CN110175658A - 一种基于YOLOv3深度学习的混凝土裂缝识别方法 - Google Patents
一种基于YOLOv3深度学习的混凝土裂缝识别方法 Download PDFInfo
- Publication number
- CN110175658A CN110175658A CN201910558541.9A CN201910558541A CN110175658A CN 110175658 A CN110175658 A CN 110175658A CN 201910558541 A CN201910558541 A CN 201910558541A CN 110175658 A CN110175658 A CN 110175658A
- Authority
- CN
- China
- Prior art keywords
- target
- frame
- yolov3
- image
- bounding box
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于混凝土结构损伤检测技术领域,公开了一种基于YOLOv3深度学习算法的多目标裂缝识别方法,将裂缝图像导入YOLOv3模型,图像被自动压缩为416×416像素分辨率;采用类似FPN的上采样和特征融合方式,将原始图像按特征图的尺度大小划分为S×S网格;以候选框与真实框的交并比作为评价标准,对图像训练集的所有裂缝目标标注框使用K‑means聚类分析,以获得候选框的大小;通过逻辑回归对每个边界框预测该框包含目标的概率。本发明简化了网络训练的复杂性,降低了运算成本;对多目标进行快速准确识别,快速实现目标检测的同时又获得了远优于其它模型的准确率,具有更强的鲁棒性和泛化能力,更加适合工程应用环境。
Description
技术领域
本发明属于混凝土结构损伤检测技术领域,尤其涉及一种基于YOLOv3深度学习的混凝土裂缝识别方法。
背景技术
混凝土是当今用途最广、用量最大的一种建筑材料,广泛应用于道路、桥梁、房建、隧道及大坝等基础设施的建设中。由于混凝土抗拉强度低,受收缩徐变、外界温度变化、地基变形等内外因素的共同影响,在施工建设和运营使用的过程中经常出现不同程度和形式的裂缝病害。裂缝的扩展是结构破坏的初始阶段;随着裂缝的持续发展,裂缝的宽度一旦超出一定限制,不仅影响基础设施的外观,也可能引起渗漏、耐久性降低、保护层脱落、钢筋锈蚀、混凝土碳化等,甚至对行车及行人安全造成重要影响。因此定期检测混凝土结构表面的裂缝病害状况,并针对检测结果进行预先防治是必不可少的。
混凝土强度的细观研究及工程实践经验表明,混凝土结构开裂不可避免。如果对混凝土结构的裂缝评价要求过高,会导致繁杂且高成本的维护代价,科学的做法应该是设定一个限制。一般来说,同一条裂缝上的裂缝宽度是不均匀的,控制裂缝宽度是指较宽区段(该裂缝长度的10%~15%范围)的平均宽度,这样确定的平均裂缝宽度为该裂缝的最大宽度。同样,该裂缝宽度较窄区段(裂缝长度的10%~15%范围)的平均宽度为最小裂缝宽度。在最大与最小之间为平均裂缝宽度。
一般肉眼可见的最小裂缝宽度是0.05mm,通常将小于0.05mm的裂缝称为微观裂缝,大于或者等于0.05mm的裂缝称为宏观裂缝,宏观裂缝是微观裂缝扩展的结果。一般的混凝土构筑物中宽度小于0.05mm的裂缝对使用并无危险,因此,可认为具有小于0.05mm微观裂缝的结构为无裂缝结构。所以,设计中所谓不允许开裂的结构也只能是无大于0.05mm裂缝的结构。
混凝土最大裂缝宽度的控制标准大致如下:无侵蚀介质,无防水要求的,0.3~0.4mm;轻微侵蚀,无防水要求的,0.2~0.3mm;严重侵蚀,有防水要求的,0.1~0.2mm。中国《城市桥梁检测与评定技术规范》中规定桥梁裂缝宽度不得超过0.3mm。
裂缝按其形状分为表面的、贯穿的、纵向的、横向的、上宽下窄的、下宽上窄的、枣核形的、对角线的、斜向的、外宽内窄的和纵深的(深度达1/2厚度)等等。裂缝的形状与其受力状态有直接关系,大多数裂缝的方向同主拉应力方向垂直,而纯剪裂缝的方向则同剪应力方向平行。准确识别出混凝土结构中的裂缝长度、走向和宽度,对判断结构的病害程度和运营状况有重要意义,这同时也是混凝土结构健康检测所面临的一个巨大难题。
早期所采用的裂缝检测方法以人工检测为主,需要维护人员进行现场勘查、标记、测量,并记录检测结果。人工检测方式工作强度大、效率低且不安全,需要借助检测辅助设备接近结构表面,对检测人员的专业知识和经验要求较高。此外,人工检测的结果受人为主观的影响,导致测量结果不一致、测量精度低等。同时,在桥梁、隧道等交通要道上进行人工检测有时还需封闭场地。这极大地影响了正常的交通,为车辆、行人的正常通行带来不便,严重时甚至会导致交通事故的发生。
较先进的无损检测方法如超声波法、热成像法、计算机断层扫描技术及电磁-声发射传感器检测法,存在着仪器昂贵、测量范围小、无法完全实现非接触测量等缺点。2000年左右,基于计算机视觉技术(IPTS)的图像处理方法开始用于混凝土表面裂缝的识别。IPTS的一个显著优点是可以识别几乎所有的表面缺陷(例如裂缝和腐蚀等)。但是图像的光照强度、明暗变化和图像扭曲等因素会严重影响检测结果,而且在处理过程中产生大量噪声,使得图像中的混凝土裂缝目标在传统的计算机视觉技术中难以被准确、高效地识别出来。
与本发明最接近的边缘检测法是图像处理技术中最常用的方法,其常用算子一般有一阶导数如sobel算子和canny算子,二阶导数如laplacian算子。边缘检测法的核心原理是检测出周围像素灰度发生急剧变化的像素点的集合。在灰度变化较为均匀的图像中,只利用一阶导数算子得到的边界比较粗,甚至找不到边界;而基于过零检测的二阶导数算子对噪声比较敏感,即便可以检测出边缘,获得的边缘点数也比较少。由于混凝土图像背景整体灰度差异小,裂缝边缘像素梯度低,通常属于弱边缘,边缘检测法应用于裂缝识别领域中效果较差。
伴随着人工智能的快速发展,深度学习算法被广泛应用在图像处理的各个方面。基于深度学习的图像处理技术的出现,为混凝土裂缝检测提供了一个很好的解决思路。已有部分学者应用深度学习理论在混凝土裂缝识别方面提出了一些方法,如在不计算缺陷特征的情况下检测裂缝、提出一种检测每个视频帧内的裂缝的深度学习框架并提出一种新的数据融合方案聚合信息、应用主成分分析法(PCA)对裂缝进行分类等。这类方法一般基于滑动窗口技术和深度学习,其中滑动窗口技术没有针对性,由于目标裂缝的宽度较小,滑动窗口技术产生的大部分窗口通常都为冗余窗口,实际有效的窗口数量只占很少一部分,大量运算资源被浪费,运算成本高,且检测效率低;深度学习方法则对数据量的要求大,这也是深度学习发展的最大瓶颈,为了解决这一问题,一些自带数据集,并已经提取了部分目标特征以便于使用的深度学习网络框架得到了广泛应用。如何在这些搭建好的框架下更好地实现特定目标地检测识别,是目前混凝土结构损伤检测领域中需要迫切解决的问题。
综上所述,现有技术存在的问题是:目前常用的边缘检测法不适用于裂缝识别领域;基于滑动窗口技术的深度学习方法,需要大量的数据,缺少针对性,运算成本高,且检测效率低。
解决上述技术问题的难度:在世界范围内缺少公认有效的裂缝数据集,而人工制作数据集需要花费大量的人力物力,成本高;对复杂的模型网络结构进行简化,减少网络的中间输出的同时保持检测的准确率和速度,需要大量时间对网络进行调整、试算、训练等。
解决上述技术问题的意义:在数据集有限的情况下即可获得准确的识别结果,并且输入图像经过单次检测,便能获得图像中所有待检测目标,实现了端到端的目标检测和识别,即使实现输入端——单个神经网络——输出端,减少了冗余数据的产生,降低运算成本。
发明内容
针对现有技术存在的问题,本发明提供了一种基于YOLOv3深度学习的混凝土裂缝识别方法。
本发明是这样实现的,一种基于YOLOv3深度学习的混凝土裂缝识别方法,所述基于YOLOv3深度学习的混凝土裂缝识别方法采用YOLOv3中的Darknet-53网络作为特征提取器,将目标检测作为回归问题处理,基于一个单独的端到端神经网络模型直接进行目标区域定位及目标类别预测;
将裂缝图像导入YOLOv3,图像被自动压缩为416×416像素分辨率;采用类似FPN的上采样和特征融合方式,将原始图像按特征图的尺度大小划分为S×S网格;以候选框与真实框的交并比作为评价标准,对图像训练集的所有裂缝目标标注框使用K-means聚类分析,以获得候选框的大小;YOLOv3对每个边界框通过逻辑回归预测该框包含目标的概率。
进一步,所述基于YOLOv3深度学习的混凝土裂缝识别方法具体包括:
第一步,获取宽度约为0.05mm或以上的裂缝目标图像;将图像裁剪成统一大小,对图像中的目标手动添加矩形标签作为真实边界框,形成数据库;
第二步,将目标图像导入YOLOv3,图像被自动压缩为416×416像素分辨率。采用类似FPN的上采样和特征融合方式,将原始图像按特征图的划分为S×S网格;
第三步,确定anchor个数和宽高,从裂缝标注目标框的数据中学习特征,找到统计规律,再利用K均值聚类算法对目标框作聚类分析,以K值为anchor的个数;以候选框与真实框的交并比作为评价标准,对图像训练集的所有裂缝目标标注框使用K-means聚类分析,以获得候选框的大小;
第四步,对每一个网格使用3个anchorbox即先验框对目标边界进行预测,边界框信息为物体的中心位置相对于该点所在网格左上角的偏移量(tx,ty)及宽度tw和高度th。若目标中心在单元格中相对于图像左上角有偏移(cx,cy),并且候选框具有宽度pw和高度ph;
第五步,对目标进行类别预测,YOLOv3对每个边界框通过逻辑回归来预测该框包含目标的概率;如果预测的边界框与真实的边界框大面积重合且比其他预测的边界框重合率高,其概率为1;如果重合率没有达到YOLOv3阈值0.5或大于阈值,但不是最大者,该预测边界框会被忽略,不会对损失函数造成影响;
第六步,将预测得到的结果:高维特征向量、目标真实边界框及类别标签作为输入,设定学习率、学习率衰减速度、网络动量参数、权重衰减正则项、批次大小、批次大小划分和阈值,训练对目标的边界框及类别进行精细回归的回归器模型。
进一步,所述第三步K-means聚类的距离函数为;
d(B,C)=1-RIOU(B,C);
式中B为矩形框的大小,C为矩形框的中心,RIOU(B,C)表示候选边界框与真实边界框的交并比。
进一步,所述第四步的边界框信息为物体的中心位置相对于该点所在网格左上角的偏移量(tx,ty)及宽度tw和高度th;若目标中心在单元格中相对于图像左上角有偏移(cx,cy),并且候选框具有宽度pw和高度ph,则修正后的边界框为:
bx=σ(tx)+cx
by=σ(ty)+cy
进一步,所述第五步对目标进行类别预测;每个预测任务得到的特征大小为:
S×S×[3×(4+l+B)];
式中S为网格大小,3为每个网格的先验框数量,4是边界框大小和坐标,1是置信度,B是类别数量。
本发明的另一目的在于提供一种应用所述基于YOLOv3深度学习的混凝土裂缝识别方法的混凝土结构损伤检测控制***。
综上所述,本发明的优点及积极效果为:本发明采用YOLOv3中的Darknet-53网络作为特征提取器,将目标检测作为回归问题处理,基于一个单独的端到端神经网络模型直接进行目标区域定位及目标类别预测,使用了更深的网络进行多尺度预测,简化了网络训练的复杂性,降低了运算成本,快速实现目标检测的同时又获得了较高的准确率,更加适合工程应用环境。
深度学习目标检测一般有two-stage和one-stage模型,two-stage模型检测目标时需要生成一系列样本候选框,再由卷积神经网络进行样本分类,运算成本高,效率低下,而YOLOv3采用one-stage模型不用产生候选框,而是将定位目标边框的问题转化为回归问题处理,算法速度快,在与其他3种具有代表性的目标检测模型Faster-rcnn、SSD、CNN+SD进行了比较后,本发明在检测速率和检测效果上均有明显优势,检测速度对比图见图8,检测效果对比图见图9,证明本发明比目前现有的深度学习模型更适用于裂缝识别领域;同时,本发明的实际检测对象包括了结构性裂缝和非结构性裂缝,见图11、图13,结构性裂缝的产生一般是由于结构应力达到限值,造成结构开裂引起的,是结构破坏的开始,而非结构性裂缝的产生一般是由于混凝土材料、浇筑、养护和使用环境等多种因素影响形成,其裂缝外观形式与结构性裂缝有很大不同。本发明对这两种裂缝均有较好的检测效果,解决了一般模型仅针对实验室内出现的结构裂缝进行检测的问题;相比于图像处理技术,本发明的YOLOv3模型通过单个神经网络模型直接进行目标区域定位及目标类别预测,有效降低了外部环境的干扰,提高了准确率。
附图说明
图1是本发明实施例提供的基于YOLOv3深度学习的混凝土裂缝识别方法流程图。
图2是本发明实施例提供的基于YOLOv3深度学习的混凝土裂缝识别方法实现流程图。
图3是本发明实施例提供的平均交并比与候选框数量之间的变化曲线示意图,候选框的数量增大,平均交并比随之增大,但增速逐渐降低。
图4是本发明实施例提供的实例中所取得候选框位置示意图。
图5是本发明实施例提供的YOLOv3在13×13单元格中预测边界框示意图。
图6是本发明实施例提供的学习率变化曲线示意图。
图7是本发明实施例提供的PR变化曲线示意图。
图8是本发明实施例提供的本发明与其他模型检测速度对比图。
图9是本发明实施例提供的本发明与其他模型检测效果对比图。
图10是本发明实施例提供的苏州吴江江陵大桥桥跨尺寸示意图。
图11是本发明实施例对江陵大桥结构性裂缝图像检测结果。
图12是本发明实施例中采用无人机获取图像的示意图。
图13是本发明实施例对江陵大桥非结构性裂缝图像检测结果。
图14是本发明实施例提供的基于YOLOv3深度学习的混凝土裂缝识别方法原理流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对目前常用的类似穷举式的深度学习方法,需要大量的数据,缺少针对性,运算成本高,且检测效率低的问题。本发明是一种具有很强的鲁棒性、很好的泛化能力以及较高的检测效率和准确率的裂缝检测技术,具有原创性,更适用于工程界。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于YOLOv3深度学习的混凝土裂缝识别方法包括以下步骤:
S101:获取宽度约为0.05mm或以上的裂缝目标图像;将图像裁剪成统一大小,对图像中的目标手动添加矩形标签作为真实边界框,形成数据库;
S102:将目标图像导入YOLOv3,图像被自动压缩为416×416像素分辨率。采用类似FPN的上采样和特征融合方式,将原始图像按特征图的划分为S×S网格;
S103:确定anchor个数和宽高,从裂缝标注目标框的数据中学习特征,找到统计规律,再利用K均值聚类算法(K-means)对目标框作聚类分析,最终以K值为anchor的个数;以候选框与真实框的交并比(IOU,用RIOU表示)作为评价标准,对图像训练集的所有裂缝目标标注框使用K-means聚类分析,以获得候选框的大小;
S104:对每一个网格使用3个anchorbox即先验框对目标边界进行预测,边界框信息为物体的中心位置相对于该点所在网格左上角的偏移量(tx,ty)及宽度tw和高度th。若目标中心在单元格中相对于图像左上角有偏移(cx,cy),并且候选框具有宽度pw和高度ph;
S105:对目标进行类别预测,YOLOv3对每个边界框通过逻辑回归来预测该框包含目标的概率。如果预测的边界框与真实的边界框大面积重合且比其他预测的边界框重合率高,其概率为1;如果重合率没有达到YOLOv3阈值0.5或大于阈值,但不是最大者,该预测边界框会被忽略,不会对损失函数造成影响;
S106:将预测得到的结果:高维特征向量、目标真实边界框及类别标签作为输入,设定学习率、学习率衰减速度、网络动量参数、权重衰减正则项、批次大小、批次大小划分和阈值等参数,训练对目标的边界框及类别进行精细回归的回归器模型。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明实施例提供的基于YOLOv3深度学习的混凝土裂缝识别方法包括以下步骤:
(1)获得数据库;
以人眼精度为准,获取宽度约为0.05mm或以上的裂缝目标图像,其中为保证训练出的模型具有更好的鲁棒性和稳定性,目标的发展方向、清晰度各有不同,目标所在的结构背景表面还存在污点、模板痕迹或水迹等等干扰。本实例中共计获取图像242张,将原始图像统一裁剪成1000×1000像素分辨率的较小图像,剔除非混凝土背景部分,使用LableImg对图像中的裂缝进行手动标注,以此作为总数据库,共计3821张图像。在数据库中随机生成训练集、验证集和测试集。
(2)对原始图像进行尺度分割;
将裂缝图像导入YOLOv3,图像被自动压缩为416×416像素分辨率。采用类似FPN的上采样和特征融合方式,将原始图像按特征图的尺度大小(13×13、26×26、52×52)划分为S×S网格。
(3)确定anchor个数和宽高;
利用k-means对裂缝真实边界框做聚类分析。由于YOLOv3的anchor个数和宽高维度是由VOC20类数据集聚类得到,数据集中目标形态差距很大,与混凝土裂缝目标差异更大,需要对裂缝真实边界框做聚类分析,重新确定anchor个数和宽高。以候选框与真实框的交并比(IOU,用RIOU表示)作为评价标准,对图像训练集的所有裂缝目标标注框使用K-means聚类分析,以获得候选框的大小。K-means聚类的距离函数为;
d(B,C)=1-RIOU(B,C);
式中B为矩形框的大小,C为矩形框的中心,RIOU(B,C)表示候选边界框与真实边界框的交并比。平均交并比与候选框数量之间的变化曲线如图3所示,可以看出随着候选框的数量增大,平均交并比的增速变的越来越缓慢。本实例在权衡平均交并比与候选框的数量之间的关系后,取9个候选框,分别为(33,46),(122,43),(50,148),(73,362),(144,155),(350,74),(153,381),(364,75),(322,365),每三个anchor对应三个尺度,如图4所示,其中小圆点为裂缝数据集标注框,大圆点表示裂缝数据集的聚类候选框,三角点为原YOLOv3的VOC20数据集的候选框。
(4)进行边界框预测;
对每一个网格使用3个anchorbox即先验框对目标边界进行预测,预测实例见图5,在13×13单元格中预测边界框,其中灰色框为为聚类得到的先验框,白色框为真实框,深灰色框是对象中心点所在网格。
边界框信息为物体的中心位置相对于该点所在网格左上角的偏移量(tx,ty)及宽度tw和高度th。若目标中心在单元格中相对于图像左上角有偏移(cx,cy),并且候选框具有宽度pw和高度ph,则修正后的边界框为:
bx=σ(tx)+cx
by=σ(ty)+cy
(5)对目标进行类别预测;每个预测任务得到的特征大小都为:
S×S×[3×(4+l+B)];
式中S为网格大小,3为每个网格的先验框数量,4是边界框大小和坐标,1是置信度,B是类别数量。
YOLOv3对每个边界框通过逻辑回归预测该框包含目标的概率。如果预测的边界框与真实的边界框大面积重合且比其他预测的边界框重合率都要高,其概率为1;如果重合率没有达到YOLOv3阈值0.5或大于阈值,但不是最大,预测的这个边界框会被忽略,不会对损失函数造成影响。在训练过程中,YOLOv3对每一个物体仅分配一个预测框。
(6)训练模型
将预测得到的结果:高维特征向量、目标真实边界框及类别标签作为输入,设定学习率为0.001,学习率衰减速度为迭代到40000次时衰减10倍,迭代到45000次时再衰减10倍,变化曲线见图6;网络动量参数为0.9;权重衰减正则项为0.005;批次大小为64,批次大小划分为16;阈值为0.5,迭代次数为50200,训练对目标的边界框及类别进行精细回归的回归器模型。训练对目标边界框及类别进行精细回归的回归器模型。
训练完成后,用测试集的样本来验证YOLOv3模型的识别能力,AP值达89.4,PR曲线见图7,在与其他3种具有代表性的目标检测模型Faster-rcnn、SSD、CNN+SD进行了比较后,本发明在检测速率和检测效果上均有明显优势,检测速度对比图见图8,检测效果对比图见图9。针对该实例问题,本发明在检测速度和检测效果方面都更为突出,其中检测速度可以达到实时检测的要求,证明本发明在混凝土结构损伤检测领域中的优势。
将本发明方法应用于苏州吴江江陵大桥裂缝检测识别中。该桥为三跨预应力混凝土连续箱梁刚构桥,配跨为50m+86m+50m=186m,见图10所示。桥梁运营15年后出现裂缝,采用无人机对运河上面的主跨底板进行裂缝图片采集,并进行了识别,结果显示:基于YOLOv3深度学习的混凝土裂缝检测模型能够对结构裂缝、非结构裂缝等多目标进行快速准确地识别,识别速度远快于其它模型,甚至达到了对混凝土裂缝目标进行实时检测的要求。这种目标检测模型对于混凝土裂缝的识别精度远优于其它模型,具有更强的鲁棒性和泛化能力。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于YOLOv3深度学习的混凝土裂缝识别方法,其特征在于,所述基于YOLOv3深度学习的混凝土裂缝识别方法采用YOLOv3中的Darknet-53网络作为特征提取器,将目标检测作为回归问题处理,基于一个单独的端到端神经网络模型直接进行目标区域定位及目标类别预测;
将裂缝图像导入YOLOv3,图像被自动压缩为416×416像素分辨率;采用类似FPN的上采样和特征融合方式,将原始图像按特征图的尺度大小划分为S×S网格;以候选框与真实框的交并比作为评价标准,对图像训练集的所有裂缝目标标注框使用K-means聚类分析,以获得候选框的大小;YOLOv3对每个边界框通过逻辑回归预测该框包含目标的概率。
2.如权利要求1所述的基于YOLOv3深度学习的混凝土裂缝识别方法,其特征在于,所述基于YOLOv3深度学习的混凝土裂缝识别方法具体包括:
第一步,获取宽度约为0.05mm或以上的裂缝目标图像;将图像裁剪成统一大小,对图像中的目标手动添加矩形标签作为真实边界框,形成数据库;
第二步,将目标图像导入YOLOv3,图像被自动压缩为416×416像素分辨率;采用类似FPN的上采样和特征融合方式,将原始图像按特征图的划分为S×S网格;
第三步,确定anchor个数和宽高,从裂缝标注目标框的数据中学习特征,找到统计规律,再利用K均值聚类算法对目标框作聚类分析,以K值作为anchor的个数;以候选框与真实框的交并比作为评价标准,对图像训练集的所有裂缝目标标注框使用K-means聚类分析,以获得候选框的大小;
第四步,对每一个网格使用3个anchorbox即先验框对目标边界进行预测,边界框信息为物体的中心位置相对于该点所在网格左上角的偏移量(tx,ty)及宽度tw和高度th;若目标中心在单元格中相对于图像左上角有偏移(cx,cy),并且候选框具有宽度pw和高度ph;
第五步,对目标进行类别预测,YOLOv3对每个边界框通过逻辑回归来预测该框包含目标的概率;如果预测的边界框与真实的边界框大面积重合且比其他预测的边界框重合率高,其概率为1;如果重合率没有达到YOLOv3阈值0.5或大于阈值,但不是最大者,该预测边界框会被忽略,不会对损失函数造成影响;
第六步,将预测得到的结果:高维特征向量、目标真实边界框及类别标签作为输入,设定学习率、学习率衰减速度、网络动量参数、权重衰减正则项、批次大小、批次大小划分和阈值,训练对目标的边界框及类别进行精细回归的回归器模型。
3.如权利要求2所述的基于YOLOv3深度学习的混凝土裂缝识别方法,其特征在于,所述第三步K-means聚类的距离函数为;
d(B,C)=1-RIOU(B,C);
式中B为矩形框的大小,C为矩形框的中心,RIOU(B,C)表示候选边界框与真实边界框的交并比。
4.如权利要求2所述的基于YOLOv3深度学习的混凝土裂缝识别方法,其特征在于,所述第四步的边界框信息为物体的中心位置相对于该点所在网格左上角的偏移量(tx,ty)及宽度tw和高度th;若目标中心在单元格中相对于图像左上角有偏移(cx,cy),并且候选框具有宽度pw和高度ph,则修正后的边界框为:
bx=σ(tx)+cx
by=σ(ty)+cy
5.如权利要求2所述的基于YOLOv3深度学习的混凝土裂缝识别方法,其特征在于,所述第五步对目标进行类别预测;每个预测任务得到的特征大小为:
S×S×[3×(4+l+B)];
式中S为网格大小,3为每个网格的先验框数量,4是边界框大小和坐标,1是置信度,B是类别数量。
6.一种应用权利要求1~5任意一项所述基于YOLOv3深度学习的混凝土裂缝识别方法的混凝土结构损伤检测控制***。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910558541.9A CN110175658A (zh) | 2019-06-26 | 2019-06-26 | 一种基于YOLOv3深度学习的混凝土裂缝识别方法 |
AU2020101011A AU2020101011A4 (en) | 2019-06-26 | 2020-06-15 | Method for identifying concrete cracks based on yolov3 deep learning model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910558541.9A CN110175658A (zh) | 2019-06-26 | 2019-06-26 | 一种基于YOLOv3深度学习的混凝土裂缝识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110175658A true CN110175658A (zh) | 2019-08-27 |
Family
ID=67698976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910558541.9A Pending CN110175658A (zh) | 2019-06-26 | 2019-06-26 | 一种基于YOLOv3深度学习的混凝土裂缝识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110175658A (zh) |
AU (1) | AU2020101011A4 (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503098A (zh) * | 2019-08-29 | 2019-11-26 | 西安电子科技大学 | 一种快速实时性轻量级的目标检测方法及设备 |
CN110826636A (zh) * | 2019-11-12 | 2020-02-21 | 吉林省民航机场集团公司 | 航空器异常检测***及其异常检测方法 |
CN110826555A (zh) * | 2019-10-12 | 2020-02-21 | 天津大学 | 一种人机协同的图像目标检测数据半自动标注方法 |
CN110992307A (zh) * | 2019-11-04 | 2020-04-10 | 华北电力大学(保定) | 基于yolo的绝缘子定位识别方法及装置 |
CN111210408A (zh) * | 2019-12-30 | 2020-05-29 | 南京航空航天大学 | 一种基于射线图像的复合材料缺陷识别方法 |
CN111222474A (zh) * | 2020-01-09 | 2020-06-02 | 电子科技大学 | 一种任意尺度的高分辨率图像小目标检测方法 |
CN111241343A (zh) * | 2020-01-07 | 2020-06-05 | 西安电子科技大学 | 一种道路信息监控与分析检测方法、智慧交通控制*** |
CN111325738A (zh) * | 2020-02-28 | 2020-06-23 | 湖北工业大学 | 一种用于横穿孔周边裂纹的智能检测方法及*** |
CN111553949A (zh) * | 2020-04-30 | 2020-08-18 | 张辉 | 基于单帧rgb-d图像深度学习对不规则工件的定位抓取方法 |
CN111815573A (zh) * | 2020-06-17 | 2020-10-23 | 科大智能物联技术有限公司 | 一种基于深度学习的接箍外壁检测方法及*** |
CN111861982A (zh) * | 2020-06-07 | 2020-10-30 | 中国葛洲坝集团第一工程有限公司 | 可视化图像监测识别*** |
CN112215824A (zh) * | 2020-10-16 | 2021-01-12 | 南通大学 | 基于YOLO-v3的布面疵点检测及辅助装置与方法 |
CN112419244A (zh) * | 2020-11-11 | 2021-02-26 | 浙江大学 | 基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法及装置 |
CN112508030A (zh) * | 2020-12-18 | 2021-03-16 | 山西省信息产业技术研究院有限公司 | 一种基于双深度学习模型的隧道裂缝检测及测量方法 |
CN112712076A (zh) * | 2020-12-29 | 2021-04-27 | 中信重工开诚智能装备有限公司 | 一种基于无标牌定位的视觉定位装置及方法 |
CN112767357A (zh) * | 2021-01-20 | 2021-05-07 | 沈阳建筑大学 | 一种基于Yolov4的混凝土结构病害检测方法 |
CN112785574A (zh) * | 2021-01-25 | 2021-05-11 | 金陵科技学院 | 一种基于改进YOLOv3的围巾花纹缺陷检测方法 |
CN112926584A (zh) * | 2021-05-11 | 2021-06-08 | 武汉珈鹰智能科技有限公司 | 裂缝检测方法、装置、计算机设备及存储介质 |
CN113033390A (zh) * | 2021-03-23 | 2021-06-25 | 中国科学院空天信息创新研究院 | 一种基于深度学习的大坝遥感智能检测方法 |
CN113689380A (zh) * | 2021-07-20 | 2021-11-23 | 中国铁路设计集团有限公司 | 基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法 |
CN113838078A (zh) * | 2021-09-06 | 2021-12-24 | 中国矿业大学(北京) | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 |
CN113863400A (zh) * | 2021-12-02 | 2021-12-31 | 中建安装集团有限公司 | 一种水泥土复合桩变形检测***及检测方法 |
CN113917562A (zh) * | 2021-09-27 | 2022-01-11 | 中国科学院武汉岩土力学研究所 | 深埋软弱夹层宏细观结构表征及三维空间构造方法及装置 |
CN114418911A (zh) * | 2021-12-27 | 2022-04-29 | 北京师范大学 | 一种对遥感影像统计回归降尺度并提高水体清晰度的方法 |
US20220276207A1 (en) * | 2021-03-01 | 2022-09-01 | Ecole De Technologie Superieure | Ultrasonic testing for defect detection |
CN115908411A (zh) * | 2023-01-06 | 2023-04-04 | 山东水利建设集团有限公司 | 基于视觉检测的混凝土养护质量分析方法 |
CN117011295A (zh) * | 2023-10-07 | 2023-11-07 | 西南科技大学 | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 |
CN117876334A (zh) * | 2024-01-12 | 2024-04-12 | 黑龙江大学 | 基于动态蛇形卷积的智能驾驶道路裂缝检测方法 |
Families Citing this family (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052853B (zh) * | 2020-09-09 | 2024-02-02 | 国家气象信息中心 | 一种基于深度学习的手写气象档案资料的文本定位方法 |
CN112229585B (zh) * | 2020-09-18 | 2022-07-08 | 长沙理工大学 | 基于人工智能与声发射技术的裂缝损伤定位方法以及*** |
CN112132064A (zh) * | 2020-09-25 | 2020-12-25 | 新希望六和股份有限公司 | 基于人工智能的识别孕囊数量的方法、装置、设备和介质 |
CN112508168B (zh) * | 2020-09-25 | 2023-09-22 | 上海海事大学 | 基于预测框自动修正的边框回归神经网络构建方法 |
CN112184687B (zh) * | 2020-10-10 | 2023-09-26 | 南京信息工程大学 | 基于胶囊特征金字塔的道路裂缝检测方法和存储介质 |
CN112183485B (zh) * | 2020-11-02 | 2024-03-05 | 北京信息科技大学 | 基于深度学习的交通锥桶检测定位方法、***及存储介质 |
CN112215208A (zh) * | 2020-11-10 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 基于改进YOLOv4的遥感影像桥梁目标检测算法 |
CN112634195A (zh) * | 2020-11-23 | 2021-04-09 | 清华大学 | 混凝土结构裂缝预测方法、装置及*** |
CN112362756B (zh) * | 2020-11-24 | 2024-02-20 | 长沙理工大学 | 一种基于深度学习的混凝土结构损伤监测方法及*** |
CN112613343B (zh) * | 2020-12-01 | 2023-12-15 | 浙江大学 | 一种基于改进YOLOv4的河道废弃物监测方法 |
CN112634205A (zh) * | 2020-12-04 | 2021-04-09 | 江苏鼎集智能科技股份有限公司 | 一种基于图像的微特征检测算法 |
CN112949634B (zh) * | 2021-03-08 | 2024-04-26 | 北京交通大学 | 一种铁路接触网鸟窝检测方法 |
CN113392852B (zh) * | 2021-04-30 | 2024-02-13 | 浙江万里学院 | 一种基于深度学习的车辆检测方法及*** |
CN113177499A (zh) * | 2021-05-11 | 2021-07-27 | 上海道生医疗科技有限公司 | 基于计算机视觉的舌裂纹形状识别方法及识别*** |
CN113192045A (zh) * | 2021-05-13 | 2021-07-30 | 西安数合信息科技有限公司 | 一种焊缝图像的缺陷尺寸分析方法 |
CN113496480A (zh) * | 2021-05-13 | 2021-10-12 | 西安数合信息科技有限公司 | 一种焊缝图像缺陷的检测方法 |
CN113408584B (zh) * | 2021-05-19 | 2022-07-26 | 成都理工大学 | Rgb-d多模态特征融合3d目标检测方法 |
CN113609895A (zh) * | 2021-06-22 | 2021-11-05 | 上海中安电子信息科技有限公司 | 基于改进Yolov3的获取道路交通信息方法 |
CN113591270B (zh) * | 2021-06-29 | 2024-01-19 | 北京交通大学 | 基于mdcd在钢轨焊缝数据集上性能分析对比的监测方法 |
CN113674213B (zh) * | 2021-07-26 | 2024-04-09 | 南京航空航天大学 | 一种基于旋转目标检测技术的地铁隧道裂缝识别方法 |
CN113822148B (zh) * | 2021-08-05 | 2024-04-12 | 同济大学 | 一种基于卷积神经网络的轨道微小遗留物智能辨识方法 |
CN113808080B (zh) * | 2021-08-12 | 2023-10-24 | 常州大学 | 一种手机摄像孔玻璃面板干涉条纹数目的检测方法 |
CN113610178A (zh) * | 2021-08-17 | 2021-11-05 | 湖南工学院 | 一种基于视频监控图像的内河船舶目标检测方法和装置 |
CN113610054A (zh) * | 2021-08-27 | 2021-11-05 | 广州慧瞳科技有限公司 | 一种水下结构病害深度检测方法、***、装置及存储介质 |
US20230060459A1 (en) * | 2021-09-01 | 2023-03-02 | FootPrintKu Inc. | Image object classification optimizing method, system and computer readable medium |
CN113888525A (zh) * | 2021-10-20 | 2022-01-04 | 中国矿业大学 | 一种基于摄像头数据的旋流器堵塞及预警检测方法 |
CN114298145B (zh) * | 2021-11-22 | 2024-07-09 | 三峡大学 | 基于深度学习的透水混凝土孔隙智能识别与分割方法 |
CN114581764B (zh) * | 2021-12-24 | 2024-04-26 | 中交基础设施养护集团有限公司 | 基于深度学习算法的地下结构裂纹病害判别方法 |
CN114913438A (zh) * | 2022-03-28 | 2022-08-16 | 南京邮电大学 | 一种基于锚框最优聚类的YOLOv5园林异常目标识别方法 |
CN115063679B (zh) * | 2022-06-15 | 2024-04-26 | 电子科技大学 | 一种基于深度学习的路面质量评估方法 |
CN115100175B (zh) * | 2022-07-12 | 2024-07-09 | 南京云创大数据科技股份有限公司 | 一种基于小样本目标检测的轨道交通检测方法 |
CN115184372B (zh) * | 2022-07-13 | 2023-04-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 混凝土结构难达部位微裂纹荧光渗透智能探测装置与方法 |
CN115393725B (zh) * | 2022-10-26 | 2023-03-07 | 西南科技大学 | 一种特征增强和语义分割的桥梁裂缝识别方法 |
CN115691026B (zh) * | 2022-12-29 | 2023-05-05 | 湖北省林业科学研究院 | 一种森林防火的智能预警监控管理方法 |
CN115953672B (zh) * | 2023-03-13 | 2024-02-27 | 南昌工程学院 | 一种水下大坝表面裂缝识别方法 |
CN116385434B (zh) * | 2023-06-02 | 2023-08-08 | 同济检测(济宁)有限公司 | 一种用于预制梁裂缝的智能检测方法 |
CN116912238B (zh) * | 2023-09-11 | 2023-11-28 | 湖北工业大学 | 基于多维识别网络级联融合的焊缝管道识别方法及*** |
CN117522195A (zh) * | 2023-11-06 | 2024-02-06 | 北京住总集团有限责任公司 | 一种住宅质量检测评估***和方法 |
CN117809310B (zh) * | 2024-03-03 | 2024-04-30 | 宁波港信息通信有限公司 | 基于机器学习的港口集装箱号识别方法及*** |
CN117893872B (zh) * | 2024-03-18 | 2024-05-14 | 成都理工大学 | 基于多模型融合检测的平面裂隙光学检测方法 |
CN118154993B (zh) * | 2024-05-09 | 2024-07-19 | 南昌工程学院 | 基于声光图像融合的双模态水下大坝裂缝检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
CN109671064A (zh) * | 2018-12-14 | 2019-04-23 | 大连理工大学 | 一种工业零部件表面裂纹的多目标检测方法 |
CN109767423A (zh) * | 2018-12-11 | 2019-05-17 | 西南交通大学 | 一种沥青路面图像的裂缝检测方法 |
-
2019
- 2019-06-26 CN CN201910558541.9A patent/CN110175658A/zh active Pending
-
2020
- 2020-06-15 AU AU2020101011A patent/AU2020101011A4/en not_active Ceased
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
CN109767423A (zh) * | 2018-12-11 | 2019-05-17 | 西南交通大学 | 一种沥青路面图像的裂缝检测方法 |
CN109671064A (zh) * | 2018-12-14 | 2019-04-23 | 大连理工大学 | 一种工业零部件表面裂纹的多目标检测方法 |
Non-Patent Citations (4)
Title |
---|
CHAOBO ZHANG ET AL: ""Bridge Damage Detection using a Single-Stage Detector and Field Inspection Images"", 《ARXIV》 * |
JOSEPH REDMON ET AL: ""YOLOv3: An Incremental Improvement"", 《ARXIV》 * |
于科伟: ""基于卷积神经网络的工件缺陷检测研究"", 《信息与电脑》 * |
李云鹏 等: ""基于YOLOv3的自动驾驶中运动目标检测"", 《计算机工程与设计》 * |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503098A (zh) * | 2019-08-29 | 2019-11-26 | 西安电子科技大学 | 一种快速实时性轻量级的目标检测方法及设备 |
CN110826555A (zh) * | 2019-10-12 | 2020-02-21 | 天津大学 | 一种人机协同的图像目标检测数据半自动标注方法 |
CN110992307A (zh) * | 2019-11-04 | 2020-04-10 | 华北电力大学(保定) | 基于yolo的绝缘子定位识别方法及装置 |
CN110826636A (zh) * | 2019-11-12 | 2020-02-21 | 吉林省民航机场集团公司 | 航空器异常检测***及其异常检测方法 |
CN111210408A (zh) * | 2019-12-30 | 2020-05-29 | 南京航空航天大学 | 一种基于射线图像的复合材料缺陷识别方法 |
CN111241343A (zh) * | 2020-01-07 | 2020-06-05 | 西安电子科技大学 | 一种道路信息监控与分析检测方法、智慧交通控制*** |
CN111222474A (zh) * | 2020-01-09 | 2020-06-02 | 电子科技大学 | 一种任意尺度的高分辨率图像小目标检测方法 |
CN111222474B (zh) * | 2020-01-09 | 2022-11-04 | 电子科技大学 | 一种任意尺度的高分辨率图像小目标检测方法 |
CN111325738A (zh) * | 2020-02-28 | 2020-06-23 | 湖北工业大学 | 一种用于横穿孔周边裂纹的智能检测方法及*** |
CN111553949A (zh) * | 2020-04-30 | 2020-08-18 | 张辉 | 基于单帧rgb-d图像深度学习对不规则工件的定位抓取方法 |
CN111861982B (zh) * | 2020-06-07 | 2024-03-12 | 中国葛洲坝集团第一工程有限公司 | 可视化图像监测识别*** |
CN111861982A (zh) * | 2020-06-07 | 2020-10-30 | 中国葛洲坝集团第一工程有限公司 | 可视化图像监测识别*** |
CN111815573B (zh) * | 2020-06-17 | 2021-11-02 | 科大智能物联技术股份有限公司 | 一种基于深度学习的接箍外壁检测方法及*** |
CN111815573A (zh) * | 2020-06-17 | 2020-10-23 | 科大智能物联技术有限公司 | 一种基于深度学习的接箍外壁检测方法及*** |
CN112215824A (zh) * | 2020-10-16 | 2021-01-12 | 南通大学 | 基于YOLO-v3的布面疵点检测及辅助装置与方法 |
CN112419244A (zh) * | 2020-11-11 | 2021-02-26 | 浙江大学 | 基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法及装置 |
CN112419244B (zh) * | 2020-11-11 | 2022-11-01 | 浙江大学 | 混凝土裂缝分割方法及装置 |
CN112508030A (zh) * | 2020-12-18 | 2021-03-16 | 山西省信息产业技术研究院有限公司 | 一种基于双深度学习模型的隧道裂缝检测及测量方法 |
CN112712076A (zh) * | 2020-12-29 | 2021-04-27 | 中信重工开诚智能装备有限公司 | 一种基于无标牌定位的视觉定位装置及方法 |
CN112767357A (zh) * | 2021-01-20 | 2021-05-07 | 沈阳建筑大学 | 一种基于Yolov4的混凝土结构病害检测方法 |
CN112785574A (zh) * | 2021-01-25 | 2021-05-11 | 金陵科技学院 | 一种基于改进YOLOv3的围巾花纹缺陷检测方法 |
CN112785574B (zh) * | 2021-01-25 | 2023-06-06 | 金陵科技学院 | 一种基于改进YOLOv3的围巾花纹缺陷检测方法 |
US20220276207A1 (en) * | 2021-03-01 | 2022-09-01 | Ecole De Technologie Superieure | Ultrasonic testing for defect detection |
CN113033390A (zh) * | 2021-03-23 | 2021-06-25 | 中国科学院空天信息创新研究院 | 一种基于深度学习的大坝遥感智能检测方法 |
CN113033390B (zh) * | 2021-03-23 | 2022-12-13 | 中国科学院空天信息创新研究院 | 一种基于深度学习的大坝遥感智能检测方法 |
CN112926584B (zh) * | 2021-05-11 | 2021-08-06 | 武汉珈鹰智能科技有限公司 | 裂缝检测方法、装置、计算机设备及存储介质 |
CN112926584A (zh) * | 2021-05-11 | 2021-06-08 | 武汉珈鹰智能科技有限公司 | 裂缝检测方法、装置、计算机设备及存储介质 |
CN113689380A (zh) * | 2021-07-20 | 2021-11-23 | 中国铁路设计集团有限公司 | 基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法 |
CN113689380B (zh) * | 2021-07-20 | 2023-05-16 | 中国铁路设计集团有限公司 | 基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法 |
CN113838078A (zh) * | 2021-09-06 | 2021-12-24 | 中国矿业大学(北京) | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 |
CN113838078B (zh) * | 2021-09-06 | 2023-06-30 | 中国矿业大学(北京) | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 |
CN113917562A (zh) * | 2021-09-27 | 2022-01-11 | 中国科学院武汉岩土力学研究所 | 深埋软弱夹层宏细观结构表征及三维空间构造方法及装置 |
CN113917562B (zh) * | 2021-09-27 | 2023-02-28 | 中国科学院武汉岩土力学研究所 | 深埋软弱夹层宏细观结构表征及三维空间构造方法及装置 |
CN113863400A (zh) * | 2021-12-02 | 2021-12-31 | 中建安装集团有限公司 | 一种水泥土复合桩变形检测***及检测方法 |
CN114418911A (zh) * | 2021-12-27 | 2022-04-29 | 北京师范大学 | 一种对遥感影像统计回归降尺度并提高水体清晰度的方法 |
CN115908411A (zh) * | 2023-01-06 | 2023-04-04 | 山东水利建设集团有限公司 | 基于视觉检测的混凝土养护质量分析方法 |
CN117011295A (zh) * | 2023-10-07 | 2023-11-07 | 西南科技大学 | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 |
CN117011295B (zh) * | 2023-10-07 | 2024-01-23 | 西南科技大学 | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 |
CN117876334A (zh) * | 2024-01-12 | 2024-04-12 | 黑龙江大学 | 基于动态蛇形卷积的智能驾驶道路裂缝检测方法 |
CN117876334B (zh) * | 2024-01-12 | 2024-07-09 | 黑龙江大学 | 基于动态蛇形卷积的智能驾驶道路裂缝检测方法 |
Also Published As
Publication number | Publication date |
---|---|
AU2020101011A4 (en) | 2020-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175658A (zh) | 一种基于YOLOv3深度学习的混凝土裂缝识别方法 | |
Peng et al. | A UAV-based machine vision method for bridge crack recognition and width quantification through hybrid feature learning | |
CN111476781B (zh) | 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 | |
Xu et al. | Automatic defect detection and segmentation of tunnel surface using modified Mask R-CNN | |
Wei et al. | Instance-level recognition and quantification for concrete surface bughole based on deep learning | |
CN104483330B (zh) | 混凝土表面裂缝实时监测***与开裂风险的动态评估方法 | |
CN113516660B (zh) | 适用于列车的视觉定位与缺陷检测方法和装置 | |
CN110378252A (zh) | 一种基于深度迁移学习的混凝土裂缝识别方法 | |
CN110246130B (zh) | 基于红外和可见光图像数据融合的机场道面裂缝检测方法 | |
CN111784657A (zh) | 一种基于数字图像的水泥路面病害自动识别的***及方法 | |
CN112700444B (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
CN109035232A (zh) | 一种基于深度学习和机器视觉融合的夹片缺陷检测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
Li et al. | A deep learning-based fine crack segmentation network on full-scale steel bridge images with complicated backgrounds | |
CN109993742B (zh) | 基于对角导数算子的桥梁裂缝快速识别方法 | |
CN108571928A (zh) | 一种基于机器视觉的夹片锚具尺寸缺陷检测方法 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及*** | |
Tayo et al. | Portable crack width calculation of concrete road pavement using machine vision | |
Bruno et al. | Decay detection in historic buildings through image-based deep learning | |
CN117610375A (zh) | 基于机器视觉的桥梁悬浇施工数字孪生方法、装置和设备 | |
Pang et al. | Multi-Scale Feature Fusion Model for Bridge Appearance Defect Detection | |
Kang et al. | Development of a Model for Recognizing Cracks on Concrete Surfaces Using Digital Image Processing Techniques | |
Lin et al. | Accurate measurement of bridge vibration displacement via deep convolutional neural network | |
Shin et al. | Defect-detection model for underground parking lots using image object-detection method | |
CN116664846A (zh) | 基于语义分割实现3d打印桥面施工质量监测方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |