土裂缝的识别,并计算裂缝长度、宽度。
Description
技术领域
本发明涉及混凝土裂缝识别技术领域,具体涉及一种基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法及装置。
背景技术
桥梁混凝土结构裂缝的宽度与形状是判断技术状况的重要参数。现有的混凝土裂缝大多通过人工识别与描绘、检测车技术等手段,耗时耗力,主观性强、容易造成遗漏与错误。近年来,基于手持式混凝土裂缝检测技术得到发展,但对于长大桥梁、高桥墩这样的裂缝检测仍需要桥梁检测车平台,与传统人工直接测量相比并没有明显优势。尤其,在川藏铁路沿线的高原地区,低气压、缺氧、强紫外线对劳动强度限制很大,急切需要低劳动强度、操作简单的混凝土裂缝识别与检测方法。
近年来无人飞机在航空拍照、地质测量、高速铁路管理等民用领域得到广泛应用,为长、大、高桥梁混凝土裂缝检测提供了新手段。通过在无人机上搭载高清相机、激光平台、减震原件,即可借助无人机来实现混凝土裂缝的清晰拍摄,并借助图像处理技术即可实现裂缝的自动化识别与提取。《T/CECS1114-2022工程结构数字图像法检测技术规程》规范了图像裂缝提取的基本流程与基本操作要点,但未能给出很好的识别裂缝算法,建立包括什么特征值的训练样本也并未提及。
计算机视觉测量技术以非接触式、无损检测技术,具有分辨率高、普适性强,高效性等特点,在混凝土裂缝自动检测领域有广泛的应用前景。目前,阈值法、边缘(edge)算法、匹配(matching)算法、C聚类及模糊算法等多方式被用来识别混凝土裂缝。与以上方法不同,机器学习是通过大量样本进行学习、自动提取特征,实现裂缝的识别与提取,具有更好的适应性及泛化预测能力。持向量机SVM(Support Vector Machine)是基于统计学习理论的机器学习方法,它在解决小样本、高维数、非线性和局部极小点等问题方面有较好的效果,解决了传统机器学习算法,例如人工神经网络,对人工特征依赖性强、表征能力弱等公开技术难题,分类识别取得良好的效果。然而,SVM的惩罚函数数c及径向基核函数的宽度参数g对SVM模型的学习、泛化能力有较大的影响,易导致欠学习或过度学习,进而影响混凝土裂缝识别效果。传统交叉验证确定的c、g值易陷入局部最优,且要求目标函数对参数可微;粒子群算法、遗传算法等方法在优化c、g时,收敛、全局寻优能力并不突出。因此,如何获得最优c、g成为利用SVM模型实现混凝土裂缝识别中重要的环节。
蚱蜢群智能全局算法(Grasshopper Optimization Algorithm,GOA)是于2017年提出一种新的优化算法。研究表明,和遗传算法、粒子群、差分进化算法等随机全局优化算法相比,GOA算法全局寻优能力更强、收敛速度更快、输入参数更少。GOA算法的寻优过程由全局寻优过程与局部寻优过程组成,能有效减小局部寻优过程的目标函数调用次数,相比遗传算法、粒子群算法等算法较优。
发明内容
本发明的目的在于提供一种基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法,其能够有效提高混凝土裂缝的识别效率和精度。
为实现上述目的,本发明提供了一种基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法,包括如下步骤:
S1、收集混凝土裂缝图像,建立原始裂缝图像集;
S2、对混凝裂缝图像进行预处理;
S3、计算预处理后图像的熵、对比度及能量,提取灰度值,建立训练样本库,并对训练样本库输入数据进行标准化处理;
S4、将标准化处理后的训练样本输入GOA-SVM算法中,学习、训练混凝土裂缝识别模型,并使其具有裂缝长度、宽度计算功能,得到最优GOA-SVM混凝土裂缝识别模型;
S5、将GOA-SVM混凝土裂缝识别模型嵌入到无人机上;
S6、利用无人机对现场混凝土结构进行拍摄,将无人机拍摄的图像输入到GOA-SVM混凝土裂缝识别模型中,通过GOA-SVM混凝土裂缝识别模型完成混凝土裂缝的识别,并计算裂缝长度、宽度。
在一优选实施方式中,步骤S1中,通过无人机拍摄、文献收集各种不同的混凝土裂缝图像;步骤S2中,对混凝裂缝图像进行预处理包括图像增强、降噪和灰度化,其中,图像增强采用灰度线性变换,降噪采用小波法变换,灰度化使图像灰度值在0-255之间。
在一优选实施方式中,步骤S3中,计算预处理后图像的熵、对比度及能量,提取灰度值,建立训练样本库,并对训练样本库输入数据进行标准化处理,具体包括:采用灰度图像的熵、对比度、能量、灰度值四个信息值作为训练样本的输入向量xi,并建立训练样本(xi,yi),其中,xi=[xi1,xi2,xi3,xi4]中分量分别对应熵、对比度、能量和灰度值,yi∈(o,+)为输入特征向量的标识,o为非裂缝,+为裂缝。
在一优选实施方式中,步骤S3具体包括如下步骤:
S31、以灰度图像中以像元i为中心,取3×3个像元为计算窗口,计算4个方向的灰度共生矩阵P(r,t),并进行归一化,得到归一化灰度共生矩阵p(r,t):
P(r,t)=#{((k1,k2),(l1,l2))∈(Lx×Ly)×(Lx×Ly)|d,θ,f(k1,k2)=r,f(l1,l2)=t} 公式(1)
