CN111860106A - 一种无监督的桥梁裂缝识别方法 - Google Patents
一种无监督的桥梁裂缝识别方法 Download PDFInfo
- Publication number
- CN111860106A CN111860106A CN202010464928.0A CN202010464928A CN111860106A CN 111860106 A CN111860106 A CN 111860106A CN 202010464928 A CN202010464928 A CN 202010464928A CN 111860106 A CN111860106 A CN 111860106A
- Authority
- CN
- China
- Prior art keywords
- data set
- bridge
- crack
- data
- unsupervised
- 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 48
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000002372 labelling Methods 0.000 abstract description 6
- 238000003064 k means clustering Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种无监督的桥梁裂缝识别方法,该方法首先利用无人机等收集混凝土裂缝图片,包括裂缝图片与正常图片;利用K‑Means聚类方法对数据集进行聚类,按照聚类后的结果对裂缝进行标签标记;按照8:1:1的比例将数据集划分为训练集、验证集和测试集;运用图像增强方法,增加数据集的数量;建立深度学习分类网络,进行训练,得到训练模型;利用训练好的模型进行混凝土裂缝自动识别。本发明效率高,成本低,相对于传统的人工标记标签训练法,更具有明显的自动化和高效性。
Description
技术领域
本发明涉及土木工程与人工智能交互技术,具体涉及一种无监督的桥梁裂缝识别方法。
背景技术
在建筑、桥梁、道路和隧道等工程结构的建设中,混凝土的用量占比最高。裂缝作为混凝土结构的主要病害之一,不仅会影响美观,也会影响结构的耐久性和承载能力。对混凝土结构进行定时巡检,能够及时发现裂缝,能够尽早的防范并进行养护,能够提高混凝土结构的服役寿命。传统的检测混凝土结构裂缝的方法多采用人工巡检的方法,耗时费力,主观性强,检测精度。基于深度学习的混凝土裂缝识别方法成为当下热点,但是深度学习方法是一种有监督的方法,需要人工事先给每张图片打上标签,对于庞大的数据集可能会效率较低。
常用的传统数字图像处理方法包括边缘检测、阈值法、光谱分析法等,这些方法仅对特定情况下的数据集有效,在实际环境中,裂缝的检测易受环境因素干扰,从而使得传统的方法检测误差大,模型泛化能力低。深度学习是近几年新兴的计算机视觉技术,一些学者提出采用通道间注意力机制对多尺度特征图进行赋权的方法对裂缝图像进行了分类,并基于无人机进行桥梁裂缝的检测,提出了新的基于CNN的桥梁裂缝分类算法和目标检测算法,利用检测结果快速定位后再利用传统图像处理算法得到桥梁裂缝特征具体数值。这些方法需要事先对图片的类别进行标注,还是需要人工的介入。因此,提出一种完全的无监督裂缝识别方法,只要获取到数据集,无需对图片进行人工打标签,而是直接裂缝自动标注,在利用深度学习的方法对数据集进行训练,对于实现裂缝完全自动化检测乃至其他桥梁缺陷病害的自动化检测具有重要的意义。
发明内容
发明目的:针对现有技术对于桥梁裂纹识别的人工标记标签训练法等带来的繁琐问题,本发明提供一种无监督的桥梁裂缝识别方法。
技术方案:本发明所述的一种无监督的桥梁裂缝识别方法,包括以下步骤:
(1)获取桥梁混凝土表征图片,包括正常图片和损伤图片,构成数据集,并通过K-Means方法对样本数据集进行聚类并做降维处理,根据聚类后的结果对数据集进行裂缝或正常标注;
(2)将比例将数据集划分为训练测试集、验证集和测试集,并利用数据增强的方式对数据集进行扩充;
(3)建立具有自动识别裂缝的卷积神经网络模型,对步骤(2)中得到的数据集进行训练,并保存训练好的深度学习分类网络模型与参数,所述的深度学习分类网络模型包括ResNet网络和ResNeXt网络,并将桥梁的裂缝图像转化为二分类问题,所述二分类问题的交叉熵损失函数如下:
式中:LBCE为二分类的交叉熵损失;N为图像数目;yi为第i个图像的标签值;Pi为第i个图像的预测概率值;
(4)对桥梁进行巡检并获取表面图片,步骤(3)得到的深度学习分类网络模型动识别桥梁混凝土出现裂缝的损伤图片。
进一步的,步骤(1)所述的K-Means方法选用PCA作为降维方法,欧式距离作为度量方法,初始k值取2。具体包括如下步骤:
(11)对于n张图片的数据集,每张图片的尺寸大小为h×w,将图片按照行展开为h×w维向量xi,(i=1,2,3...,n),则整个数据集表示为:
X={x1,x2,...,xn}
(12)对数据集进行去中心化,即每一维特征减去各自的均值,如下式所示;计算协方矩阵cov,如下式所示:
