CN116824347A - 一种基于深度学习的道路裂纹检测方法 - Google Patents
一种基于深度学习的道路裂纹检测方法 Download PDFInfo
- Publication number
- CN116824347A CN116824347A CN202310645341.3A CN202310645341A CN116824347A CN 116824347 A CN116824347 A CN 116824347A CN 202310645341 A CN202310645341 A CN 202310645341A CN 116824347 A CN116824347 A CN 116824347A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- branch
- pixel
- road
- 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 76
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 53
- 230000004927 fusion Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000592183 Eidolon Species 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
- 230000000694 effects Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/77—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明的目的是提供一种基于深度学习的道路裂纹检测方法,包括以下步骤,采集实际道路裂纹图片图像,采集到的实际道路裂纹图片图像即为原始图像,标注出原始图像中的裂纹位置,裂纹检测网络模型训练,得到对应裂纹的特征图;从整幅图像中标注出目标区域,根据标注的目标区域,输出裂纹外接矩形和裂纹宽度。使用CNN和Encoder‑Decoder两个分支,分别训练,结合CNN快速和Transformer准确的各自优点,并避免样本数量不均欠拟合的不足,极大的提高了裂纹检测的准确率,解决了现有技术中网络模型复杂导致的计算效率不高、检测准确率不高的问题,实现了高效率、高准确率的裂纹检测,同时可以较准确的给出裂纹的宽度(像素数)。
Description
技术领域
本发明涉及图像处理领域,一种基于深度学习的道路裂纹检测方法。
背景技术
我国公路数量多、里程长、分布广,难以快速且较为准确地统计评估不同路段的道路受损情况。传统的人工检测的方法速度慢,人力成本高,统计标准无法统一。
裂纹检测是一项具有挑战性的任务,因为裂纹的连续性差,对比度低。目前主流检测框架算法有SSD、YOLO、MaskRCNN等。SSD、YOLO只能检测出裂纹外接矩形,无法精确识别裂纹宽度等重要指标。MaskRCNN模型复杂,推理效率较低切准确率不高。
如申请号为CN202210909472.3,基于深度学习的道路裂纹检测方法及系统,一种基于深度学习的道路裂纹检测方法及系统,方法包括预处理目标道路的照片得到预测集,预处理已有裂纹的图片得到训练集;构建包括特征提取结构、区域建议生成结构和分类回归结构的深度卷积神经网络模型,使用训练集训练网络模型得到训练完成的网络模型;将预测集输入所述训练完成的网络模型得到道路裂纹检测结果;系统包括数据采集模块和智能检测模块,数据采集模块采集目标道路的照片;智能检测模块根据采集到的目标道路的照片得到道路裂纹检测结果。可以实现自动识别,提高检测效率和精确度、适用于不同裂纹情况的道路。此专利仅使用了FastRCNN方法,只能检测裂纹的外接矩形,无裂纹宽度、长度等关键信息。
申请号为CN202211342286.2一种融合CNN和Tansformaer的道路裂纹实时检测方法,获取原始道路图像并对原始道路图像中的道路裂痕通过LabelImg进行标注,得到原始道路图像的二值标签;根据原始道路图像和原始道路图像的二值标签创建原始道路图像数据集;创建道路裂纹检测模型,所述道路裂痕检测模型包括:CNN卷积编码模块、Transformer编码模块、特征融合模块和分割预测模块;将图像数据集作为训练样本对道路裂痕检测模型进行训练,实时采集道路图像,并将采集到的道路图像输入训练好道路裂痕检测模型;输出道路图像检测结果。此专利网络设计采用CNN和Transformer两个网络串行的方式组网训练模型,效率低,速度慢。
发明内容
本发明的目的在于提供一种基于深度学习的道路裂纹检测方法,以解决现有技术中网络模型复杂导致的计算效率不高、同时检测准确率不高的问题,实现了高效率、高准确率的裂纹检测,同时可以较准确的给出裂纹的宽度(像素数)。
本发明的目的是通过以下技术手段实现的,一种基于深度学习的道路裂纹检测方法,包括以下步骤:
采集实际道路裂纹图片图像,采集到的实际道路裂纹图片图像即为原始图像,标注出原始图像中的裂纹位置,得到图像对应裂纹位置坐标点文件;
实际道路裂纹图片图像进行归一化,作为网络输入图像;
裂纹检测网络模型训练,将归一化后的图像和对应裂纹位置坐标点文件作为输入一并送入网络,图像分支一采用FastRCNN对图像进行整图卷积,获取到裂纹轮廓,然后通过RestNet50提取裂纹图像特征,得到特征图;分支二通过Encoder-Decoder网络完成裂纹特征提取,得到对应裂纹的特征图;
特征融合,对分支一和分支二的得到的特征进行融合,得到第一融合特征图;
根据第一融合特征图,识别训练数据集中已标注裂纹图像的裂纹,得到裂纹检测坐标,并根据损失函数,对分支融合进行优化,直至损失值达到要求,分支一和分支二融合得到裂纹检测网络模型,得到第二融合特征图;
图像识别,输入图像,根据第二融合特征图,对输入图像逐一像素判断,当前像素大于设定阈值则表明为该像素为目标区域,小于设定阈值则表明该像素为非目标区域,从而从整幅图像中标注出目标区域,
根据标注的目标区域,输出裂纹外接矩形和裂纹宽度。
所述训练数据集归一化具体方法为,将不同场景下不同分辨率的图像按比例缩放到640*640大小,遇到不够缩放的短边则对其进行padding,即增加0像素,补齐图像至640*640大小,图像的像素值再归一化即像素值减均值再除以方差,然后使用三通道640*640分辨率图像作为网络输入。
所述分支一和分支二融合的具体步骤为ω=λω1+(1-λ)ω2,ω为融合特征图,ω1是分支一的特征图,ω2是分支二的特征图,λ为调节参数,取值[0,1]。
所述损失函数为,若裂纹检测坐标,与裂纹位置坐标点文件中裂纹实际坐标一致则Pt为1,不一致则不为1,γ系数取值[0,5]。
将裂纹检测网络模型转化为ONNX模型,并对ONNX模型进行剪支简化,并作为最终裂纹检测网络模型,对道路裂纹进行检测。
所述分支一的具体步骤为,FastRCNN网络对输入图像均匀采样,即对输入原图直接进行整图卷积;通过region proposals提取每个预选区域对应的裂纹轮廓,其中每个region proposals用四元数组进行定义,即(r,c,h,w),即窗口的左上行列坐标与高和宽,该坐标均是对应原图像的,还需要把原图像的坐标系映射到feature maps上,完成裂纹轮廓ROI检测任务;对每个预选的裂纹轮廓即ROI区域,通过骨干网络RestNet50,提取对应的裂纹图像特征,输出特征图。
所述分支二的具体步骤为,Encode对输入图像的低级局部像素值进行归类与分析,针对裂纹像素点进行分类,通过Mask掩码,对裂纹像素点0或1赋值,即1是裂纹的像素点,0不是裂纹像素点,Decoder收集裂纹基础像素点信息,并将同一条裂纹对应到相应的像素点上,得到特征图。
在训练数据集不足时,随机选取训练数据集中图片的非目标区域作为背景,目标区域作为前景,随机抽取一组前景和背景组合成一组新的训练数据,大规模合成新的训练数据集,补充进原有训练数据集内。
本发明的有益效果在于:使用CNN和Encoder-Decoder两个分支,分别训练,结合CNN快速和Transformer准确的各自优点,并避免的样本数量不均欠拟合的不足,极大的提高了任务的准确率,解决了现有技术中网络模型复杂导致的计算效率不高、同时检测准确率不高的问题,实现了高效率、高准确率的裂纹检测,同时可以较准确的给出裂纹的宽度(像素数)。
附图说明
图1为基于深度学习的道路裂纹检测方法流程图;
图2为裂纹识别结果图;
以下将结合附图及实施例对本发明做进一步详细说明。
具体实施方式
【实施例1】
如图1所示,一种基于深度学习的道路裂纹检测方法,包括以下步骤:
采集实际道路裂纹图片图像,采集到的实际道路裂纹图片图像即为原始图像,标注出原始图像中的裂纹位置,得到图像对应裂纹位置坐标点文件;采集到的实际道路裂纹图片图像,即为原始图像;与归一化后的网络输入图像区分。
在训练数据集不足时,随机选取训练数据集中图片的非目标区域作为背景,目标区域作为前景,随机抽取一组前景和背景组合成一组新的训练数据,大规模合成新的训练数据集,补充进原有训练数据集内。
如图1所示,首先采集实际道路裂纹图片图像作为检测模型训练用的样本,从多个场景、多时间段采集多角度样本,每个图片要求路面基本完整清晰、裂纹明显;例如可以采用家用汽车车顶装载摄像机,小型移动车上装配摄像机,或低空飞行的无人机上装载摄像机,各类采集设备保证采集角度不同,有俯视角、正面视角、侧面视角等,这样采集的数据训练出来的算法,可保证未来使用时装备具备较强的泛化能力。
人工用框选和描点标出裂纹,作为训练数据集;标定时采用成熟标定工具如标注精灵、LabelImg,框出裂纹位置,同时对裂纹线上的做标记,生成裂纹线关键点的像素位置点坐标序列,即裂纹位置坐标点文件,该位置坐标以JSON数据格式存储在xml文件中,作为未来算法训练的基础数据集,裂纹位置坐标点文件中就包括了裂纹外接矩形和裂纹宽度,将裂纹位置坐标点文件与图像一同作为输入,训练出的模型在识别出裂纹的同时也会得到对应裂纹的外接矩形和裂纹宽度。
实际道路裂纹图片图像进行归一化,作为网络输入图像;
所述训练数据集归一化具体方法为,将不同场景下不同分辨率的图像按比例缩放到640*640大小,遇到不够缩放的短边则对其进行padding,即增加0像素,补齐图像至640*640大小,图像的像素值再归一化即像素值减均值再除以方差,然后使用三通道640*640分辨率图像作为网络输入。
采集到的实际道路裂纹图片图像可以先采用多种数据增强方式进行增强,如水平拉伸、旋转,垂直小角度旋转变换、加噪声、色度变化等,进一步扩大数据集,增强数据集中不同大小、角度的裂纹,提高泛化能力。
再进行归一化后,输入训练网络,
在样本数量不够的情况下,还可以随机选取训练数据集中图片的非目标区域作为背景,目标区域作为前景,随机抽取一组前景和背景组合成一组新的训练数据,大规模合成新的训练数据集,补充进原有训练数据集内。
裂纹检测网络模型训练,将归一化后的图像和对应裂纹位置坐标点文件作为输入一并送入网络,图像分支一采用FastRCNN对图像进行整图卷积,获取到裂纹轮廓,然后通过RestNet50提取裂纹图像特征,得到特征图;分支二通过Encoder-Decoder网络完成裂纹特征提取,得到对应裂纹的特征图;
所述分支一的具体步骤为,FastRCNN网络对输入图像均匀采样,即对输入原图直接进行整图卷积;通过region proposals提取每个预选区域对应的裂纹轮廓,其中每个region proposals用四元数组进行定义,即(r,c,h,w),即窗口的左上行列坐标与高和宽,该坐标均是对应原图像的,还需要把原图像的坐标系映射到feature maps上,完成裂纹轮廓ROI检测任务;对每个预选的裂纹轮廓即ROI区域,通过骨干网络RestNet50,提取对应的裂纹图像特征,输出特征图。
所述分支二的具体步骤为,Encoder对输入图像的低级局部像素值进行归类与分析,针对裂纹像素点进行分类,通过Mask掩码,对裂纹像素点0或1赋值,即1是裂纹的像素点,0不是裂纹像素点,Decoder收集裂纹基础像素点信息,并将同一条裂纹对应到相应的像素点上,得到特征图。
作为输入的图像样本处理完后,开始进行分支模型的训练。
采用FastRCNN和Encoder-Decoder两个分支,利用两个分支网络分别训练得出特征图,然后融合两分支的训练结果。
分支一:
FastRCNN对输入图像(即归一化处理后的图像)均匀采样,对输入的原图直接进行整图卷积,不再进行区域或部分卷积;
通过region proposals提取每个预选区域对应的裂纹轮廓,其中每个regionproposals用四元数组进行定义,即(r,c,h,w),即窗口的左上行列坐标与高和宽,该坐标均是对应原图像的,还需要把原图像的坐标系映射到feature maps上,此步骤主要是为了完成裂纹轮廓ROI检测任务;
对每个预选的裂纹轮廓即ROI区域,通过骨干网络RestNet50,提取对应的裂纹图像特征,得到分支一的特征图;
特征就是裂纹的特征点可能是向量或矩阵,特征图就是特征呈现出来的类似于图像的二维图片,特征与特征图两者是一致的。
分支二:
采用Encoder-Decoder网络结构完成裂纹图像到特征提取的任务,输出特征图;
Encoder就是多个卷积网络组成,该网络主要由卷积层,池化层和BatchNormalization层组成。卷积层负责获取图像局域特征,池化层对图像进行下采样并且将尺度不变特征传送到下一层,而BatchNormalization主要对训练图像的分布归一化,加速学习。
Encoder对原始图像的低级局部像素值进行归类与分析,针对裂纹像素点进行分类,通过Mask掩码,对裂纹像素点0或1赋值,即1是裂纹的像素点,0不是裂纹像素点;
Decoder收集裂纹基础像素点信息,并将同一条裂纹对应到相应的像素点上,对缩小后的特征图像进行上采样,然后对上采样后的裂纹图像进行卷积处理,完善裂纹的几何形状,弥补Encoder当中池化层将物体缩小造成的细节损失。
特征融合,对分支一和分支二的得到的特征进行融合,得到第一融合特征图;
所述分支一和分支二融合的具体步骤为ω=λω1+(1-λ)ω2,ω为融合特征图,ω1是分支一的特征图,ω2是分支二的特征图,λ为调节参数,取值[0,1]。
分支一与分支二分别训练完成后,通过ω=λω1+(1-λ)ω2来进行融合,得到融合后的融合特征图。λ可根据样本统计分布来调节,取值[0,1]。
根据第一融合特征图,识别训练数据集中已标注裂纹图像的裂纹,得到裂纹检测坐标,并根据损失函数,对分支融合进行优化,直至损失值达到要求,分支一和分支二融合得到裂纹检测网络模型,得到第二融合特征图;
所述损失函数为,若裂纹检测坐标,与裂纹位置坐标点文件中裂纹实际坐标一致则Pt为1,不一致则不为1,γ系数取值[0,5],一般为2。
融合后通过损失函数Focal Loss,来确认融合后的模型及输出特征图是否可以用来检测裂纹。
利用第一特征融合图,对已经标注过的图像进行识别,得到裂纹检测坐标,与对应图像标注出的裂纹位置坐标点文件中裂纹实际坐标进行对比,两者一致Pt为1,不一致则不为1。直至损失值,或者说是裂纹误差小于设定阈值,则说明该融合后的模型可以作为检测用的裂纹检测网络模型,作为检测用的裂纹检测网络模型输出的特征图作为第二融合特征图;
若损失值不达标,则调整学习率,重新通过分支一和分支二再次得到特征,再次融合得到新的第一特征融合图,对新的第一特征融合图通过损失函数进行检测,直至损失率达标。
若有多个达标的,则选取训练效果最好的网络参数,及损失值最小的作为检测用的裂纹检测网络模型。
裂纹检测网络模型得到后,还可以将裂纹检测网络模型转化为ONNX模型,即开放神经网络交换格式,以方便未来跨平台使用,并对ONNX模型进行剪支简化,把可合并的网络层进行合并,把网络中不需要的旁枝去掉,并作为最终裂纹检测网络模型,对道路裂纹进行检测。
至此裂纹检测网络模型训练完成。
其中第一和第二融合特征图都是通过同样方法得到,第一和第二只是为了区分是否经过损失函数验证。
图像识别,输入图像,根据第二融合特征图,对输入图像逐一像素判断,当前像素大于设定阈值则表明为该像素为目标区域,小于设定阈值则表明该像素为非目标区域,从而从整幅图像中标注出目标区域,
一般前像素大于阈值就表明是前景(即有裂纹的目标区域)设为1,小于阈值就表明是背景(无裂纹的非目标区域)设为0;
如图2所示,根据标注的目标区域,输出裂纹外接矩形和裂纹宽度。利用c++/c、cuda语言设计模型推理程序,在Tesla P4上实现检测(三通道640*640分辨率图片)单帧耗时20毫秒,显存占用小于400M;如图2所示,得到识别分数score,即裂纹识别的可信度。
在实际使用中,根据第二融合特征图,对采集到的图像逐一像素判断是前景还是背景从而标注出目标区域,由于在模型训练中,裂纹位置坐标点文件也一并送入训练,输出的结果就带有输出裂纹外接矩形和裂纹宽度。
Claims (8)
1.一种基于深度学习的道路裂纹检测方法,其特征在于,包括以下步骤:
采集实际道路裂纹图片图像,采集到的实际道路裂纹图片图像即为原始图像,标注出原始图像中的裂纹位置,得到图像对应裂纹位置坐标点文件;
实际道路裂纹图片图像进行归一化,作为网络输入图像;
将归一化后的图像和对应裂纹位置坐标点文件作为输入一并送入网络,图像分支一采用FastRCNN对图像进行整图卷积,获取到裂纹轮廓,然后通过RestNet50提取裂纹图像特征,得到特征图;分支二通过Encoder-Decoder网络完成裂纹特征提取,得到对应裂纹的特征图;
特征融合,对分支一和分支二的得到的特征进行融合,得到第一融合特征图;
根据第一融合特征图,识别训练数据集中已标注裂纹图像的裂纹,得到裂纹检测坐标,并根据损失函数,对分支融合进行优化,直至损失值达到要求,分支一和分支二融合得到裂纹检测网络模型,得到第二融合特征图;
图像识别,输入图像,根据第二融合特征图,对输入图像逐一像素判断,当前像素大于设定阈值则表明为该像素为目标区域,小于设定阈值则表明该像素为非目标区域,从而从整幅图像中标注出目标区域,
根据标注的目标区域,输出裂纹外接矩形和裂纹宽度。
2.根据权利要求1所述的一种基于深度学习的道路裂纹检测方法,其特征在于:所述训练数据集归一化具体方法为,将不同场景下不同分辨率的图像按比例缩放到640*640大小,遇到不够缩放的短边则对其进行padding,即增加0像素,补齐图像至640*640大小,图像的像素值再归一化即像素值减均值再除以方差,然后使用三通道640*640分辨率图像作为网络输入。
3.根据权利要求1所述的一种基于深度学习的道路裂纹检测方法,其特征在于:所述分支一和分支二融合的具体方法为ω=λω1+(1-λ)ω2,ω为融合特征图,ω1是分支一的特征图,ω2是分支二的特征图,λ为调节参数,取值[0,1]。
4.根据权利要求1所述的一种基于深度学习的道路裂纹检测方法,其特征在于:所述损失函数为,若裂纹检测坐标,与裂纹位置坐标点文件中裂纹实际坐标一致则Pt为1,不一致则不为1,γ系数取值[0,5]。
5.根据权利要求1所述的一种基于深度学习的道路裂纹检测方法,其特征在于:将裂纹检测网络模型转化为ONNX模型,并对ONNX模型进行剪支简化,并作为最终裂纹检测网络模型,对道路裂纹进行检测。
6.根据权利要求1所述的一种基于深度学习的道路裂纹检测方法,其特征在于:所述分支一的具体步骤为,FastRCNN网络对输入图像均匀采样,即对输入原图直接进行整图卷积;通过region proposals提取每个预选区域对应的裂纹轮廓,其中每个region proposals用四元数组进行定义,即(r,c,h,w),即窗口的左上行列坐标与高和宽,该坐标均是对应原图像的,还需要把原图像的坐标系映射到feature maps上,完成裂纹轮廓ROI检测任务;对每个预选的裂纹轮廓即ROI区域,通过骨干网络RestNet50,提取对应的裂纹图像特征,输出特征图。
7.根据权利要求1所述的一种基于深度学习的道路裂纹检测方法,其特征在于:所述分支二的具体步骤为,Encoder对输入图像的低级局部像素值进行归类与分析,针对裂纹像素点进行分类,通过Mask掩码,对裂纹像素点0或1赋值,即1是裂纹的像素点,0不是裂纹像素点,Decoder收集裂纹基础像素点信息,并将同一条裂纹对应到相应的像素点上,得到特征图。
8.根据权利要求1所述的一种基于深度学习的道路裂纹检测方法,其特征在于:在训练数据集不足时,随机选取训练数据集中图片的非目标区域作为背景,目标区域作为前景,随机抽取一组前景和背景组合成一组新的训练数据,大规模合成新的训练数据集,补充进原有训练数据集内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310645341.3A CN116824347A (zh) | 2023-06-01 | 2023-06-01 | 一种基于深度学习的道路裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310645341.3A CN116824347A (zh) | 2023-06-01 | 2023-06-01 | 一种基于深度学习的道路裂纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116824347A true CN116824347A (zh) | 2023-09-29 |
Family
ID=88123361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310645341.3A Pending CN116824347A (zh) | 2023-06-01 | 2023-06-01 | 一种基于深度学习的道路裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824347A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036348A (zh) * | 2023-10-08 | 2023-11-10 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117541584A (zh) * | 2024-01-09 | 2024-02-09 | 中国飞机强度研究所 | 一种掩码旋转叠加的全机试验裂纹特征增强与标识方法 |
-
2023
- 2023-06-01 CN CN202310645341.3A patent/CN116824347A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036348A (zh) * | 2023-10-08 | 2023-11-10 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117036348B (zh) * | 2023-10-08 | 2024-01-09 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117541584A (zh) * | 2024-01-09 | 2024-02-09 | 中国飞机强度研究所 | 一种掩码旋转叠加的全机试验裂纹特征增强与标识方法 |
CN117541584B (zh) * | 2024-01-09 | 2024-04-02 | 中国飞机强度研究所 | 一种掩码旋转叠加的全机试验裂纹特征增强与标识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN111027547B (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN109345547B (zh) | 基于深度学习多任务网络的交通车道线检测方法及装置 | |
CN116824347A (zh) | 一种基于深度学习的道路裂纹检测方法 | |
CN107067015B (zh) | 一种基于多特征深度学习的车辆检测方法及装置 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN111582339B (zh) | 一种基于深度学习的车辆检测与识别的方法 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
CN113240626A (zh) | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 | |
CN111640116B (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
CN113870263B (zh) | 一种路面缺陷损伤实时监测方法及系统 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN110969171A (zh) | 基于改进卷积神经网络的图像分类模型、方法及应用 | |
CN110929795A (zh) | 高速焊线机焊点快速识别与定位方法 | |
CN111160328A (zh) | 一种基于语义分割技术的交通标线自动提取的方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN115049640B (zh) | 一种基于深度学习的道路裂缝检测方法 | |
CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN115937736A (zh) | 基于注意力和上下文感知的小目标检测方法 | |
CN112053407B (zh) | 一种交通执法影像中基于ai技术的车道线自动检测方法 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN111881914B (zh) | 一种基于自学习阈值的车牌字符分割方法及系统 |
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 |