CN111721770A - 一种基于分频卷积的自动化裂缝检测方法 - Google Patents
一种基于分频卷积的自动化裂缝检测方法 Download PDFInfo
- Publication number
- CN111721770A CN111721770A CN202010540557.XA CN202010540557A CN111721770A CN 111721770 A CN111721770 A CN 111721770A CN 202010540557 A CN202010540557 A CN 202010540557A CN 111721770 A CN111721770 A CN 111721770A
- Authority
- CN
- China
- Prior art keywords
- convolution
- neural network
- frequency
- deep
- training
- 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 22
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000017105 transposition Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- 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
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于分频卷积的自动化裂缝检测方法,所述方法包括:用相机拍摄道路图像,创建道路裂缝图像的训练集和测试集;创建包含分频卷积、分频转置卷积、空洞卷积模块和跳跃连接结构的深度卷积神经网络;利用创建好的训练集训练深度卷积神经网络;利用测试集对训练好的深度卷积神经网络模型测试,并输出裂缝图像。本发明方法具有检测过程简单,检测效率高,劳动强度低,便于携带,可操作性强等优点。
Description
技术领域
本发明涉及结构健康检测与评估领域,尤其是涉及一种基于分频卷积的自动化裂缝检测方法。
背景技术
随着中国经济的快速发展,中国公路网的普及和建设得到了迅速发展,路面的完好率和平整度是确保行车车辆在高速路上行驶的重要因素。裂缝是道路受损的重要标志,如果路面出现凹凸不平和裂缝等情况,会严重影响道路的寿命以及驾驶人的安全,需要定期的对其健康状况做出评估,因此对道路和桥梁裂缝进行检测有着至关重要的作用。
目前,道路桥梁的裂缝检测方法主要是基于传统的图像处理算法和人眼识别。单单依靠人眼进行裂缝检测与识别,效率不高。采用图像处理方法,主要是针对同一材质和纹理背景图像进行裂缝检测,无法对彩色图像直接进行裂缝检测。基于深度学习框架的道路裂缝检测可以实现对彩色图像的裂缝检测处理,可以实现端到端的图像处理,无需卷积神经网路的滑块处理。因此,基于深度学习框架的道路裂缝检测方法,可以实现道路裂缝的自动化检测。因此,如何提高路面裂缝检测的监测效率和效果,是路面裂缝检测领域需要攻克的技术难题。
发明内容
基于此,本发明的目的是提供一种基于分频卷积的自动化裂缝检测方法。该方法可解决人眼观察和图像处理裂缝检测中定位精度不高,误差大等问题。
为了解决上述现有技术问题,本发明实施例提供了一种基于分频卷积的自动化裂缝检测方法,该方法具体包括以下步骤:
S1、用相机拍摄道路图像,创建道路裂缝图像的训练集和测试集;
S2、创建包含分频卷积、分频转置卷积、空洞卷积模块和跳跃连接结构的深度卷积神经网络;
S3、利用创建好的训练集训练深度卷积神经网络;
S4、利用测试集对训练好的深度卷积神经网络模型测试,并输出裂缝图像。
进一步地,所述步骤S1具体包括:
S11、利用自己所有的智能终端拍摄裂缝图像,或者利用公共的裂缝图像数据集CFD和AigleRN以及其它的裂缝图像数据集,将裂缝图像分为训练集和测试集;
S12、将所采集到的不同结构表面裂缝图像,构建裂缝图像数据库,对构建的裂缝图像库进行数据增强,扩充数据集,将扩充后的裂缝图像库中的裂缝图像的裂缝区域实施人工标签标注,然后将裂缝图像库中的图像分为训练集和测试集。
更进一步地,所述步骤S2具体包括:
S21、搭建深度神经网络结构模型:确定所述深度卷积神经网络卷中编码器和解码器层数,以及每个分频卷积层中高频率和低频率中所含有的特征图的数量、池化层的层数、池化层中采样核的大小和训练步长、分频转置卷积层的层数和每个反卷积层中高频率和低频率中所含有的特征图数量,跳跃连接的连接方式以及空洞卷积模块中空洞比率的大小;
S22、选择深度神经网络的训练策略:所述深度神经网络训练中代价函数的选择为交叉熵损失函数、以及激活函数的Relu,同时,在损失代价函数中加入权值衰减正则化项,在卷积层中加入dropout来减少过拟合,所述深度神经网络中训练使用优化算法SGD;