(13)利用矩阵特征值分解方法求协方差矩阵的特征值于特征向量,对特征值从大到小排序,选取其中最大的k个,然后将其对应的k个特征向量分别作为行向量组成特征向量矩阵P,将该矩阵P于与原始数据集相乘,便可得到降维后的数据集:然后利用K-Means算法对降维以后的数据集进行聚类分析,从数据集中随机选择k=2个数据点xi和xj作为初始聚类的中心,后对每一个数据点xk(k≠i,k≠j),计算其于初始中心的距离,选取与之距离最近的点作为自己的类别,当所有数据点归类完毕后,重新计算中心,将中心点设置为该类别中所有数据点的中心位置,重复上述步骤,直至数据点的类别不再发生改变,这样就可以给数据集中的每一张图片自动打上标签(裂缝/正常),所述的特征值表示如下:
聚类表达式如下:
Y=PX。
进一步地,步骤(2)所述训练测试集、验证集和测试集的比例为8:1:1。
进一步地,步骤(2)所述的数据增强方法包括随机翻转、随机缩放、随机裁剪、随机亮度和对比度。
进一步地,步骤(3)所述的深度学习分类网络模型,主要是ResNet网络和ResNeXt网络,一个ResNet块,定义为:
y=F(x)+x
式中:x和y是层的输入和输出向量。函数F表示待学习的残差映射,上式可以在普通网络中通过快捷连接来实现,既不增加额外的参数,也不增加计算复杂度。
同时,采用ResNet中使用的重复层策略和Inceptions中使用的***-转换-合并策略。一个ResNeXt定义为:
F(x)替换为Ti(x),它表示聚合的转换。这里x和y仍然是层的输入和输出向量。C被称为基数,所有Ti都具有相同的拓扑。损失函数是卷积神经网络优化的目标函数,交叉熵损失作为最常用的损失函数,可以用来衡量样本数据的真实分布与预测分布之间的距离,其本质是最大化对数似然函数,本发明的裂缝图像的分类是二分类问题,二分类问题的交叉熵损失函数如下:
式中:LBCE为二分类的交叉熵损失;N为图像数目;yi为第i个图像的标签值;Pi为第i个图像的预测概率值。
进一步地,步骤(4)所述的在现场利用无人机对桥梁进行巡检得到图片,利用步骤(3)得到的具有自动识别裂缝的卷积神经网络模型,去自动识别步骤(4)得到的图片中是否为裂缝图片。
有益效果:相对于传统的人工检测方法和现有的自动化方法如水下机器人、声呐成像等技术,本发明所述方法效率高,成本低,自动化程度高,实时识别,更加简洁有效,大大提高了其图片识别的准确率和自动化程度。
附图说明
图1为本发明的流程图;
图2为本发明使用的网络参数图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1和图2所示,一种无监督的桥梁裂缝识别方法,包括以下步骤:
1、利用无人机获取桥梁混凝土裂缝以及正常图片,形成数据集;并对数据进行归一化计算,参数为[0.485,0.456,0.406],[0.229,0.224,0.225],图片大小为1200x1200像素大小。
2、利用K-Means方法对数据集进行聚类分析,根据聚类后的结果对数据集进行标注,即裂缝/正常;
3、将数据集划分为训练测试集、验证集和测试集;
4、利用数据增强的方法对数据集进行扩充,选择了水平翻转、垂直翻转、旋转90°、180°、270°方式进行数据扩增;
5、建立深度学习分类网络模型,对步骤(4)中得到的数据集进行训练,并保存训练好的模型与参数;训练的初始学习率设置为0.01,在第50个轮回的迭代之后降到0.001,在第100个轮回的迭代之后降到0.0001。优化函数采用的是Adam,利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。
6、在现场利用无人机对桥梁进行巡检得到图片;利用步骤(5)得到的具有自动识别裂缝的卷积神经网络模型,去自动识别步骤(6)得到的图片中是否为裂缝图片。
本发明所提供的一种无监督的桥梁裂缝识别方法,利用首先利用无人机等收集混凝土裂缝图片,包括裂缝图片与正常图片;利然后用K-Means聚类方法对数据集进行聚类,按照聚类后的结果对裂缝进行标签标记;按照8:1:1的比例将数据集划分为训练集、验证集和测试集;运用图像增强方法,增加数据集的数量;建立深度学习分类网络,进行训练,得到训练模型;利用训练好的模型进行混凝土裂缝自动识别。其中的数据集主要包含水下桥墩声呐成像图片数据集,包括缺损、裂缝、露筋等病害图片以及正常状况下的图片。训练所需的实验室设备条件主要包括:GTX 1080Ti显卡,Windows***,Python编程语言,Pytorch深度学习框架。实施本发明效率高,成本低,相对于传统的人工标记标签训练法,更具有明显的自动化和高效性。
Claims (5)
1.一种无监督的桥梁裂缝识别方法,其特征在于,包括以下步骤:
(1)获取桥梁混凝土表征图片,包括正常图片和损伤图片,构成数据集,并通过K-Means方法对样本数据集进行聚类并做降维处理,根据聚类后的结果对数据集进行裂缝或正常标注;
(2)将比例将数据集划分为训练测试集、验证集和测试集,并利用数据增强的方式对数据集进行扩充;
(3)建立具有自动识别裂缝的卷积神经网络模型,对步骤(2)中得到的数据集进行训练,并保存训练好的深度学习分类网络模型与参数,所述的深度学习分类网络模型包括ResNet网络和ResNeXt网络,并将桥梁的裂缝图像转化为二分类问题,所述二分类问题的交叉熵损失函数如下:
式中:LBCE为二分类的交叉熵损失;N为图像数目;yi为第i个图像的标签值;Pi为第i个图像的预测概率值;
(4)对桥梁进行巡检并获取表面图片,步骤(3)得到的深度学习分类网络模型动识别桥梁混凝土出现裂缝的损伤图片。
2.根据权利要求1所述的无监督的桥梁裂缝识别方法,其特征在于,步骤(1)通过PCA做降维处理,采用欧式距离作为度量方法,初始k值取2,具体如下:
(11)对于n张图片的数据集,每张图片的尺寸大小为h×w,将图片按照行展开为h×w维向量xi,(i=1,2,3...,n),整个数据集表示为:
X={x1,x2,...,xn};
(12)对数据集进行去中心化,即每一维特征减去各自的均值,如下式所示;计算协方矩阵cov,如下式所示:
(13)利用矩阵特征值分解方法求协方差矩阵的特征值与特征向量,对特征值从大到小排序,选取其中最大的k个,然后将其对应的k个特征向量分别作为行向量组成特征向量矩阵P,将该矩阵P于与原始数据集相乘,便可得到降维后的数据集,所述的特征值表示如下:
(14)然后利用K-Means算法对降维以后的数据集进行聚类,从数据集中随机选择k=2个数据点xi和xj作为初始聚类的中心,后对每一个数据点xk(k≠i,k≠j),计算其于初始中心的距离,选取与之距离最近的点作为自己的类别,当所有数据点归类完毕后,重新计算中心,将中心点设置为该类别中所有数据点的中心位置,重复上述步骤,直至数据点的类别不再发生改变,以此给数据集中的每一张图片自动打上标签,聚类的表示公式如下所示:
Y=PX。
3.根据权利要求1所述的无监督的桥梁裂缝识别方法,其特征在于,步骤(2)所述的训练测试集、验证集和测试集的比例为8:1:1。
4.根据权利要求1所述的无监督的桥梁裂缝识别方法,其特征在于,步骤(2)所述的数据增强方式包括随机翻转、随机缩放、随机裁剪、随机亮度和对比度,扩充方式包括按照比例划分后分别对应扩充或扩充后混合按照比例重新划分训练测试集、验证集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464928.0A CN111860106B (zh) | 2020-05-28 | 2020-05-28 | 一种无监督的桥梁裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464928.0A CN111860106B (zh) | 2020-05-28 | 2020-05-28 | 一种无监督的桥梁裂缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860106A true CN111860106A (zh) | 2020-10-30 |
CN111860106B CN111860106B (zh) | 2023-12-08 |
Family
ID=72985809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010464928.0A Active CN111860106B (zh) | 2020-05-28 | 2020-05-28 | 一种无监督的桥梁裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860106B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112362756A (zh) * | 2020-11-24 | 2021-02-12 | 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*** |
CN112381060A (zh) * | 2020-12-04 | 2021-02-19 | 哈尔滨工业大学 | 一种基于深度学习的建筑物地震破坏等级分类方法 |
CN112734739A (zh) * | 2021-01-18 | 2021-04-30 | 福州大学 | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 |
CN114120150A (zh) * | 2021-11-10 | 2022-03-01 | 吉林省春城热力股份有限公司 | 一种基于无人机成像技术的道路目标检测方法 |
CN116091582A (zh) * | 2023-03-16 | 2023-05-09 | 北京科技大学 | 一种基于无人机大场景图像的桥梁裂缝辩识方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506787A (zh) * | 2017-07-27 | 2017-12-22 | 陕西师范大学 | 一种基于迁移自学习的混凝土桥梁裂缝分类方法 |
WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及*** |
EP3553743A2 (en) * | 2018-04-11 | 2019-10-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
-
2020
- 2020-05-28 CN CN202010464928.0A patent/CN111860106B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506787A (zh) * | 2017-07-27 | 2017-12-22 | 陕西师范大学 | 一种基于迁移自学习的混凝土桥梁裂缝分类方法 |
WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及*** |
EP3553743A2 (en) * | 2018-04-11 | 2019-10-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
李清奇;: "一种基于自编码的混凝土裂纹识别方法", 北京交通大学学报, no. 02 * |
韩晓健;赵志成;沈泽江;: "卷积神经网络在桥梁结构表面病害检测中的应用研究", 结构工程师, no. 02 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112362756A (zh) * | 2020-11-24 | 2021-02-12 | 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*** |
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*** |
CN112381060A (zh) * | 2020-12-04 | 2021-02-19 | 哈尔滨工业大学 | 一种基于深度学习的建筑物地震破坏等级分类方法 |
CN112734739A (zh) * | 2021-01-18 | 2021-04-30 | 福州大学 | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 |
CN112734739B (zh) * | 2021-01-18 | 2022-07-08 | 福州大学 | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 |
CN114120150A (zh) * | 2021-11-10 | 2022-03-01 | 吉林省春城热力股份有限公司 | 一种基于无人机成像技术的道路目标检测方法 |
CN114120150B (zh) * | 2021-11-10 | 2024-07-16 | 吉林省春城热力股份有限公司 | 一种基于无人机成像技术的道路目标检测方法 |
CN116091582A (zh) * | 2023-03-16 | 2023-05-09 | 北京科技大学 | 一种基于无人机大场景图像的桥梁裂缝辩识方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111860106B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
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 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN111368886B (zh) | 一种基于样本筛选的无标注车辆图片分类方法 | |
EP3690714A1 (en) | Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same | |
CN107133569B (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及*** | |
CN110021425B (zh) | 一种比较检测器及其构建方法与***细胞检测方法 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及*** | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及*** | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
Savino et al. | Automated classification of civil structure defects based on convolutional neural network | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN107392237A (zh) | 一种基于迁移视觉信息的交叉域地基云图分类方法 | |
CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN113139594A (zh) | 一种机载图像无人机目标自适应检测方法 | |
CN116977710A (zh) | 一种遥感图像长尾分布目标半监督检测方法 | |
CN116596875A (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN115457044A (zh) | 基于类激活映射的路面裂缝分割方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
Yu | YOLO V5s-based deep learning approach for concrete cracks detection | |
CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 | |
CN116912240B (zh) | 基于半监督学习的突变tp53免疫学检测方法 | |
CN117611901A (zh) | 一种基于全局和局部对比学习的小样本图像分类方法 |
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 |