式中,Ng为灰度级,取值256;P(r,t)为Ng×Ng的灰度共生矩阵,(Lx×Ly)为灰度共生矩阵定义的范围域,d表示像元距离(取d=1),θ表示计算方向(取θ=0°、45°、90°、135°),f(k1,k2)=r,f(l1,l2)=t为灰度图像f对应行列的灰度值;#表示{}中成立的像元数;p(r,t)为灰度共生矩阵P(r,t)的归一化灰度共生矩阵;
S32、计算4个方向归一化灰度共生矩阵p(r,t)的能量值asm、熵ent、对比度con,并将所得值4个方向的平均值作为该窗口中心像元i的3个特征值:
S33、联合asm、ent、con和灰度值,组建训练样本输入向量xi=[xi1,xi2,xi3,xi4],并对其中各分量进行标准化处理:
式中,xi,j及xi,’j分别表示第i个样本的第j维输入特征的初始输入向量及标准化后的标准值;uj和σj分别表示所有样本第j维特征值的均值及标准差,经过标准化后输入向量xi在各维度符合标准正态分布,用于后续裂缝识别模型的学习、训练。
在一优选实施方式中,步骤S4中,将标准化处理后的训练样本输入GOA-SVM算法中,学习、训练混凝土裂缝识别模型,并使其具有裂缝长度、宽度计算功能,得到最优GOA-SVM混凝土裂缝识别模型包括如下步骤:
S41、选取惩罚参数c与核参数g作为优化变量,设定优化范围,用k折交叉验证方法,并确定目标函数;
S42、确定种群数NP,最大允许迭代步数Tmax,算法维数D,线性减小函数emin、emax,SVM中惩罚函数c及核参数g优化范围;
S43、初始化随机分布搜索种群位置,计算当前种群的适应度函数值,选取其中适应度最优值的位置点指向作为指导下一次寻优的方向;在迭代寻优过程中通过位置更新公式预测下一代种群最优位置;
下一代种群搜索位置更新公式为:
GOA算法的搜索范围的线性减小参数:
式中,L为总迭代次数,l为当前迭代次数;
S44、将预测最优个体的真实适应度函数值与当前最优个体位置的真实函数适应度值进行比较,若优于当前个体,则用预测最优个体替换当前最优个体,即更新了当前的最优个体位置;若目标函数达到了目标精度,则停止计算,输出反演的参数;否则,继续回到步骤S44,进行新一轮计算,不断反复,直到目标函数满足收敛准则,到达目标精度;
S45、将优化的c、g代入SVM中,建立GOA-SVM混凝土裂缝识别模型,基于识别的裂缝,计算得到裂缝长度B、宽度S,具体为:
式中,dk代表裂缝图像中心线上第k个像素点与第k+1个像素点之间的距离;xk、yk与xk+1、yk+1分别为第k、k+1个像素点的坐标。
式中,(xn,yn)、(x'n,y'n)为裂缝边缘垂线最远端两点坐标。
在一优选实施方式中,GOA-SVM混凝土裂缝识别模型通过引入核函数来实现高维特征空间中的内积运算,假设某一映射把样本从样本空间映射到高维空间,再在高维特征空间采取线性的方法实现分类,进而完成凝土裂缝的识别,包括:
建立裂缝识别目标函数:max Q(α),
式中,
式中,ai为与第i个样本对应的拉格朗日算子,且同时满足ai≥0和∑yiai>0,∑为求和函数,K(xi,xj)为核函数,K表示内积;
将混凝土裂缝的识别问题转化为GOA-SVM分类问题,分类函数为:
式中,ai *对应Q(a)最优解中的一个分量,sgn为符号函数,返回结果为yi∈(o,+),当输出值yi为o,表示非裂缝,当输出值yi为+,表示裂缝。
在一优选实施方式中,步骤S5中,采用的无人机搭载有CA103高清相机,高清相机与无人机之间设置减震连接装置。
本发明还提供了一种基于GOA-SVM协同算法与无人机的混凝土裂缝识别装置,包括:
预处理模块,其包括增强单元、去噪单元和灰度化单元,其中,增强单元用改善无人机拍摄的图像的质量、丰富图像信息量以及加强图像判读和识别效果,去噪单元用于对无人机获取的图像进行降噪处理,灰度化单元用于将增强、去噪后的无人机拍摄的图像灰度值转化到0-255之间,使其成为灰度图像;
特征值提取模块,其包括特征值计算单元、标准化单元和样本构建单元,其中,特征值计算单元用于计算灰度图像的能量、对比度、灰度和熵,标准化单元用于将能量、对比度、灰度、熵标准化,样本构建单元用于建立训练样本和测试样本(xi,yi)、预测样本的输入向量xi=[xi1,xi2,xi3,xi4];
GOA-SVM优化识别模块,用于训练和测试特征值提取模块所构建的训练样本和测试样本,并对预测样本xi=[xi1,xi2,xi3,xi4]进行预测分类,GOA-SVM优化识别模块包括GOA优化单元、核函数设置单元、GOA-SVM训练单元、GOA-SVM预测单元、长度计算单元和宽度计算单元,其中,GOA优化单元用于设置GOA算法初始参数,包括种群数、最大允许迭代步数、算法维数、线性减小参数,核函数设置单元用于设置GOA-SVM混凝土裂缝识别模型所选择的核函数;GOA-SVM训练单元用于对训练样本(xi,yi)进行学习,并对测试样本(xi,yi)进行测试;GOA-SVM预测单元用于对输入的混凝土图像进行识别,长度计算单元、宽度计算单元分别用于计算混凝土裂缝的长度、宽度信息;
传输模块,其用于裂缝识别模型与无人机、装置内部各模块及单元间的数据传输;以及
储存模块,其用于无人机图像、混凝土裂缝识别的中间数据的储存。
在一优选实施方式中,特征值计算单元采用公式(1)~(5)计算灰度图像的能量、对比度、灰度、熵,具体为:
以灰度图像中以像元i为中心,取3×3个像元为计算窗口,计算4个方向的灰度共生矩阵P(r,t),并进行归一化,得到归一化灰度共生矩阵p(r,t):
P(r,t)=#{((k1,k2),(l1,l2))∈(Lx×Ly)×(Lx×Ly)|d,θ,f(k1,k2)=r,f(l1,l2)=t} 公式(1)
式中,Ng为灰度级,取值256;P(r,t)为Ng×Ng的灰度共生矩阵,(Lx×Ly)为灰度共生矩阵定义的范围域,d表示像元距离(取d=1),θ表示计算方向(取θ=0°、45°、90°、135°),f(k1,k2)=r,f(l1,l2)=t为灰度图像f对应行列的灰度值;#表示{}中成立的像元数;p(r,t)为灰度共生矩阵P(r,t)的归一化灰度共生矩阵;
计算4个方向归一化灰度共生矩阵p(r,t)的能量值asm、熵ent、对比度con,并将所得值4个方向的平均值作为该窗口中心像元i的3个特征值:
标准化单元采用公式(6)将公式(1)~(5)计算得到的灰度图像的能量、对比度、灰度、熵标准化,具体为:
联合asm、ent、con和灰度值,组建训练样本输入向量xi=[xi1,xi2,xi3,xi4],并对其中各分量进行标准化处理:
式中,xi,j及xi,’j分别表示第i个样本的第j维输入特征的初始输入向量及标准化后的标准值;uj和σj分别表示所有样本第j维特征值的均值及标准差,经过标准化后输入向量xi在各维度符合标准正态分布,用于后续裂缝识别模型的学习、训练。
在一优选实施方式中,去噪单元内置了包括维纳滤波、线性滤波、中值滤波和小波法的降噪处理方法,通过试错法选择合适的降噪处理方法;核函数设置单元中设置了径向基、协方差和线性核函数,采用试错法选择核函数的类型。
与现有技术相比,本发明的有益效果是:本发明的方法通过预先收集现场混凝土开裂图像,建立足够丰富的裂缝训练样本库,同时利用k折交叉验证法训练SVM图像分类模型,采用GOA算法寻优,解决了SVM算法惩罚函数数c、径向基核函数宽度参数g的优化、快速收敛难题,与传统裂缝分割模型相比,本发明的方法建立的GOA-SVM混凝土裂缝识别模型学习能力更强,泛化能力更好,提高了桥梁混凝土裂缝实时检测的效率;本发明结合无人机航拍技术,将建立的GOA-SVM混凝土裂缝识别模型部署到无人机上并用于混凝土图像识别,为图像识别提供了新的捷径,快速、方便、高效的得到了混凝土裂缝结果,并量化输出,降低了混凝土裂缝检测作业劳动强度,为大、长、高混凝土结构,尤其是高原混凝土结构,提供了更高效、精确的检测手段。
附图说明
图1为本发明一优选实施方式的混凝土裂缝识别流程图;
图2为本发明一优选实施方式的GOA-SVM混凝土裂缝识别模型的混凝土裂缝分类结果;
图3为本发明一优选实施方式的装置模块图;
图4为本发明一优选实施方式的装置单元图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述。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1
如图1-2所示,本实施例以实际工程为例进行详细说明,对川藏铁路新都桥附近某桥墩混凝土进行了识别,桥墩高30m,施工完成一段时间后出现局部开裂,通过采用本发明的基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法完成了墩身裂缝自动识别,极大降低了高原裂缝识别作业劳动强度,显著提高了施工效率和精度。
本发明的基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法包括如下步骤:
步骤S1、收集大量混凝土裂缝图像,建立清晰度较好的原始图像集。
步骤S2、对收集的图像进行线性增强、降噪以及灰度化预处理,其中,图像增强采用灰度线性变换,该变化既能增强图像灰度对比,又能较好地保留边缘信。降噪采用小波法变换,灰度化使图像灰度值在0-255之间。
步骤S3、选取n个典型训练样本(n=500)作为样本集,计算其熵、对比度、能量、灰度值,将这四个值作为训练样本i的输入向量xi,并构建训练样本集(xi,yi);其中,xi=[xi1,xi2,xi3,xi4]中分量分别对应熵、对比度、能量和灰度值,yi∈(o,+)为输入向量对应目标值,“o”表示非裂缝,“+”表示裂缝。
具体的,步骤S3的实施过程如下:
S31、以灰度图像中以像元i为中心,取3×3个像元为计算窗口,计算4个方向的灰度共生矩阵P(r,t),并进行归一化,得到归一化灰度共生矩阵p(r,t):
P(r,t)=#{((k1,k2),(l1,l2))∈(Lx×Ly)×(Lx×Ly)|d,θ,f(k1,k2)=r,f(l1,l2)=t} 公式(1)
式中,Ng为灰度级,取值256;P(r,t)为Ng×Ng的灰度共生矩阵,(Lx×Ly)为灰度共生矩阵定义的范围域,d表示像元距离(取d=1),θ表示计算方向(取θ=0°、45°、90°、135°),f(k1,k2)=r,f(l1,l2)=t为灰度图像f对应行列的灰度值;#表示{}中成立的像元数;p(r,t)为灰度共生矩阵P(r,t)的归一化灰度共生矩阵;
S32、计算4个方向归一化灰度共生矩阵p(r,t)的能量值asm、熵ent、对比度con,并将所得值4个方向的平均值作为该窗口中心像元i的3个特征值:
S33、联合asm、ent、con和灰度值,组建训练样本输入向量xi=[xi1,xi2,xi3,xi4],并对其中各分量进行标准化处理:
式中,xi,j及x’i,j分别表示第i个样本的第j维输入特征的初始输入向量及标准化后的标准值;uj和σj分别表示所有样本第j维特征值的均值及标准差,经过标准化后输入向量xi在各维度符合标准正态分布,用于后续裂缝识别模型的学习、训练。
步骤S4、搭建GOA-SVM混凝土裂缝识别模型。
具体的,步骤S4的搭建GOA-SVM混凝土裂缝识别模型的实施过程如下:
步骤S41、选取惩罚参数c与核参数g作为优化变量,设置好优化范围,c∈(1e-2,3),g∈(1e-2,100);选取目标函数Fitness=m/M×100%作为适应度函数。其中,m为识别准确的样本统计个数,M为识别的样本总数;
步骤S42、确定种群数NP=10,最大允许迭代步数Tmax=100,算法维数D=2,emax=1、emin=0.01;SVM中惩罚函数c最大值cmax=3、最小值cmin=0.01;核参数g最大值gmax=100、最小值gmin=0.01;
步骤S43、初始化随机分布搜索种群位置,计算当前种群的适应度函数值,选取其中适应度最优值的位置点指向作为指导下一次寻优的方向;
在迭代寻优过程中通过位置更新公式预测下一代种群最优位置。
优选地,所述的下一代种群搜索位置更新公式为:
优选的,决定GOA算法的搜索范围的相关系数:
式中,L为总迭代次数,l为当前迭代次数。
步骤S44、将预测最优个体的真实适应度函数值与当前最优个体位置的真实函数。适应度值进行比较,若优于当前个体,则用预测最优个体替换当前最优个体,即更新了当前的最优个体位置;若目标函数达到了目标精度,则停止计算,输出反演的参数;否则,继续回到步骤S44,进行新一轮计算,不断反复,直到目标函数满足收敛准则,到达目标精度。
步骤S45、将通过GOA算法优化的c、g代入SVM中,建立GOA-SVM裂缝识别模型。本模型可实现裂缝自动识别,并计算裂缝长度B、宽度S,具体为:
式中,dk代表裂缝图像中心线上第k个像素点与第k+1个像素点之间的距离;xk、yk与xk+1、yk+1分别为第k、k+1个像素点的坐标。
式中,(xn,yn)、(x'n,y'n)为裂缝边缘垂线最远端两点坐标。
本发明GOA-SVM混凝土裂缝识别模型通过引入核函数来实现高维特征空间中的内积运算,假设某一映射把样本从样本空间映射到高维空间,再在高维特征空间采取线性的方法实现分类,进而完成凝土裂缝的识别,包括:
建立裂缝识别目标函数:max Q(α),
式中,
式中,ai为与第i个样本对应的拉格朗日算子,且同时满足ai≥0和∑yiai>0,∑为求和函数,K(xi,xj)为核函数,K表示内积。
进一步,将混凝土裂缝的识别问题转化为GOA-SVM分类问题,分类函数为:
式中,ai *对应Q(a)最优解中的一个分量,sgn为符号函数,返回结果为yi∈(o,+),当输出值yi为o,表示非裂缝,当输出值yi为+表示裂缝。
优选地,本发明中GOA-SVM混凝土裂缝识别模型的核函数选择径向基核函数REF,其计算公式为:
作为对比验证,本发明将目前广泛应用的支持向量机SVM、GA-SVM及PSO-SVM用于裂缝识别训练及识别效果作对比,结果如表1所示。可见,本发明GOA-SVM混凝土裂缝识别模型在参数局部和全局优化、运算时间上性能更加突出,精准度上更为准确。
表1四种算法裂缝识别算法计算耗时及识别精度比较。
步骤S5、将GOA-SVM混凝土裂缝识别模型嵌入到无人机上。
步骤S、规划无人机制路径,制定飞行方案,对川藏新都桥某30m高墩混凝土裂缝进行拍摄,无人机与桥墩一般距离控制在1.5~3m左右。通过GOA-SVM裂缝识别模型完成裂缝识别及长度、宽度信息计算和输出。
实施例2
如图3、4所示,本发明还提供了一种基于GOA-SVM协同算法与无人机的混凝土裂缝识别装置,包括:传输模块Z1、储存模块Z2、预处理模块Z3、特征值提取模块Z4以及GOA-SVM优化及识别模块Z5。
其中,传输模块Z1用于裂缝识别模型与无人机、装置内部各模块及单元间数据相互传输。
储存模块Z2用于无人机图像、混凝土裂缝识别中间数据的储存。
预处理模块Z3用于对无人机拍摄图像进行前期处理,增强、改善图像的质量,并对图像进行灰度化。预处理模块Z3可以执行本发明实施例1提出的基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法步骤S2。预处理模块Z3包括增强单元Z3-1、去噪单元Z3-2及Z3-3灰度化单元。增强单元Z3-1用将改善无人机拍摄的图像的质量,丰富图像信息量,加强图像判读和识别效果。去噪单元Z3-2用于对无人机获取的图像进行降噪,例如高斯噪声、椒盐噪声,减小噪声对裂缝训练、识别精度的影响。去噪单元Z3-2内置了Wiener维纳滤、线性滤波、中值滤波和小波法等常用方法,可采用试错法得到较好的去噪效果。灰度化单元Z3-3用于将增强、去噪后的无人机拍摄的图像灰度值转化到0-255之间,使其成为灰度图像。
特征值提取模块Z4用于提取图像的特征值,建立训练样本和预测样本的输入向量,特征值提取模块Z4包括:特征值计算单元Z4-1、标准化单元Z4-2和样本构建单元Z4-3。特征值计算单元Z4-1,用于计算灰度图像的能量、对比度、灰度、熵,具体采用公式(1)~(5)。标准化单元Z4-2用于将能量、对比度、灰度、熵标准化,具体采用公式(6)。样本构建单元Z4-3,用于建立训练样本(xi,yi)、预测样本的输入向量xi=[xi1,xi2,xi3,xi4]。
GOA-SVM优化及识别模块Z5用于训练和测试特征值提取模块Z4所构建的训练和测试样本(xi,yi),并对预测样本xi=[xi1,xi2,xi3,xi4]进行预测分类。该模块可以执行本发明实施例1提出的基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法步骤S4。GOA-SVM优化及识别模块Z5包括:GOA优化单元Z5-1、核函数设置单元Z5-2、GOA-SVM训练单元Z5-3、GOA-SVM预测单元Z5-4、长度计算单元Z5-5和宽度计算单元Z5-6。
GOA优化单元Z5-1用于设置GOA算法初始参数,包括种群数NP=10,最大允许迭代步数Tmax=100,算法维数D,包括自适应参数最大值cmax=3、自适应参数最小值cmin=0.01等,优化SVM模型超参数c、g。核函数设置单元Z5-2用于设置GOA-SVM所选择的核函数。本单元中设置了径向基、协方差和线性核函数等,用户同样可采用试错法选择核函数类型,得到较好的映射效果。GOA-SVM训练单元Z5-3用于训练预处理后的训练样本(xi,yi)。训练过程中,将预处理后的训练样本中,在样本库中随机90%的数据作为训练数据组,另10%的数据作为测试数据组。GOA-SVM预测单元Z5-4用于对输入的混凝土图像进行识别。长度计算单元Z5-5、宽度计算单元Z5-6分别用于计算混凝土裂缝长度、宽度信息。
优选的,上述各模块之间的交互性链接,反馈均是通过传输模块Z1进行。因此,为保证链接的稳定,可以根据现场条件需求实现无线、有线、或者混合方式传导。
具体实施过程表明本发明所提出的基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法及装置具有简单高效、预测精度高等优点,可有效解决当前混凝土裂缝识别劳动强度高、精度不佳的问题。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法,其特征在于:包括如下步骤:
S1、收集混凝土裂缝图像,建立原始裂缝图像集;
S2、对混凝裂缝图像进行预处理;
S3、计算预处理后图像的熵、对比度及能量,提取灰度值,建立训练样本库,并对训练样本库输入数据进行标准化处理;
S4、将标准化处理后的训练样本输入GOA-SVM算法中,学习、训练混凝土裂缝识别模型,并使其具有裂缝长度、宽度计算功能,得到最优GOA-SVM混凝土裂缝识别模型;
S5、将GOA-SVM混凝土裂缝识别模型嵌入到无人机上;
S6、利用无人机对现场混凝土结构进行拍摄,将无人机拍摄的图像输入到GOA-SVM混凝土裂缝识别模型中,通过GOA-SVM混凝土裂缝识别模型完成混凝土裂缝的识别,并计算裂缝长度、宽度;
步骤S3中,计算预处理后图像的熵、对比度及能量,提取灰度值,建立训练样本库,并对训练样本库输入数据进行标准化处理,具体包括:采用灰度图像的熵、对比度、能量、灰度值四个信息值作为训练样本的输入向量xi,并建立训练样本(xi,yi),其中,xi=[xi1,xi2,xi3,xi4]中分量分别对应熵、对比度、能量和灰度值,yi∈(o,+)为输入特征向量的标识,o为非裂缝,+为裂缝;
步骤S3,具体包括如下步骤:
S31、以灰度图像中像元i为中心,取3×3个像元为计算窗口,计算4个方向的灰度共生矩阵P(r,t),并进行归一化,得到归一化灰度共生矩阵p(r,t):
P(r,t)=#{((k1,k2),(l1,l2))∈(Lx×Ly)×(Lx×Ly)|d,θ,f(k1,k2)
=r,f(l1,l2)=t}公式(1)
式中,Ng为灰度级,取值256;P(r,t)为Ng×Ng的灰度共生矩阵,(Lx×Ly)为灰度共生矩阵定义的范围域,d表示像元距离,θ表示计算方向,f(k1,k2)=r,f(l1,l2)=t为灰度图像f对应行列的灰度值;#表示{}中成立的像元数;p(r,t)为灰度共生矩阵P(r,t)的归一化灰度共生矩阵;
S32、计算4个方向归一化灰度共生矩阵p(r,t)的能量值asm、熵ent、对比度con,并将所得值4个方向的平均值作为该窗口中心像元i的3个特征值:
S33、联合asm、ent、con和灰度值,组建训练样本输入向量xi=[xi1,xi2,xi3,xi4],并对其中各分量进行标准化处理:
式中,xi,j及xi,’j分别表示第i个样本的第j维输入特征的初始输入向量及标准化后的标准值;uj和σj分别表示所有样本第j维特征值的均值及标准差,经过标准化后输入向量xi在各维度符合标准正态分布,用于后续裂缝识别模型的学习、训练;
步骤S4中,将标准化处理后的训练样本输入GOA-SVM算法中,学习、训练混凝土裂缝识别模型,并使其具有裂缝长度、宽度计算功能,得到最优GOA-SVM混凝土裂缝识别模型包括如下步骤:
S41、选取惩罚参数c与核参数g作为优化变量,设定优化范围,用k折交叉验证方法,并确定目标函数;
S42、确定种群数NP,最大允许迭代步数Tmax,算法维数D,线性减小函数emin、emax,SVM中惩罚函数c及核参数g优化范围;
S43、初始化随机分布搜索种群位置,计算当前种群的适应度函数值,选取其中适应度最优值的位置点指向作为指导下一次寻优的方向;在迭代寻优过程中通过位置更新公式预测下一代种群最优位置;
下一代种群搜索位置更新公式为:
GOA算法的搜索范围的线性减小参数:
式中,L为总迭代次数,l为当前迭代次数;
S44、将预测最优个体的真实适应度函数值与当前最优个体位置的真实函数适应度值进行比较,若优于当前个体,则用预测最优个体替换当前最优个体,即更新了当前的最优个体位置;若目标函数达到了目标精度,则停止计算,输出反演的参数;否则,继续回到步骤S44,进行新一轮计算,不断反复,直到目标函数满足收敛准则,到达目标精度;
S45、将优化的c、g代入SVM中,建立GOA-SVM混凝土裂缝识别模型,基于识别的裂缝,计算得到裂缝长度B、宽度S,具体为:
式中,dk代表裂缝图像中心线上第k个像素点与第k+1个像素点之间的距离;xk、yk与xk+1、yk+1分别为第k、k+1个像素点的坐标;
式中,(xn,yn)、(x’n,y’n)为裂缝边缘垂线最远端两点坐标;
所述GOA-SVM混凝土裂缝识别模型通过引入核函数来实现高维特征空间中的内积运算,假设某一映射把样本从样本空间映射到高维空间,再在高维特征空间采取线性的方法实现分类,进而完成凝土裂缝的识别,包括:
建立裂缝识别目标函数:max Q(a),
式中,
式中,ai为与第i个样本对应的拉格朗日算子,且同时满足ai≥0和∑yiai>0,∑为求和函数,K(xi,xj)为核函数,K表示内积;
将混凝土裂缝的识别问题转化为GOA-SVM分类问题,分类函数为:
式中,ai *对应Q(a)最优解中的一个分量,sgn为符号函数,返回结果为yi∈(o,+);当输出值yi为o时,表示非裂缝,当输出值yi为+时,表示裂缝。
2.根据权利要求1所述的基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法,其特征在于:步骤S1中,通过无人机拍摄、文献收集各种不同的混凝土裂缝图像;步骤S2中,对混凝裂缝图像进行预处理包括图像增强、降噪和灰度化,其中,图像增强采用灰度线性变换,降噪采用小波法变换,灰度化使图像灰度值在0-255之间。
3.根据权利要求2所述的基于GOA-SVM协同算法与无人机的混凝土裂缝识别方法,其特征在于:步骤S5中,采用的无人机搭载有CA103高清相机,高清相机与无人机之间设置减震连接装置。
4.一种基于GOA-SVM协同算法与无人机的混凝土裂缝识别装置,其特征在于:包括:
预处理模块,其包括增强单元、去噪单元和灰度化单元,其中,所述增强单元用改善无人机拍摄的图像的质量、丰富图像信息量以及加强图像判读和识别效果,所述去噪单元用于对无人机获取的图像进行降噪处理,所述灰度化单元用于将增强、去噪后的无人机拍摄的图像灰度值转化到0-255之间,使其成为灰度图像;
特征值提取模块,其包括特征值计算单元、标准化单元和样本构建单元,其中,所述特征值计算单元用于计算灰度图像的能量、对比度、灰度和熵,标准化单元用于将能量、对比度、灰度、熵标准化,所述样本构建单元用于建立训练样本和测试样本(xi,yi)、预测样本的输入向量xi=[xi1,xi2,xi3,xi4],其中,xi=[xi1,xi2,xi3,xi4]中分量分别对应熵、对比度、能量和灰度值;
GOA-SVM优化识别模块,用于训练和测试所述特征值提取模块所构建的训练样本和测试样本,并对预测样本的输入向量xi=[xi1,xi2,xi3,xi4]进行预测分类,所述GOA-SVM优化识别模块包括GOA优化单元、核函数设置单元、GOA-SVM训练单元、GOA-SVM预测单元、长度计算单元和宽度计算单元,其中,GOA优化单元用于设置GOA算法初始参数,包括种群数、最大允许迭代步数、算法维数、线性减小参数,核函数设置单元用于设置GOA-SVM混凝土裂缝识别模型所选择的核函数;GOA-SVM训练单元用于对训练样本(xi,yi)进行学习,并对测试样本(xi,yi)进行测试;GOA-SVM预测单元用于对输入的混凝土图像进行识别,所述长度计算单元、宽度计算单元分别用于计算混凝土裂缝的长度、宽度信息;
传输模块,其用于裂缝识别模型与无人机、装置内部各模块及单元间的数据传输;以及
储存模块,其用于无人机图像、混凝土裂缝识别的中间数据的储存;
其中,所述特征值计算单元采用公式(1)~(5)计算灰度图像的能量、对比度、灰度、熵,具体为:
灰度图像中以像元i为中心,取3×3个像元为计算窗口,计算4个方向的灰度共生矩阵P(r,t),并进行归一化,得到归一化灰度共生矩阵p(r,t):
P(r,t)=#{((k1,k2),(l1,l2))∈(Lx×Ly)×(Lx×Ly)|d,θ,f(k1,k2)
=r,f(l1,l2)=t}公式(1)
式中,Ng为灰度级,取值256;P(r,t)为Ng×Ng的灰度共生矩阵,(Lx×Ly)为灰度共生矩阵定义的范围域,d表示像元距离,θ表示计算方向,f(k1,k2)=r,f(l1,l2)=t为灰度图像f对应行列的灰度值;#表示{}中成立的像元数;p(r,t)为灰度共生矩阵P(r,t)的归一化灰度共生矩阵;
计算4个方向归一化灰度共生矩阵p(r,t)的能量值asm、熵ent、对比度con,并将所得值4个方向的平均值作为该窗口中心像元i的3个特征值:
标准化单元采用公式(6)将公式(1)~(5)计算得到的灰度图像的能量、对比度、灰度、熵标准化,具体为:
联合asm、ent、con和灰度值,组建训练样本输入向量xi=[xi1,xi2,xi3,xi4],并对其中各分量进行标准化处理:
式中,xi,j及xi,’j分别表示第i个样本的第j维输入特征的初始输入向量及标准化后的标准值;uj和σj分别表示所有样本第j维特征值的均值及标准差,经过标准化后输入向量xi在各维度符合标准正态分布,用于后续裂缝识别模型的学习、训练;
GOA-SVM混凝土裂缝识别模型的搭建包括如下步骤:
S41、选取惩罚参数c与核参数g作为优化变量,设定优化范围,用k折交叉验证方法,并确定目标函数;
S42、确定种群数NP,最大允许迭代步数Tmax,算法维数D,线性减小函数emin、emax,SVM中惩罚函数c及核参数g优化范围;
S43、初始化随机分布搜索种群位置,计算当前种群的适应度函数值,选取其中适应度最优值的位置点指向作为指导下一次寻优的方向;在迭代寻优过程中通过位置更新公式预测下一代种群最优位置;
下一代种群搜索位置Xi d更新公式为:
GOA算法的搜索范围的线性减小参数:
式中,L为总迭代次数,l为当前迭代次数;
S44、将预测最优个体的真实适应度函数值与当前最优个体位置的真实函数适应度值进行比较,若优于当前个体,则用预测最优个体替换当前最优个体,即更新了当前的最优个体位置;若目标函数达到了目标精度,则停止计算,输出反演的参数;否则,继续回到步骤S44,进行新一轮计算,不断反复,直到目标函数满足收敛准则,到达目标精度;
S45、将优化的c、g代入SVM中,建立GOA-SVM混凝土裂缝识别模型,基于识别的裂缝,计算得到裂缝长度B、宽度S,具体为:
式中,dk代表裂缝图像中心线上第k个像素点与第k+1个像素点之间的距离;xk、yk与xk+1、yk+1分别为第k、k+1个像素点的坐标;
式中,(xn,yn)、(x’n,y’n)为裂缝边缘垂线最远端两点坐标;
GOA-SVM混凝土裂缝识别模型通过引入核函数来实现高维特征空间中的内积运算,假设某一映射把样本从样本空间映射到高维空间,再在高维特征空间采取线性的方法实现分类,进而完成凝土裂缝的识别,包括:
建立裂缝识别目标函数:max Q(a),
式中,
式中,ai为与第i个样本对应的拉格朗日算子,且同时满足ai≥0和∑yiai>0,∑为求和函数,K(xi,xj)为核函数,K表示内积;
将混凝土裂缝的识别问题转化为GOA-SVM分类问题,分类函数为:
式中,ai *对应Q(a)最优解中的一个分量,sgn为符号函数,返回结果为yi∈(o,+);当输出值yi为o时,表示非裂缝,当输出值yi为+时,表示裂缝。
5.如权利要求4所述的基于GOA-SVM协同算法与无人机的混凝土裂缝识别装置,其特征在于:所述去噪单元内置了包括维纳滤波、线性滤波、中值滤波和小波法的降噪处理方法,通过试错法选择合适的降噪处理方法;所述核函数设置单元中设置了径向基、协方差和线性核函数,采用试错法选择核函数的类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310354991.2A CN116434087B (zh) | 2023-04-04 | 2023-04-04 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310354991.2A CN116434087B (zh) | 2023-04-04 | 2023-04-04 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116434087A CN116434087A (zh) | 2023-07-14 |
CN116434087B true CN116434087B (zh) | 2024-01-23 |
Family
ID=87092058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310354991.2A Active CN116434087B (zh) | 2023-04-04 | 2023-04-04 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116434087B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108051450A (zh) * | 2017-11-01 | 2018-05-18 | 中铁大桥科学研究院有限公司 | 一种基于无人机的桥梁健康检测系统及方法 |
CN108564569A (zh) * | 2018-03-23 | 2018-09-21 | 石家庄铁道大学 | 一种基于多核分类学习的混凝土裂缝检测方法及装置 |
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 |
CN110348075A (zh) * | 2019-06-20 | 2019-10-18 | 湖南科技大学 | 一种基于改进支持向量机算法的磨削表面粗糙度预测方法 |
CN114937016A (zh) * | 2022-05-25 | 2022-08-23 | 广西大学 | 一种基于边缘计算和Transformer的桥梁混凝土裂缝实时检测方法及装置 |
CN115482462A (zh) * | 2022-08-31 | 2022-12-16 | 东南大学 | 基于深度学习的混凝土裂缝识别系统及方法 |
CN115511836A (zh) * | 2022-09-28 | 2022-12-23 | 丽水市市政设施管理中心(丽水市节约用水管理中心) | 基于强化学习算法的桥梁裂缝等级评估方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
-
2023
- 2023-04-04 CN CN202310354991.2A patent/CN116434087B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108051450A (zh) * | 2017-11-01 | 2018-05-18 | 中铁大桥科学研究院有限公司 | 一种基于无人机的桥梁健康检测系统及方法 |
CN108564569A (zh) * | 2018-03-23 | 2018-09-21 | 石家庄铁道大学 | 一种基于多核分类学习的混凝土裂缝检测方法及装置 |
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 |
CN110348075A (zh) * | 2019-06-20 | 2019-10-18 | 湖南科技大学 | 一种基于改进支持向量机算法的磨削表面粗糙度预测方法 |
CN114937016A (zh) * | 2022-05-25 | 2022-08-23 | 广西大学 | 一种基于边缘计算和Transformer的桥梁混凝土裂缝实时检测方法及装置 |
CN115482462A (zh) * | 2022-08-31 | 2022-12-16 | 东南大学 | 基于深度学习的混凝土裂缝识别系统及方法 |
CN115511836A (zh) * | 2022-09-28 | 2022-12-23 | 丽水市市政设施管理中心(丽水市节约用水管理中心) | 基于强化学习算法的桥梁裂缝等级评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
信息科技.2021,第2021卷(第03期),C034-119. * |
张亮.桥梁病害图像处理及识别研究.工程科技Ⅱ辑 * |
Also Published As
Publication number | Publication date |
---|---|
CN116434087A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI729405B (zh) | 優化損傷檢測結果的方法及裝置 | |
CN111461134B (zh) | 一种基于生成对抗网络的低分辨率车牌识别方法 | |
CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN108345866B (zh) | 一种基于深度特征学习的行人再识别方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN111223087B (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
CN114283325A (zh) | 一种基于知识蒸馏的水下目标识别方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN116796810A (zh) | 一种基于知识蒸馏的深度神经网络模型压缩方法及装置 | |
CN117237902B (zh) | 基于深度学习的机器人物体识别系统 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN116434087B (zh) | 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 | |
CN117593243A (zh) | 可靠伪标签引导的压缩机外观自适应检测方法 | |
CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
CN116524341A (zh) | 一种基于量化蒸馏的水下目标识别方法 | |
CN111652048A (zh) | 一种基于深度学习的1:n人脸比对方法 | |
CN115240070A (zh) | 一种裂缝检测方法 | |
CN113673534B (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
CN115310559A (zh) | 一种基于贝叶斯-Transformer神经网络模型的目标识别方法 | |
CN115205260A (zh) | 一种基于改进卷积神经网络的风机叶片损伤识别方法及系统 | |
CN114821098A (zh) | 一种基于灰度梯度融合特征及cnn的高速路面破损检测算法 | |
CN107563452B (zh) | 一种基于判别测度学习的交叉域地基云图分类方法 | |
CN110502992A (zh) | 一种基于关系图谱的固定场景视频的人脸快速识别方法 | |
CN117095294B (zh) | 一种预制楼板施工质量诊断方法、介质及系统 |
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 |