CN117952977A - 一种基于改进yolov5s的路面裂缝识别方法、装置和介质 - Google Patents
一种基于改进yolov5s的路面裂缝识别方法、装置和介质 Download PDFInfo
- Publication number
- CN117952977A CN117952977A CN202410353371.1A CN202410353371A CN117952977A CN 117952977 A CN117952977 A CN 117952977A CN 202410353371 A CN202410353371 A CN 202410353371A CN 117952977 A CN117952977 A CN 117952977A
- Authority
- CN
- China
- Prior art keywords
- pavement crack
- yolov
- module
- cbam
- loss function
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000006872 improvement Effects 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 210000000988 bone and bone Anatomy 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于改进yolov5s的路面裂缝识别方法、装置和介质,属于图像识别技术领域。通过以下技术方案实现:采集路面裂缝图像建立路面裂缝数据集。基于yolov5s框架构建路面裂缝识别模型。在损失函数监督下通过训练集训练路面裂缝识别模型,选择训练过程中性能最优的权重作为yolov5s检测人机不同步模型的权重,获得训练完成的路面裂缝识别模型。采集路面裂缝图像,并进行预处理后输入到训练完成的路面裂缝识别模型,获取路面裂缝识别结果。本发明通过改进yolov5s提高了对裂缝检测的精度与检测速度,实现了实时检测的应用场景。通过改进损失函数使得在检测过程中能够进行收敛,提升了预测框和实际框的回归效果。
Description
技术领域
本发明涉及一种基于改进yolov5s的路面裂缝识别方法、装置和介质,属于图像识别技术领域。
背景技术
路面裂缝可以简单分为三大类:路面裂缝、路面变形、表面病害。路面修复过程中的一个关键步骤是收集和检测这些裂缝,传统人工检测方法消耗时间长,成本高,不利于实时检测,道路裂缝检测已逐渐从人工检测转变为数字图像处理的自动检测技术。并将路面裂缝的检测应用到实时驾驶场景中,通过将裂缝的检测结果及时反馈给行驶车辆的中控系统中,对前方道路裂缝做出有效提醒以此达到智能驾驶的应用目的。
但是当前路面裂缝识别算法存在以下几个问题:
路面裂缝周围的背景环境复杂多变,包括车辆、行人和其他障碍物等,这些因素会带来噪声干扰,影响裂缝识别的准确性,路面上的污垢、油渍和其他污染物会影响裂缝与背景之间的对比度,从而增加了识别的难度。现有的路面裂缝识别算法虽然取得了一定的成果,但在精度和实时性方面仍存在一定的挑战。
发明内容
本发明目的是提供了一种基于改进yolov5s的路面裂缝识别方法、装置和介质,不仅结解决了在检测精度和检测速度等效率低下的问题。
本发明为实现上述目的,通过以下技术方案实现:
采集路面裂缝图像建立路面裂缝数据集,对数据集进行标注后划分为训练集与验证集。
基于yolov5s框架构建路面裂缝识别模型,所述模型包括:Backbone和Head和Neck,所述Backbone中将C3模块替换为CBAM-S注意力机制模块,所述Head中检测头为解耦检测头。
在损失函数监督下通过训练集训练路面裂缝识别模型,选择训练过程中性能最优的权重作为yolov5s检测人机不同步模型的权重,获得训练完成的路面裂缝识别模型。
实时采集路面裂缝图像,并进行预处理后输入到训练完成的路面裂缝识别模型,获取路面裂缝识别结果。
优选的,所述采集路面裂缝图像采用斜下45度俯拍采集。
优选的,所述Backbone依次由第一卷积模块、第二卷积模块、第一CBAM-S注意力机制模块、第三卷积模块、第二CBAM-S注意力机制模块、第四卷积模块、第三CBAM-S注意力机制模块、第四增强卷积模块、第四CBAM-S注意力机制模块、SPFF模块组成,各模块之间依次为输入和输出关系。
优选的,所述CBAM-S注意力机制模块包括空间采样模块和CBAM注意力机制模块。
所述空间采样模块通过空间卷积将特征图根据卷积核按照1、6、12、18的空间膨胀率膨胀为了四个特征图,再将四个特征图拼接堆叠得到一个完整特征图。
所述CBAM注意力机制模块对完整特征图处理过程如下:
将输入的完整特征图分别通过全局最大值池化模块与均值池化模块生成两个一维向量,两个一维向量再经过全连接层进行相加得到通道注意力。
将通道注意力与完整特征图根据元素相乘得到经通道注意力实现后的新特征图/>。
将新特征图按空间分为全局最大值池化与均值池化得到两个二维向量,经过卷积操作得到空间注意力。
将空间注意力与新特征图根据元素相乘得到最终的CBAM注意力/>。
优选的,所述解耦检测头为Decoupled Head解耦头。
优选的,所述损失函数如下:
,
,
其中,表示Distance损失函数,其作用是衡量预测框与真实框重叠程度的指标;/>表示/>的损失函数公式;/>表示参数选择;/>表示在检测过程中图像真实锚框的中心坐标与预测锚框中心坐标之间的欧式距离,/>表示预测框的中心点,表示真实框的中心点;/>表示预测框与真实框的组成的最小包围框的对角线;/>表示交并比损失函数;/>表示改进后的损失函数。
优选的,所述损失函数中取值为3。
一种基于改进yolov5s的路面裂缝识别装置,包括处理器和存储有程序指令的存储器,所述处理器被配置为在运行所述程序指令时,执行所述的基于改进yolov5s的路面裂缝识别方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于改进yolov5s的路面裂缝识别方法。
本发明的优点在于:本发明通过改进yolov5s提高了对裂缝检测的精度与检测速度,实现了实时检测的应用场景。通过改进损失函数使得在检测过程中能够进行收敛,提升了预测框和实际框的回归效果。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明方法流程示意图。
图2为本发明网络结构示意图。
图3为本发明与现有技术mAP值对比图。
图4为DIOU示意图,图中:表示预测框与真实框的组成的最小包围框的对角线,/>表示预测框与真实框中心点的距离。
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1
如图1所示,一种基于改进yolov5s的路面裂缝识别方法,通过以下技术方案实现:
S1:采集路面裂缝图像建立路面裂缝数据集,对数据集进行标注后划分为训练集与验证集。
具体的,因本实施例是对路面裂缝数据集进行识别,并采用斜下45°俯拍拍摄。并通过数据集标注工具LabelImg对获取的图片进行标注,其数据集格式使用的VOC2007数据集格式,共包括各种裂缝图片共2868张图片如图2所示。此外,数据集按照9:1的比例分为训练集与验证集。
S2:基于yolov5s框架构建路面裂缝识别模型,所述模型包括:Backbone和Head和Neck,所述Backbone中将C3模块替换为CBAM-S注意力机制模块,所述Head中检测头为Decoupled Head解耦头。
具体的,通过将原始网络结构中的第2、4、6、8层中的C3模块进行改进,分别替换成了CBAM-S模块并采用空间采样特征图作为输入,在Neck端17、20、23层的输出送入Head端;使得特征图再每一次的conv卷积后都可输入到CBAM-S注意力机制模块中并输出到concat层,并最终通过concat层将不同尺度的特征图再通道纬度上进行拼接,从而进一步提高对裂缝的特征提取能力。CBAM注意力机制,使得在检测过程中能够对小目标进行快速聚焦,保证在检测过程中对小目标的信息不丢失。
如图2所示,所述Backbone依次由第一卷积模块、第二卷积模块、第一CBAM-S注意力机制模块、第三卷积模块、第二CBAM-S注意力机制模块、第四卷积模块、第三CBAM-S注意力机制模块、第四增强卷积模块、第四CBAM-S注意力机制模块、SPFF模块组成,各模块之间依次为输入和输出关系。
所述CBAM-S注意力机制模块包括空间采样模块和CBAM注意力机制模块。
所述空间采样模块通过空间卷积将特征图根据卷积核按照1、6、12、18的空间膨胀率膨胀为了四个特征图,即只改变了对特征图的特征提取范围,并不改变图像大小,再将四个特征图拼接堆叠得到一个完整特征图。
所述CBAM注意力机制模块对完整特征图处理过程如下:
将输入的完整特征图分别通过全局最大值池化模块与均值池化模块生成两个一维向量,两个一维向量再经过全连接层进行相加得到通道注意力。
将通道注意力与完整特征图根据元素相乘得到经通道注意力实现后的新特征图/>。
将新特征图按空间分为全局最大值池化与均值池化得到两个二维向量,经过卷积操作得到空间注意力。
将空间注意力与新特征图根据元素相乘得到最终的CBAM注意力/>。
其具体表达式如下:
,
其中,表示为一维通道注意力/>表示为二维空间注意力。
S3:在损失函数监督下通过训练集训练路面裂缝识别模型,选择训练过程中性能最优的权重作为yolov5s检测人机不同步模型的权重,获得训练完成的路面裂缝识别模型。
S4:实时采集路面裂缝图像,并进行预处理后输入到训练完成的路面裂缝识别模型,获取路面裂缝识别结果。
三个解耦检测头主要是用来进行目标检测部分,首先是根据锚框(Anchors)定义不同大小和长宽比的目标框,用于在特征图像生成预测框,其次进行一系列的卷积和全连接层的操作,以此来提取特征并生成目标的边界框和类别预测。并应用本文所提出的αDIoU损失函数提升在检测过程中的框的回归效果,最后通过非极大抑制(NMS)来过滤重复的边界框,保留最有效的框。最终Decoupled Head模块输出检测结果,包括目标位置信息以及类别信息。
需要说明的是,本发明中CBAM-S改进方式能够在检测过程前以不同空间采用率对特征图进行多尺度的捕捉,使得在特征提取方面具有较大的感受野,但会出现分辨率下降的缺点,故将空间拼接后的特征图输入到CBAM注意力机制模块中,加强对小目标信息的捕捉,该发明能够有效的扩大感受野的同时提高目标检测的有效性。
具体的,基于yolov5s框架构建路面裂缝识别模型损失函数是由三个部分组成的,分别是用二元交叉熵损失函数(Binary Cross Entropy,BCE)计算置信度损失和回归损失,而坐标损失是利用交并比损失函数(Intersection over Union,IoU)来计算,如下:
,
IoU在一定程度上能够反映预测框与真实框的重合关系但在特殊情况时如二者并无交集时,此时IoU的数值为0,从而影响了梯度传递。为此,提出了DIoU,其公式如下:
,
其中,表示Distance损失函数,其作用是衡量预测框与真实框重叠程度的指标;/>表示/>的损失函数公式;/>表示参数选择;/>表示在检测过程中图像真实锚框的中心坐标与预测锚框中心坐标之间的欧式距离,/>表示预测框的中心点,表示真实框的中心点;/>表示预测框与真实框的组成的最小包围框的对角线;/>表示交并比损失函数;/>表示改进后的损失函数。DIoU的具体示意图如图4所示。
但是在计算过程中,由于本发明所预测的模型大多为条形裂缝,预测框与真实框均为较长较窄的边框,当出现真实框与预测框中心距离较远后,该模型训练过程会带来较多的误差。因此,本发明根据DIoU损失函数提出了一种基于边界框回归的改进后的αDIoU损失函数。其公式如下:
,
其中,表示参数选择,根据选择不同值可对整体的损失函数的收敛有不同的影响,当/>的选择大于1时,能够提升high IoU object的loss梯度值,从而提升了框的回归效果,本发明中选用/>=3作为参数选择。αDIoU的损失函数如下:
。
实施例2
相比于现有yolov5s的网络结构,在Backbone部分采用了CBAM_S注意力机制,分别将2、4、6、8层的C3模块替换成了CBAM模块并采用空间采样特征图作为输入。在Neck端的17、20、23的输出送入Head端后,并将Head部分修改为解耦检测头即Decoupled Head进行融合处理,最终得到三个解耦检测头。三个检测头主要是用来进行目标检测部分,首先是根据锚框(Anchors)定义不同大小和长宽比的目标框,用于在特征图像生成预测框,其次进行一系列的卷积和全连接层的操作,以此来提取特征并生成目标的边界框和类别预测。并应用本文所提出的αDIoU损失函数提升在检测过程中的框的回归效果,最后通过非极大抑制(NMS)来过滤重复的边界框,保留最有效的框。最终Decoupled Head模块输出检测结果,包括目标位置信息以及类别信息。
本发明与原始检测模型进行对比,如图3,改进后的yolov5s模型的mAP值随着迭代次数epoch的增加,数值逐渐稳定并且始终高于原始模型yolov5s。
本公开实施例还提供一种基于改进yolov5s的路面裂缝识别装置,包括处理器(processor)和存储器(memory)。可选地,该装置还可以包括通信接口(CommunicationInterface)和总线。其中,处理器、通信接口、存储器可以通过总线完成相互间的通信。通信接口可以用于信息传输。处理器可以调用存储器中的逻辑指令,以执行上述实施例的基于改进yolov5s的路面裂缝识别方法。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中基于改进yolov5s的路面裂缝识别方法。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器。
本公开实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为执行上述基于改进yolov5s的路面裂缝识别方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括一个或多个指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于改进yolov5s的路面裂缝识别方法,其特征在于,包括:
采集路面裂缝图像建立路面裂缝数据集,对数据集进行标注后划分为训练集与验证集;
基于yolov5s框架构建路面裂缝识别模型,所述模型包括:Backbone和Head和Neck,所述Backbone中将C3模块替换为CBAM-S注意力机制模块,所述Head中检测头为解耦检测头;
在损失函数监督下通过训练集训练路面裂缝识别模型,选择训练过程中性能最优的权重作为yolov5s检测人机不同步模型的权重,获得训练完成的路面裂缝识别模型;
实时采集路面裂缝图像,并进行预处理后输入到训练完成的路面裂缝识别模型,获取路面裂缝识别结果。
2.根据权利要求1所述的基于改进yolov5s的路面裂缝识别方法,其特征在于,所述采集路面裂缝图像采用斜下45度俯拍采集。
3.根据权利要求1所述的基于改进yolov5s的路面裂缝识别方法,其特征在于,所述Backbone依次由第一卷积模块、第二卷积模块、第一CBAM-S注意力机制模块、第三卷积模块、第二CBAM-S注意力机制模块、第四卷积模块、第三CBAM-S注意力机制模块、第四增强卷积模块、第四CBAM-S注意力机制模块、SPFF模块组成,各模块之间依次为输入和输出关系。
4.根据权利要求1所述的基于改进yolov5s的路面裂缝识别方法,其特征在于,所述CBAM-S注意力机制模块包括空间采样模块和CBAM注意力机制模块;
所述空间采样模块通过空间卷积将一个特征图根据卷积核按照1、6、12、18的空间膨胀率膨胀为了四个特征图,再将四个特征图拼接堆叠得到一个完整特征图;
所述CBAM注意力机制模块对完整特征图处理过程如下:
将输入的完整特征图分别通过全局最大值池化模块与均值池化模块生成两个一维向量,两个一维向量再经过全连接层进行相加得到通道注意力;
将通道注意力与完整特征图根据元素相乘得到经通道注意力实现后的新特征图/>;
将新特征图按空间分为全局最大值池化与均值池化得到两个二维向量,经过卷积操作得到空间注意力;
将空间注意力与新特征图根据元素相乘得到最终的CBAM注意力/>。
5.根据权利要求1所述的基于改进yolov5s的路面裂缝识别方法,其特征在于,所述解耦检测头为Decoupled Head解耦头。
6.根据权利要求1所述的基于改进yolov5s的路面裂缝识别方法,其特征在于,所述损失函数如下:
,
,
其中,表示Distance损失函数,其作用是衡量预测框与真实框重叠程度的指标;表示/>的损失函数公式;/>表示参数选择;/>表示在检测过程中图像真实锚框的中心坐标与预测锚框中心坐标之间的欧式距离,/>表示预测框的中心点,/>表示真实框的中心点;/>表示预测框与真实框的组成的最小包围框的对角线;/>表示交并比损失函数;/>表示改进后的损失函数。
7.根据权利要求6所述的基于改进yolov5s的路面裂缝识别方法,其特征在于,所述损失函数中取值为3。
8.一种基于改进yolov5s的路面裂缝识别装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1-7任一所述的基于改进yolov5s的路面裂缝识别方法。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如上述权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353371.1A CN117952977B (zh) | 2024-03-27 | 2024-03-27 | 一种基于改进yolov5s的路面裂缝识别方法、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353371.1A CN117952977B (zh) | 2024-03-27 | 2024-03-27 | 一种基于改进yolov5s的路面裂缝识别方法、装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117952977A true CN117952977A (zh) | 2024-04-30 |
CN117952977B CN117952977B (zh) | 2024-06-04 |
Family
ID=90799745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410353371.1A Active CN117952977B (zh) | 2024-03-27 | 2024-03-27 | 一种基于改进yolov5s的路面裂缝识别方法、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952977B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN113255589A (zh) * | 2021-06-25 | 2021-08-13 | 北京电信易通信息技术股份有限公司 | 一种基于多卷积融合网络的目标检测方法及系统 |
CN113378791A (zh) * | 2021-07-09 | 2021-09-10 | 合肥工业大学 | 基于双注意力机制和多尺度特征融合的宫颈细胞分类方法 |
US20210319547A1 (en) * | 2020-04-08 | 2021-10-14 | Zhejiang University | Method and apparatus for identifying concrete crack based on video semantic segmentation technology |
CN115457412A (zh) * | 2022-08-31 | 2022-12-09 | 河海大学 | 一种基于Faster-rIR7-EC的混凝土裂缝快速识别方法 |
CN115512230A (zh) * | 2022-11-02 | 2022-12-23 | 山西省交通建设工程质量检测中心(有限公司) | 基于多头注意力的多尺度融合沥青路面裂缝识别方法 |
CN116342475A (zh) * | 2023-01-05 | 2023-06-27 | 江西理工大学 | 一种基于FasterR-Stair框架的公路路面图像裂缝识别方法 |
WO2023116507A1 (zh) * | 2021-12-22 | 2023-06-29 | 北京沃东天骏信息技术有限公司 | 一种目标检测模型的训练方法、目标检测的方法和装置 |
CN116468716A (zh) * | 2023-04-26 | 2023-07-21 | 山东省计算中心(国家超级计算济南中心) | 一种基于YOLOv7-ECD的钢材表面缺陷检测方法 |
CN116485709A (zh) * | 2023-02-01 | 2023-07-25 | 武汉科技大学 | 一种基于YOLOv5改进算法的桥梁混凝土裂缝检测方法 |
CN116563809A (zh) * | 2023-04-28 | 2023-08-08 | 深圳云天励飞技术股份有限公司 | 一种道路病害识别方法、装置、电子设备及存储介质 |
CN116823800A (zh) * | 2023-07-17 | 2023-09-29 | 重庆交通大学 | 一种基于深度学习的复杂背景下桥梁混凝土裂缝检测方法 |
CN116824399A (zh) * | 2022-12-21 | 2023-09-29 | 西南交通大学 | 基于改进YOLOv5神经网络的路面裂缝识别方法 |
US20230401390A1 (en) * | 2022-06-13 | 2023-12-14 | Huaneng Lancang River Hydropower Inc. | Automatic concrete dam defect image description generation method based on graph attention network |
CN117237639A (zh) * | 2023-10-07 | 2023-12-15 | 郑州大学 | 一种基于YOLOv8语义分割的路面裂缝检测系统 |
CN117351448A (zh) * | 2023-12-04 | 2024-01-05 | 长春理工大学 | 一种基于YOLOv8改进的偏振图像道路目标检测方法 |
CN117437201A (zh) * | 2023-11-02 | 2024-01-23 | 盐城工学院 | 一种基于改进YOLOv7的道路裂缝检测方法 |
US20240029402A1 (en) * | 2022-07-20 | 2024-01-25 | Hohai University | Quick and intelligent ir7-ec network based classification method for concrete image crack type |
CN117455835A (zh) * | 2023-09-20 | 2024-01-26 | 沈阳化工大学 | 一种基于YOLOv5的PCB表面缺陷改进检测方法 |
WO2024021394A1 (zh) * | 2022-07-29 | 2024-02-01 | 南京邮电大学 | 全局特征与阶梯型局部特征融合的行人重识别方法及装置 |
CN117495759A (zh) * | 2022-07-24 | 2024-02-02 | 成都精工华耀科技有限公司 | 一种轨枕裂缝检测方法 |
CN117765373A (zh) * | 2024-02-22 | 2024-03-26 | 山东大学 | 一种自适应裂缝尺寸的轻量化道路裂缝检测方法及系统 |
-
2024
- 2024-03-27 CN CN202410353371.1A patent/CN117952977B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
US20210319547A1 (en) * | 2020-04-08 | 2021-10-14 | Zhejiang University | Method and apparatus for identifying concrete crack based on video semantic segmentation technology |
CN113255589A (zh) * | 2021-06-25 | 2021-08-13 | 北京电信易通信息技术股份有限公司 | 一种基于多卷积融合网络的目标检测方法及系统 |
CN113378791A (zh) * | 2021-07-09 | 2021-09-10 | 合肥工业大学 | 基于双注意力机制和多尺度特征融合的宫颈细胞分类方法 |
WO2023116507A1 (zh) * | 2021-12-22 | 2023-06-29 | 北京沃东天骏信息技术有限公司 | 一种目标检测模型的训练方法、目标检测的方法和装置 |
US20230401390A1 (en) * | 2022-06-13 | 2023-12-14 | Huaneng Lancang River Hydropower Inc. | Automatic concrete dam defect image description generation method based on graph attention network |
US20240029402A1 (en) * | 2022-07-20 | 2024-01-25 | Hohai University | Quick and intelligent ir7-ec network based classification method for concrete image crack type |
CN117495759A (zh) * | 2022-07-24 | 2024-02-02 | 成都精工华耀科技有限公司 | 一种轨枕裂缝检测方法 |
WO2024021394A1 (zh) * | 2022-07-29 | 2024-02-01 | 南京邮电大学 | 全局特征与阶梯型局部特征融合的行人重识别方法及装置 |
CN115457412A (zh) * | 2022-08-31 | 2022-12-09 | 河海大学 | 一种基于Faster-rIR7-EC的混凝土裂缝快速识别方法 |
CN115512230A (zh) * | 2022-11-02 | 2022-12-23 | 山西省交通建设工程质量检测中心(有限公司) | 基于多头注意力的多尺度融合沥青路面裂缝识别方法 |
CN116824399A (zh) * | 2022-12-21 | 2023-09-29 | 西南交通大学 | 基于改进YOLOv5神经网络的路面裂缝识别方法 |
CN116342475A (zh) * | 2023-01-05 | 2023-06-27 | 江西理工大学 | 一种基于FasterR-Stair框架的公路路面图像裂缝识别方法 |
CN116485709A (zh) * | 2023-02-01 | 2023-07-25 | 武汉科技大学 | 一种基于YOLOv5改进算法的桥梁混凝土裂缝检测方法 |
CN116468716A (zh) * | 2023-04-26 | 2023-07-21 | 山东省计算中心(国家超级计算济南中心) | 一种基于YOLOv7-ECD的钢材表面缺陷检测方法 |
CN116563809A (zh) * | 2023-04-28 | 2023-08-08 | 深圳云天励飞技术股份有限公司 | 一种道路病害识别方法、装置、电子设备及存储介质 |
CN116823800A (zh) * | 2023-07-17 | 2023-09-29 | 重庆交通大学 | 一种基于深度学习的复杂背景下桥梁混凝土裂缝检测方法 |
CN117455835A (zh) * | 2023-09-20 | 2024-01-26 | 沈阳化工大学 | 一种基于YOLOv5的PCB表面缺陷改进检测方法 |
CN117237639A (zh) * | 2023-10-07 | 2023-12-15 | 郑州大学 | 一种基于YOLOv8语义分割的路面裂缝检测系统 |
CN117437201A (zh) * | 2023-11-02 | 2024-01-23 | 盐城工学院 | 一种基于改进YOLOv7的道路裂缝检测方法 |
CN117351448A (zh) * | 2023-12-04 | 2024-01-05 | 长春理工大学 | 一种基于YOLOv8改进的偏振图像道路目标检测方法 |
CN117765373A (zh) * | 2024-02-22 | 2024-03-26 | 山东大学 | 一种自适应裂缝尺寸的轻量化道路裂缝检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
孙朝云;裴莉莉;李伟;郝雪丽;陈瑶;: "基于改进Faster R-CNN的路面灌封裂缝检测方法", 华南理工大学学报(自然科学版), no. 02, 15 February 2020 (2020-02-15) * |
陈泽斌;罗文婷;李林;: "基于改进U-net模型的路面裂缝智能识别", 数据采集与处理, no. 02, 15 March 2020 (2020-03-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117952977B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
CN110111345B (zh) | 一种基于注意力网络的3d点云分割方法 | |
CN113076871B (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN111898432B (zh) | 一种基于改进YOLOv3算法的行人检测系统及方法 | |
KR102219561B1 (ko) | 대응점 일관성에 기반한 비지도 학습 방식의 스테레오 매칭 장치 및 방법 | |
CN111738206B (zh) | 基于CenterNet的用于无人机巡检的挖掘机检测方法 | |
CN110020650B (zh) | 一种基于深度学习识别模型的倾斜车牌的识别方法及装置 | |
CN112464912B (zh) | 基于YOLO-RGGNet的机器人端人脸检测方法 | |
CN112347987A (zh) | 一种多模数据融合的三维目标检测方法 | |
CN112991364A (zh) | 基于卷积神经网络跨模态融合的道路场景语义分割方法 | |
CN114463736A (zh) | 一种基于多模态信息融合的多目标检测方法及装置 | |
CN114187310A (zh) | 基于八叉树和PointNet++网络的大规模点云分割方法 | |
CN115424017B (zh) | 一种建筑物内外轮廓分割方法、装置及存储介质 | |
CN114140758A (zh) | 一种目标检测方法、装置及计算机设备 | |
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 | |
CN114926722A (zh) | 基于YOLOv5的尺度自适应目标检测的方法及存储介质 | |
CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
CN117952977B (zh) | 一种基于改进yolov5s的路面裂缝识别方法、装置和介质 | |
CN114882490B (zh) | 一种基于点引导定位的无受限场景车牌检测分类方法 | |
Wang et al. | FPA-DNN: a forward propagation acceleration based deep neural network for ship detection | |
CN114972752A (zh) | 一种基于轻量级交叉注意网络的实时语义分割的方法 | |
WO2022017129A1 (zh) | 目标对象检测方法、装置、电子设备及存储介质 | |
CN114155524A (zh) | 单阶段3d点云目标检测方法及装置、计算机设备、介质 | |
CN113657403A (zh) | 图像处理方法及图像处理网络的训练方法 | |
CN112652059B (zh) | 基于Mesh R-CNN模型改进的目标检测与三维重构方法 |
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 |