S23、所述的搭建分频卷积层X={XH,XL}和Y={YH,YL}表示输入和输出,其中YL=YH →L+YL→L,和YH=YH→H+YL→H表示输出频率的变化,
WH=[WH→H,WL→H],WL=[WH→L,WL→L]表示卷积核频率的变化,分频卷积操作中高低频率的变化用下面公式表示:
其中(p,q)表示像素点位置,k表示卷积核大小,σ(·)表示激活函数,b表示偏值变化,XH,XL分别表示输入特征图的高频率和低频率特征图,YH,YL分别表示输出特征图的高频率和低频率特征图,H→L表示特征图由高频率转换到低频率,L→H表示特征图由低频率转换到高频率,H→H表示特征图由高频率转换到高频率,L→L表示特征图由低频率转换到低频率,m和n用于决定以(p,q)为像素中心点的局部感受野在输入X上的范围;
S24、所述的搭建分频转置卷积层X={XH,XL}和表示输入和输出,其中和表示分频转置输出的变化,WH=[WH→H,WL→H],WL=[WH→L,WL→L]表示卷积高低频率的变化,分频转置卷积操作中高低频率的变化用下面公式表示:
S25、所述深度卷积神经网络中编码器与解码器通过跳跃连接实现连接;
S26、所述深度卷积神经网络中,输入图像与编码器部分,以及各个编码器之间通过跳跃连接来实现连接,可以实现图像信息的传递;
S27、所述深度卷积神经网络中空洞卷积模块中,其输入是编码器最后一层卷积层中特征图的输出,空洞卷积模块是由不同空洞率的卷积层组成的,其输出是通过不同空洞率卷积得到的特征图叠加融合得到的;
S28、所述深度卷积神经网络中使用深度学习库包:Caffe、Tensorflow、PyTorch实现以上所述深度神经网络结构,根据划分好的训练集和测试集进行模型训练,通过不断地降低损失函数的函数值来学习深度神经网络的参数,确定深度神经网络模型中的参数值。
更进一步地,所述步骤S3具体包括:
S31、根据所述步骤S21、S22、S23、S24、S25、S26、S27和S28,利用训练集训练深度卷积神经网络,通过后向传播不断优化神经网络的参数,降低损失函数的值,使网络达到最优,实现端到端训练。
更进一步地,所述步骤S4具体包括:
S41、根据所述步骤S31,利用测试集对训练好的的神经网络模型进行测试;
S42、对神经网络模型的输出值进行归一化,输出裂缝图像的概率图。
附图说明
图1是本发明一种基于空洞卷积的自动化裂缝检测方法的流程图;
图2是本发明一实施例的深度卷积神经网络模型流程图;
图3是本发明一实施例的分频卷积模型流程图;
图4是本发明一实施例的分频转置卷积模型流程图;
图5是本发明一实施例的空洞卷积模块流程图;
图6是本发明一实施例的深度卷积神经网络输出结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
本发明实施例的实验环境为某实验楼、墙壁以及某条公路中的路面,均为室外环境。在本实施例中,裂缝图像的选取为室外环境的公开区域。
本实施例中使用含有Nvidia显卡的PC。所采用的实施方法为Ubuntu方法,并搭建Tensorflow方法平台,采用Tensorflow中的开源软件库。
请参阅图1,本发明实施例提供的一种基于空洞卷积的自动化裂缝检测方法,包括如下步骤:
S1、用相机拍摄道路图像,创建道路裂缝图像的训练集和测试集。
本发明实例中采用公共的数据集CFD,此公共的数据集含有118张原始彩色图像和118张标签数据图像,将数据集划分为训练集合测试集,其中训练集中,每份含有100张原始彩色图像和相对应的100张标签数据图像,测试集中含有18张原始彩色图像和相对应的18张标签数据图像。
同时,为了扩充图像数据量,对CFD数据集中的裂缝图像进行数据增强,本发明实例中对已分好的每份数据中的原始彩色图像和标签数据图像进行旋转、剪切来增加裂缝图像的数量。
S2、创建包含编码器、解码器、空洞卷积模块和跳跃连接结构的深度卷积神经网络。
本发明实施例中所采用的深度卷积神经网络模型基础为U-net模型,对此网络模型进行改进。本发明实施例所使用的深度卷积神经网络模型流程图请参阅图2。
该深度神经网络大模型结构建立包括确定所述深度卷积神经网络卷中编码器和解码器层数,以及每个分频卷积层中高频率和低频率中所含有的特征图的数量、池化层的层数、池化层中采样核的大小和训练步长、分频转置卷积层的层数和每个反卷积层中高频率和低频率中所含有的特征图数量,跳跃连接的连接方式以及空洞卷积模块中空洞比率的大小。
选择深度神经网络的训练策略:所述深度神经网络训练中代价函数的选择为交叉熵损失函数、以及激活函数的Relu,同时,在损失代价函数中加入权值衰减正则化项,在卷积层中加入dropout来减少过拟合,所述深度神经网络中训练使用优化算法SGD。
本发明实施例所搭建分频卷积层(如图3)X={XH,XL}和Y={YH,YL}表示输入和输出,其中YL=YH→L+YL→L,和YH=YH→H+YL→H表示输出频率的变化,
WH=[WH→H,WL→H],WL=[WH→L,WL→L]表示卷积核频率的变化,分频卷积操作中高低频率的变化用下面公式表示:
其中(p,q)表示像素点位置,k表示卷积核大小,σ(·)表示激活函数,b表示偏值变化,XH,XL分别表示输入特征图的高频率和低频率特征图,YH,YL分别表示输出特征图的高频率和低频率特征图,H→L表示特征图由高频率转换到低频率,L→H表示特征图由低频率转换到高频率,H→H表示特征图由高频率转换到高频率,L→L表示特征图由低频率转换到低频率,m和n用于决定以(p,q)为像素中心点的局部感受野在输入X上的范围;
本发明实施例所述的搭建分频转置卷积层(如图4)X={XH,XL}和表示输入和输出,其中和表示分频转置输出的变化,WH=[WH→H,WL→H],WL=[WH→L,WL→L]表示卷积高低频率的变化,分频转置卷积操作中高低频率的变化用下面公式表示:
本发明实施例中深度神经网络大模型中的卷积层所采用的激活函数为ReLU,最后一层输出中采用sigmoid激活函数来输出logit,本发明实施例使用的损失函数公式为:
本发明实施例中深度卷积神经网络中U-net结构中的编码器部分与解码器部分通过条约来接实现相连,该跳跃连接功能可以实现将图像的质地信息传送给解码器,避免了因池化层或者下采样导致图像特征丢失。
同时,深度卷积神经网络中,输入图像与编码器部分,以及各个编码器之间通过跳跃连接来实现连接,可以实现图像信息的传递,这样可以保证输入图像在经过一系列卷积和池化后,通过来自跳跃连接输入仍然能保持输入图像原有的特征信息,避免图像质地信息的丢失。
本发明实例中所使用的深度神经网络的深度学习库为TensorFlow,利用该深度学习库,根据划分好的训练集和验证集来进行交叉验证,通过不断的减少损失函数来学习深度神经网络的参数,确定深度神经网络大模型中参数的值。
在本发明深度卷积神经网络中空洞卷积模块中(如图5),期输入是编码器最后一层卷积层中特征图的输出,空洞卷积模块输出是通过不同空洞率卷积得到的特征图叠加融合得到的。
深度卷积神经网络中使用深度学习的库包括Caffe、Tensorflow实现以上所述深度神经网络结构,根据划分好的训练集和验证集进行模型训练,通过不断地降低损失函数的函数值来学习深度神经网络的参数,确定深度神经网络模型中的参数值。
S3、利用创建好的训练集训练深度卷积神经网络。
利用训练集训练深度卷积神经网络,通过后向传播不断优化神经网络的参数,降低损失函数的值,使网络达到最优,实现端到端训练。
S4、利用测试集对训练好的深度卷积神经网络模型测试,并输出裂缝图像。
利用测试集对训练好的的神经网络模型进行测试,然后对神经网络模型的输出值进行归一化,输出裂缝图像的概率图,请参阅图6,从左到右依次为:真实图像,标签,预测结果。
以上该实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于分频卷积的自动化裂缝检测方法,其特征在于,所述方法具体包括以下步骤:
S1、用相机拍摄道路图像,创建道路裂缝图像的训练集和测试集;
S2、创建包含分频卷积、分频转置卷积、空洞卷积模块和跳跃连接结构的深度卷积神经网络;
S3、利用创建好的训练集训练深度卷积神经网络;
S4、利用测试集对训练好的深度卷积神经网络模型测试,并输出裂缝图像。
2.根据权利要求1所述的一种基于分频卷积的自动化裂缝检测方法,其特征在于,所述步骤S1具体包括:
S11、利用智能终端拍摄裂缝图像,或者利用公共的裂缝图像数据集CFD和AigleRN,将裂缝图像分为训练集和测试集;
S12、将所采集到的不同结构表面裂缝图像,构建裂缝图像数据库,对构建的裂缝图像库进行数据增强,扩充数据集,将扩充后的裂缝图像库中的裂缝图像的裂缝区域实施人工标签标注,然后将裂缝图像库中的图像分为训练集和测试集。
3.根据权利要求2所述的一种基于分频卷积的自动化裂缝检测方法,其特征在于,所述步骤S2具体包括:
S21、搭建深度神经网络结构模型:确定所述深度卷积神经网络卷中编码器和解码器层数,以及每个分频卷积层中高频率和低频率中所含有的特征图的数量、池化层的层数、池化层中采样核的大小和训练步长、分频转置卷积层的层数和每个反卷积层中高频率和低频率中所含有的特征图数量,跳跃连接的连接方式以及空洞卷积模块中空洞比率的大小;
S22、选择深度神经网络的训练策略:所述深度神经网络训练中代价函数的选择为交叉熵损失函数、以及激活函数的Relu,同时,在损失代价函数中加入权值衰减正则化项,在卷积层中加入dropout来减少过拟合,所述深度神经网络中训练使用优化算法SGD;
S23、所述的搭建分频卷积层X={XH,XL}和Y={YH,YL}表示输入和输出,其中YL=YH→L+YL →L和YH=YH→H+YL→H表示输出频率的变化,WH=[WH→H WL→H],WL=[WH→L,WL→L]表示卷积核频率的变化,分频卷积操作中高低频率的变化用下面公式表示:
其中(p,q)表示像素点位置,k表示卷积核大小,σ(·)表示激活函数,b表示偏值变化,XH,XL分别表示输入特征图的高频率和低频率特征图,YH,YL分别表示输出特征图的高频率和低频率特征图,H→L表示特征图由高频率转换到低频率,L→H表示特征图由低频率转换到高频率,H→H表示特征图由高频率转换到高频率,L→L表示特征图由低频率转换到低频率,m和n用于决定以(p,q)为像素中心点的局部感受野在输入X上的范围;
S24、所述的搭建分频转置卷积层X={XH,XL}和表示输入和输出,其中和表示分频转置输出的变化,WH=[WH→H,WL →H],WL=[WH→L,WL→L]表示卷积高低频率的变化,分频转置卷积操作中高低频率的变化用下面公式表示:
S25、所述深度卷积神经网络中编码器与解码器通过跳跃连接实现连接;
S26、所述深度卷积神经网络中,输入图像与编码器部分,以及各个编码器之间通过跳跃连接来实现连接,可以实现图像信息的传递;
S27、所述深度卷积神经网络中空洞卷积模块中,其输入是编码器最后一层卷积层中特征图的输出,空洞卷积模块是由不同空洞率的卷积层组成的,其输出是通过不同空洞率卷积得到的特征图叠加融合得到的;
S28、所述深度卷积神经网络中使用深度学习库包:Caffe、Tensorflow、PyTorch实现以上所述深度神经网络结构,根据划分好的训练集和测试集进行模型训练,通过不断地降低损失函数的函数值来学习深度神经网络的参数,确定深度神经网络模型中的参数值。
4.根据权利要求3所述的一种基于分频卷积的自动化裂缝检测方法,其特征在于,所述步骤S3具体包括:
S31、根据所述步骤S21、S22、S23、S24、S25、S26、S27和S28,利用训练集训练深度卷积神经网络,通过后向传播不断优化神经网络的参数,降低损失函数的值,使网络达到最优,实现端到端训练。
5.根据权利要求4所述的一种基于分频卷积的自动化裂缝检测方法,其特征在于,所述步骤S4具体包括:
S41、根据所述步骤S31,利用测试集对训练好的的神经网络模型进行测试;
S42、对神经网络模型的输出值进行归一化,输出裂缝图像的概率图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540557.XA CN111721770A (zh) | 2020-06-12 | 2020-06-12 | 一种基于分频卷积的自动化裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540557.XA CN111721770A (zh) | 2020-06-12 | 2020-06-12 | 一种基于分频卷积的自动化裂缝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111721770A true CN111721770A (zh) | 2020-09-29 |
Family
ID=72566787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010540557.XA Pending CN111721770A (zh) | 2020-06-12 | 2020-06-12 | 一种基于分频卷积的自动化裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111721770A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233105A (zh) * | 2020-10-27 | 2021-01-15 | 江苏科博空间信息科技有限公司 | 一种基于改进fcn的道路裂缝检测方法 |
CN113506281A (zh) * | 2021-07-23 | 2021-10-15 | 西北工业大学 | 一种基于深度学习框架的桥梁裂缝检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015047466A2 (en) * | 2013-06-05 | 2015-04-02 | Innersense, Inc. | Bi-phasic applications of real & imaginary separation, and reintegration in the time domain |
CN104574362A (zh) * | 2014-12-01 | 2015-04-29 | 汕头大学 | 一种基于无源视觉***的熔池边缘提取方法 |
CN105844630A (zh) * | 2016-03-21 | 2016-08-10 | 西安电子科技大学 | 一种双目视觉的图像超分辨率融合去噪方法 |
CN110619309A (zh) * | 2019-09-19 | 2019-12-27 | 天津天地基业科技有限公司 | 一种基于八度卷积和YOLOv3的嵌入式平台人脸检测方法 |
CN111179244A (zh) * | 2019-12-25 | 2020-05-19 | 汕头大学 | 一种基于空洞卷积的自动化裂缝检测方法 |
-
2020
- 2020-06-12 CN CN202010540557.XA patent/CN111721770A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015047466A2 (en) * | 2013-06-05 | 2015-04-02 | Innersense, Inc. | Bi-phasic applications of real & imaginary separation, and reintegration in the time domain |
CN104574362A (zh) * | 2014-12-01 | 2015-04-29 | 汕头大学 | 一种基于无源视觉***的熔池边缘提取方法 |
CN105844630A (zh) * | 2016-03-21 | 2016-08-10 | 西安电子科技大学 | 一种双目视觉的图像超分辨率融合去噪方法 |
CN110619309A (zh) * | 2019-09-19 | 2019-12-27 | 天津天地基业科技有限公司 | 一种基于八度卷积和YOLOv3的嵌入式平台人脸检测方法 |
CN111179244A (zh) * | 2019-12-25 | 2020-05-19 | 汕头大学 | 一种基于空洞卷积的自动化裂缝检测方法 |
Non-Patent Citations (1)
Title |
---|
莫嘉杰: "基于分频卷积神经网络的视网膜血管分割", 《万方学位论文》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233105A (zh) * | 2020-10-27 | 2021-01-15 | 江苏科博空间信息科技有限公司 | 一种基于改进fcn的道路裂缝检测方法 |
CN113506281A (zh) * | 2021-07-23 | 2021-10-15 | 西北工业大学 | 一种基于深度学习框架的桥梁裂缝检测方法 |
CN113506281B (zh) * | 2021-07-23 | 2024-02-27 | 西北工业大学 | 一种基于深度学习框架的桥梁裂缝检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179244B (zh) | 一种基于空洞卷积的自动化裂缝检测方法 | |
CN111127449B (zh) | 一种基于编码器-解码器的自动化裂缝检测方法 | |
CN111126258B (zh) | 图像识别方法及相关装置 | |
CN112668494A (zh) | 基于多尺度特征提取的小样本变化检测方法 | |
CN111611861B (zh) | 一种基于多尺度特征关联的图像变化检测方法 | |
CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
CN113283356B (zh) | 多级注意力尺度感知人群计数方法 | |
CN113177560A (zh) | 一种普适性轻量级深度学习车辆检测方法 | |
CN113610144A (zh) | 一种基于多分支局部注意力网络的车辆分类方法 | |
CN111721770A (zh) | 一种基于分频卷积的自动化裂缝检测方法 | |
CN110717886A (zh) | 复杂环境下基于机器视觉的路面坑塘检测方法 | |
CN112733693B (zh) | 一种全局感知高分辨率遥感影像多尺度残差道路提取方法 | |
CN116596151B (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
WO2022100607A1 (zh) | 一种神经网络结构确定方法及其装置 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN111199539A (zh) | 一种基于集成神经网络的裂缝检测方法 | |
CN115578693A (zh) | 一种基于显著性神经网络模型的施工安全预警方法和装置 | |
CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
CN115880557A (zh) | 基于深度学习的路面裂缝提取方法和装置 | |
CN115937693A (zh) | 一种基于遥感图像的道路识别方法及*** | |
CN111079811A (zh) | 一种针对多标签分类数据不均衡问题的采样方法 | |
CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 | |
CN112149496A (zh) | 一种基于卷积神经网络的实时道路场景分割方法 | |
CN111738324A (zh) | 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |