CN108346144A - 基于计算机视觉的桥梁裂缝自动监测与识别方法 - Google Patents

基于计算机视觉的桥梁裂缝自动监测与识别方法 Download PDF

Info

Publication number
CN108346144A
CN108346144A CN201810089404.0A CN201810089404A CN108346144A CN 108346144 A CN108346144 A CN 108346144A CN 201810089404 A CN201810089404 A CN 201810089404A CN 108346144 A CN108346144 A CN 108346144A
Authority
CN
China
Prior art keywords
crack
subelement
image
sample
computer vision
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
Application number
CN201810089404.0A
Other languages
English (en)
Other versions
CN108346144B (zh
Inventor
李惠
徐阳
鲍跃全
李顺龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201810089404.0A priority Critical patent/CN108346144B/zh
Publication of CN108346144A publication Critical patent/CN108346144A/zh
Application granted granted Critical
Publication of CN108346144B publication Critical patent/CN108346144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0033—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining damage, crack or wear
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开一种基于计算机视觉的桥梁裂缝自动监测与识别方法，通过构建训练深度网络模型，以拍摄得到的图像为输入，经过各隐藏层的运算，最终输出得到图像的分类标签，实现裂缝识别，完成计算机对输入图像内容的理解。本发明针对桥梁裂缝的自动监测与识别问题，实现了对于包含复杂背景干扰信息的真实钢箱梁裂缝图像的模型训练、裂缝识别、结果展示的全过程自动化处理。本方法便捷、准确，提升了桥梁裂缝检测的效率以及检测结果的准确度和稳定性。

Description

基于计算机视觉的桥梁裂缝自动监测与识别方法
技术领域
本发明涉及土木工程监测领域，具体涉及一种基于计算机视觉的桥梁裂缝自动监测与识别方法。
背景技术
随着我国国民经济建设的快速发展，越来越多的大型基础设施建设发挥着无比重要的作用，特别是大型钢箱梁跨海大桥。大型钢箱梁跨海大桥由于长期承受复杂的车辆荷载作用，钢箱梁的焊缝处往往由于初始缺陷的存在，造成不同程度的疲劳损伤累积，进而形成疲劳裂缝。疲劳裂缝在荷载的长期效应、疲劳效应与突变效应等灾害因素的耦合作用下，会沿着焊缝方向或向顶板、横隔板等构件扩展，导致桥梁结构产生抗力衰减，极端情况下可能引发灾难事故。因此，桥梁管理部门每年都会投资大量的人力、物力、财力对钢箱梁内部进行人工巡检。当前对于钢箱梁裂缝的检测主要是通过巡检人员目视或借助专业设备，对裂缝进行定位和标记。这样的检测是低效且不准确的，检测花费的时间周期长，且检测结果过多依赖于巡检人员的主观意识。
随着图像处理方法在土木工程中的广泛应用，目前已经有一些基于阈值分割、形态学计算等传统图像处理算法的裂缝识别方法。然而这些方法往往在实际桥梁内部无法得到真正有效的应用。这是因为钢箱梁的内部环境非常复杂，在拍摄到的图像中，诸如结构构件边界、复杂的结构表面状态(如防腐喷漆、磁粉、局部腐蚀等)、不均匀光照条件等，均为钢箱梁内疲劳裂缝的识别带来了巨大困难。其中影响最大的是，往往巡检人员在发现裂缝后会用记号笔沿裂缝走向画出一条标记线，并在裂缝周围记下该裂缝所处的断面位置及初步的尺寸测量结果。在传统图像处理过程中，这些人工标记和手写字迹对真实裂缝的识别带来了巨大的干扰。并且疲劳裂纹的尺度相对较小，有的裂缝宽度仅仅在10-1mm级，在传统图像处理过程中更容易被当作噪声处理掉。另外，一些识别方法还要求提供图像拍摄的相机内外参数(如物距、像距、拍摄角度等)，或者需要额外的专业测量设备。总体来说，传统的裂缝识别方法需要过多的人工干预，并且成本昂贵。
发明内容
基于以上不足之处，本发明提供一种基于计算机视觉的桥梁裂缝自动监测与识别方法，可用于裂缝图像离线识别评估，也可用于裂缝实时监测。
本发明所采用的技术如下：一种基于计算机视觉的桥梁裂缝自动监测与识别方法，步骤如下：
步骤一，训练集制作：原始输入图像被切割成64×64×3的子单元集合，并从中随机抽取一定比例的样本，样本数量可以根据需要确定；同时观察这些子单元的图像特征，分别打标签，其中数字1代表裂缝单元，2代表手写字迹单元，3代表背景单元，完成后，新添加的子单元集合将会融合到原训练集中，每一个子单元都对应着相应的标签，为了考虑不平衡的三类子单元样本数量的影响，显示此时三种子单元的数量，并以数量最少的子单元数为基准，在其余两类子单元样本中随机抽取相同数量的样本，随后，将每个子单元样本逆时针旋转90度、180度、270度，生成三个新样本，完成数据扩充，每个新扩充的子单元样本拥有与旋转前相同的标签，至此，训练集制作完毕；
步骤二，基于深度网络模型的裂缝识别器训练：搭建融合多级特征的深度卷积神经网络并完成初始化，各层的尺寸和功能如表1所示，以训练集中64×64×3的子单元为输入，相应的标签为输出，训练该网络中的参数，训练过程中的损失函数为softmaxloss函数，优化算法为带动量的随机梯度下降算法，使用学习速率、动量参数和权重参数的初始值，完成后得到的深度网络即为裂缝识别器；
表1深度网络中各层的尺寸和功能
步骤三，裂缝单元图像识别：将图像切分为64×64×3的子单元，并将每个子单元输入到裂缝识别器中，输出层为相应的标签值，即标签值为1的子单元为裂缝单元，标签值为2的子单元为字迹单元，标签值为3的子单元为背景单元，并分别显示出各类型的识别结果；
步骤四，后处理输出：对每个裂缝子单元采用最佳熵阈值法进行图像分割，输出二值化裂缝像素点识别结果，并根据二值化裂缝像素点获得裂缝的长度、宽度的信息。
本发明还具有如下技术特征：
1、如上所述的步骤二，训练过程中的损失函数为softmaxloss函数，其公式如下：
式中，L为损失函数，m为样本数量，C为分类数量；1{y(i)＝j}为指标性函数，当第y(i)个样本分类为第j类时为1，否则为0；bj为待更新的权重及偏置，x(i)为输入，λ为权重参数。
2、如上所述的步骤二，优化算法为带动量的随机梯度下降算法，其公式如下：
式中νW为权重更新速率，αW为权重学习速率，ηW为权重动量参数，▽WL(W；x(i),y(i))为损失函数对权重的偏微分；νb为偏置更新速率，αb为偏置学习速率，ηb为偏置动量参数，▽bL(W；x(i),y(i))为损失函数对偏置的偏微分。
3、如上所述的步骤四，对每个裂缝子单元采用最佳熵阈值法进行图像分割，其公式如下：
式中，pi表示第i阶灰度所占的比例，ni表示第i阶灰度所占的数量，n表示像素总数量，Pi表示第i阶灰度的累积概率，HP(t)表示前景熵，HB(t)表示背景熵，H(t)表示图像总熵，T表示当图像总熵取得最大值时的灰度分割值。
4、如上所述的步骤四，在完成阈值分割后，在用户交互界面输入像素分辨率来获得裂缝的真实长度、宽度的信息。
本发明针对桥梁裂缝的自动监测与识别问题，实现了对于包含复杂背景干扰信息的真实钢箱梁裂缝图像的模型训练、裂缝识别、结果展示的全过程自动化处理。本方法便捷、准确，提升了桥梁裂缝检测的效率以及检测结果的准确度和稳定性。整个裂缝识别过程均为自动化处理，显著降低了裂缝识别过程中的人工参与度。本发明还能满足裂缝在线监测预警的实时数据处理需求，即不进行训练集更新，直接对采集到的图像进行识别，结果输出延迟可低至秒级。本发明提高了桥梁裂缝识别的自动化、智能化、准确性和鲁棒性，为土木工程桥梁裂缝的自动监测与识别提供了解决方案。
附图说明
图1基于计算机视觉与深度学习的桥梁裂缝自动监测与识别流程图
图2融合多级特征的深度卷积神经网络图；
图3为一条长裂缝单元识别结果对比图；
图4为多条裂缝单元识别结果对比图；
图5为裂缝放大图像识别结果对比图；
图6为一条长裂缝的二值化识别结果图；
图7为多条裂缝的二值化识别结果图；
图8为裂缝放大图像的二值化识别结果图。
具体实施方式
下面根据说明书附图举例对本发明做进一步说明：
实施例1：
如图1所示，一种基于计算机视觉的桥梁裂缝自动监测与识别方法，基于在MATLAB环境实现：
第一步，训练集制作：原始输入图像被切割成64×64×3的子单元集合，并从中随机抽取一定比例的样本，样本数量可以根据需要确定；同时观察这些子单元的图像特征，分别打标签，其中数字1代表裂缝单元，2代表手写字迹单元，3代表背景单元，完成后，新添加的子单元集合将会融合到原训练集中，每一个子单元都对应着相应的标签，为了考虑不平衡的三类子单元样本数量的影响，显示此时三种子单元的数量，并以数量最少的子单元数为基准，在其余两类子单元样本中随机抽取相同数量的样本，随后，将每个子单元样本逆时针旋转90度、180度、270度，生成三个新样本，完成数据扩充，每个新扩充的子单元样本拥有与旋转前相同的标签。至此，训练集制作完毕。
第二步，裂缝识别器训练。搭建如图2所示的融合多级特征的深度卷积神经网络并完成初始化，各层的尺寸和功能如表1所示。以训练集中64×64×3的子单元为输入，相应的标签为输出，训练该网络中的参数。训练过程中的损失函数为softmaxloss函数(如公式1所示)，优化算法为带动量的随机梯度下降算法(SGDM，如公式2所示)。使用学习速率、动量参数和权重参数的初始值，完成后得到的深度网络即为裂缝识别器。
式中，L为损失函数，m为样本数量，C为分类数量；1{y(i)＝j}为指标性函数，当第y(i)个样本分类为第j类时为1，否则为0；bj为待更新的权重及偏置，x(i)为输入，λ为权重参数；
式中νW为权重更新速率，αW为权重学习速率，ηW为权重动量参数，▽WL(W；x(i),y(i))为损失函数对权重的偏微分；νb为偏置更新速率，αb为偏置学习速率，ηb为偏置动量参数，▽bL(W；x(i),y(i))为损失函数对偏置的偏微分；
表1深度网络中各层的尺寸和功能
层别 高度 宽度 深度 操作 高度 宽度 深度 数量 步距
L0 64 64 3 卷积层1-1 10 10 3 16 2
L1 28 28 16 归一层1-1 - - - - -
L2 28 28 16 激活层1-1 - - - - -
L3 28 28 16 池化层1-1 2 2 - - 2
L4 14 14 16 卷积层1-2 5 5 16 25 1
L5 10 10 25 归一层1-2 - - - - -
L6 10 10 25 激活层1-2 - - - - -
L7 10 10 25 池化层1-2 2 2 - - 2
L8 5 5 25 全连接层1 5 5 25 3 1
L9 14 14 16 卷积层2-1 7 7 16 25 1
L10 8 8 25 归一层2-1 - - - - -
L11 8 8 25 激活层2-1 - - - - -
L12 8 8 25 池化层2-1 2 2 - - 2
L13 4 4 25 卷积层2-2 4 4 25 36 1
L14 1 1 36 归一层2-2 - - - - -
L15 1 1 36 激活层2-2 - - - - -
L16 1 1 36 全连接层2 1 1 36 3 1
L17 4 4 25 全连接3-1 4 4 25 36 1
L18 1 1 36 激活层3-1 - - - - -
L19 1 1 36 丢失层 - - - - -
L20 1 1 36 全连接3-2 1 1 36 3 1
L21 1 1 36 全连接层4 1 1 36 3 1
L22 1 1 3 融合层 - - - - -
L23 1 1 3 分类层 - - - - -
L24 1 1 1 误差层 - - - - -
第三步，裂缝单元图像识别：将图像切分为64×64×3的子单元，并将每个子单元输入到裂缝识别器中，输出层为相应的标签值，即标签值为1的子单元为裂缝单元，标签值为2的子单元为字迹单元，标签值为3的子单元为背景单元，并分别显示出各类型的识别结果，如图3-5所示。
第四步，后处理输出：对每个裂缝子单元采用最佳熵阈值法进行图像分割，如公式3所示，输出二值化裂缝像素点识别结果，如图6-8所示，并根据二值化裂缝像素点获得裂缝的长度、宽度的信息。在完成阈值分割后，通过输入像素分辨率(mm/pixel)来获得裂缝的真实长度、宽度的信息。
式中，pi表示第i阶灰度所占的比例，ni表示第i阶灰度所占的数量，n表示像素总数量，Pi表示第i阶灰度的累积概率，HP(t)表示前景熵，HB(t)表示背景熵，H(t)表示图像总熵，T表示当图像总熵取得最大值时的灰度分割值。
本实施例在MATLAB环境下实施，可直接适用于用消费级普通相机拍摄的裂缝图像，不需要特制的拍摄或检测设备，识别精度高，速度快，成本低，既可用于离线识别评估，也可用于实时监测，提高了钢箱梁疲劳裂缝识别的自动化、智能化、准确性和鲁棒性。

Claims (5)

1.一种基于计算机视觉的桥梁裂缝自动监测与识别方法，其特征在于，方法如下：
步骤一，训练集制作：原始输入图像被切割成64×64×3的子单元集合，并从中随机抽取一定比例的样本，样本数量可以根据需要确定；同时观察这些子单元的图像特征，分别打标签，其中数字1代表裂缝单元，2代表手写字迹单元，3代表背景单元，完成后，新添加的子单元集合将会融合到原训练集中，每一个子单元都对应着相应的标签，为了考虑不平衡的三类子单元样本数量的影响，显示此时三种子单元的数量，并以数量最少的子单元数为基准，在其余两类子单元样本中随机抽取相同数量的样本，随后，将每个子单元样本逆时针旋转90度、180度、270度，生成三个新样本，完成数据扩充，每个新扩充的子单元样本拥有与旋转前相同的标签，至此，训练集制作完毕；
步骤二，基于深度网络模型的裂缝识别器训练：搭建融合多级特征的深度卷积神经网络并完成初始化，各层的尺寸和功能如表1所示，以训练集中64×64×3的子单元为输入，相应的标签为输出，训练该网络中的参数，训练过程中的损失函数为softmaxloss函数，优化算法为带动量的随机梯度下降算法，使用学习速率、动量参数和权重参数的初始值，完成后得到的深度网络即为裂缝识别器；
表1深度网络中各层的尺寸和功能
步骤三，裂缝单元图像识别：将图像切分为64×64×3的子单元，并将每个子单元输入到裂缝识别器中，输出层为相应的标签值，即标签值为1的子单元为裂缝单元，标签值为2的子单元为字迹单元，标签值为3的子单元为背景单元，并分别显示出各类型的识别结果；
步骤四，后处理输出：对每个裂缝子单元采用最佳熵阈值法进行图像分割，输出二值化裂缝像素点识别结果，并根据二值化裂缝像素点获得裂缝的长度、宽度的信息。
2.根据权利要求1所述的一种基于计算机视觉的桥梁裂缝自动监测与识别方法，其特征在于：步骤二，训练过程中的损失函数为softmaxloss函数，其公式如下：
式中，L为损失函数，m为样本数量，C为分类数量；1{y(i)＝j}为指标性函数，当第y(i)个样本分类为第j类时为1，否则为0；bj为待更新的权重及偏置，x(i)为输入，λ为权重参数。
3.根据权利要求1所述的一种基于计算机视觉的桥梁裂缝自动监测与识别方法，其特征在于：步骤二，优化算法为带动量的随机梯度下降算法，其公式如下：
式中νW为权重更新速率，αW为权重学习速率，ηW为权重动量参数，为损失函数对权重的偏微分；νb为偏置更新速率，αb为偏置学习速率，ηb为偏置动量参数，为损失函数对偏置的偏微分。
4.根据权利要求1所述的一种基于计算机视觉的桥梁裂缝自动监测与识别方法，其特征在于：步骤四，对每个裂缝子单元采用最佳熵阈值法进行图像分割，其公式如下：
式中，pi表示第i阶灰度所占的比例，ni表示第i阶灰度所占的数量，n表示像素总数量，Pi表示第i阶灰度的累积概率，HP(t)表示前景熵，HB(t)表示背景熵，H(t)表示图像总熵，T表示当图像总熵取得最大值时的灰度分割值。
5.根据权利要求1所述的一种基于计算机视觉的桥梁裂缝自动监测与识别方法，其特征在于：步骤四，在完成阈值分割后，通过输入像素分辨率来获得裂缝的真实长度、宽度的信息。
CN201810089404.0A 2018-01-30 2018-01-30 基于计算机视觉的桥梁裂缝自动监测与识别方法 Active CN108346144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810089404.0A CN108346144B (zh) 2018-01-30 2018-01-30 基于计算机视觉的桥梁裂缝自动监测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810089404.0A CN108346144B (zh) 2018-01-30 2018-01-30 基于计算机视觉的桥梁裂缝自动监测与识别方法

Publications (2)

Publication Number Publication Date
CN108346144A true CN108346144A (zh) 2018-07-31
CN108346144B CN108346144B (zh) 2021-03-16

Family

ID=62960701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810089404.0A Active CN108346144B (zh) 2018-01-30 2018-01-30 基于计算机视觉的桥梁裂缝自动监测与识别方法

Country Status (1)

Country Link
CN (1) CN108346144B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109029381A (zh) * 2018-10-19 2018-12-18 石家庄铁道大学 一种隧道裂缝的检测方法、***及终端设备
CN109376676A (zh) * 2018-11-01 2019-02-22 哈尔滨工业大学 基于无人机平台的公路工程现场施工人员安全预警方法
CN109408985A (zh) * 2018-11-01 2019-03-01 哈尔滨工业大学 基于计算机视觉的桥梁钢结构裂缝精准识别方法
CN109919942A (zh) * 2019-04-04 2019-06-21 哈尔滨工业大学 基于高精度降噪理论的桥梁裂缝智能化检测方法
CN110020652A (zh) * 2019-01-07 2019-07-16 新而锐电子科技(上海)有限公司 隧道衬砌裂缝图像的分割方法
CN110569832A (zh) * 2018-11-14 2019-12-13 安徽艾睿思智能科技有限公司 基于深度学习注意力机制的文本实时定位识别方法
CN111091554A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 铁路货车摇枕断裂故障图像识别方法
CN111369526A (zh) * 2020-03-03 2020-07-03 中建二局基础设施建设投资有限公司 基于半监督深度学习的多类型旧桥裂痕识别方法
CN111563888A (zh) * 2020-05-06 2020-08-21 清华大学 一种定量裂缝生长监测方法
CN111832617A (zh) * 2020-06-05 2020-10-27 上海交通大学 发动机冷态测试故障诊断方法
CN113406088A (zh) * 2021-05-10 2021-09-17 同济大学 一种定点式钢箱梁裂纹发展观测装置
CN113935086A (zh) * 2021-09-17 2022-01-14 哈尔滨工业大学 一种基于计算机视觉和深度学习的结构智能设计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1236173A2 (en) * 1999-10-27 2002-09-04 Biowulf Technologies, LLC Methods and devices for identifying patterns in biological systems
CN105975968A (zh) * 2016-05-06 2016-09-28 西安理工大学 一种基于Caffe框架的深度学习车牌字符识别方法
CN106384080A (zh) * 2016-08-31 2017-02-08 广州精点计算机科技有限公司 一种基于卷积神经网络的表观年龄估计方法及装置
CN107133943A (zh) * 2017-04-26 2017-09-05 贵州电网有限责任公司输电运行检修分公司 一种防震锤缺陷检测的视觉检测方法
CN107301383A (zh) * 2017-06-07 2017-10-27 华南理工大学 一种基于Fast R‑CNN的路面交通标志识别方法
CN107403197A (zh) * 2017-07-31 2017-11-28 武汉大学 一种基于深度学习的裂缝识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1236173A2 (en) * 1999-10-27 2002-09-04 Biowulf Technologies, LLC Methods and devices for identifying patterns in biological systems
CN105975968A (zh) * 2016-05-06 2016-09-28 西安理工大学 一种基于Caffe框架的深度学习车牌字符识别方法
CN106384080A (zh) * 2016-08-31 2017-02-08 广州精点计算机科技有限公司 一种基于卷积神经网络的表观年龄估计方法及装置
CN107133943A (zh) * 2017-04-26 2017-09-05 贵州电网有限责任公司输电运行检修分公司 一种防震锤缺陷检测的视觉检测方法
CN107301383A (zh) * 2017-06-07 2017-10-27 华南理工大学 一种基于Fast R‑CNN的路面交通标志识别方法
CN107403197A (zh) * 2017-07-31 2017-11-28 武汉大学 一种基于深度学习的裂缝识别方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109029381A (zh) * 2018-10-19 2018-12-18 石家庄铁道大学 一种隧道裂缝的检测方法、***及终端设备
CN109376676A (zh) * 2018-11-01 2019-02-22 哈尔滨工业大学 基于无人机平台的公路工程现场施工人员安全预警方法
CN109408985A (zh) * 2018-11-01 2019-03-01 哈尔滨工业大学 基于计算机视觉的桥梁钢结构裂缝精准识别方法
CN110569832B (zh) * 2018-11-14 2022-05-31 安徽省科亿信息科技有限公司 基于深度学习注意力机制的文本实时定位识别方法
CN110569832A (zh) * 2018-11-14 2019-12-13 安徽艾睿思智能科技有限公司 基于深度学习注意力机制的文本实时定位识别方法
CN110020652A (zh) * 2019-01-07 2019-07-16 新而锐电子科技(上海)有限公司 隧道衬砌裂缝图像的分割方法
CN109919942A (zh) * 2019-04-04 2019-06-21 哈尔滨工业大学 基于高精度降噪理论的桥梁裂缝智能化检测方法
CN109919942B (zh) * 2019-04-04 2020-01-14 哈尔滨工业大学 基于高精度降噪理论的桥梁裂缝智能化检测方法
CN111091554A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 铁路货车摇枕断裂故障图像识别方法
CN111369526A (zh) * 2020-03-03 2020-07-03 中建二局基础设施建设投资有限公司 基于半监督深度学习的多类型旧桥裂痕识别方法
CN111369526B (zh) * 2020-03-03 2023-04-18 中建二局土木工程集团有限公司 基于半监督深度学习的多类型旧桥裂痕识别方法
CN111563888A (zh) * 2020-05-06 2020-08-21 清华大学 一种定量裂缝生长监测方法
CN111832617A (zh) * 2020-06-05 2020-10-27 上海交通大学 发动机冷态测试故障诊断方法
CN111832617B (zh) * 2020-06-05 2022-11-08 上海交通大学 发动机冷态测试故障诊断方法
CN113406088A (zh) * 2021-05-10 2021-09-17 同济大学 一种定点式钢箱梁裂纹发展观测装置
CN113935086A (zh) * 2021-09-17 2022-01-14 哈尔滨工业大学 一种基于计算机视觉和深度学习的结构智能设计方法
CN113935086B (zh) * 2021-09-17 2022-08-02 哈尔滨工业大学 一种基于计算机视觉和深度学习的结构智能设计方法

Also Published As

Publication number Publication date
CN108346144B (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN108346144A (zh) 基于计算机视觉的桥梁裂缝自动监测与识别方法
CN110084195B (zh) 基于卷积神经网络的遥感图像目标检测方法
CN107316064B (zh) 一种基于卷积神经网络的沥青路面裂缝分类识别方法
CN109919934A (zh) 一种基于多源域深度迁移学习的液晶面板缺陷检测方法
CN108319949A (zh) 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法
CN107564002A (zh) 塑料管表面缺陷检测方法、***及计算机可读存储介质
CN106356757A (zh) 一种基于人眼视觉特性的电力线路无人机巡检方法
CN110232379A (zh) 一种车辆姿态检测方法及***
CN109544522A (zh) 一种钢板表面缺陷检测方法及***
CN101276420A (zh) 一种融合光谱信息和多点模拟空间信息的分类方法
CN103617336B (zh) 一种航空噪声等值线图的绘制方法
CN109508881B (zh) 海岛区域分类及生态资源价值评估方法
CN109444169A (zh) 一种轴承缺陷检测方法及***
CN111339827A (zh) 基于多区域卷积神经网络的sar图像变化检测方法
CN108520277A (zh) 基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法
CN108932724A (zh) 一种基于多人协同图像标注的***自动审核方法
CN115115627B (zh) 基于数据处理的土壤盐碱地监测方法
CN111724358A (zh) 基于图像和卷积神经网络的混凝土质量检测方法及***
CN107301649A (zh) 一种基于超像素的区域合并sar图像海岸线检测算法
CN113360587B (zh) 一种基于gis技术的土地测绘设备及测绘方法
CN111275684A (zh) 一种基于多尺度特征提取的带钢表面缺陷检测方法
Bayırlı et al. Determining different plant leaves' fractal dimensions: a new approach to taxonomical study of plants
CN105528523B (zh) 一种基于遥感数据的土壤厚度反演方法
CN107507168A (zh) 一种用于岩体节理裂隙模型检验的迹线图相似度判别方法
CN116309155A (zh) 基于卷积和转换器混合网络的图像修复方法、模型和装置

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