CN115995056A - 一种基于深度学习的桥梁病害自动识别方法 - Google Patents
一种基于深度学习的桥梁病害自动识别方法 Download PDFInfo
- Publication number
- CN115995056A CN115995056A CN202310281075.0A CN202310281075A CN115995056A CN 115995056 A CN115995056 A CN 115995056A CN 202310281075 A CN202310281075 A CN 202310281075A CN 115995056 A CN115995056 A CN 115995056A
- Authority
- CN
- China
- Prior art keywords
- bridge
- representing
- training
- disease
- loss
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 70
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000007547 defect Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 44
- 238000001514 detection method Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010257 thawing Methods 0.000 claims description 4
- 238000005336 cracking Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000008014 freezing Effects 0.000 claims description 2
- 238000007710 freezing Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract 2
- 238000001914 filtration Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006253 efflorescence Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的桥梁病害自动识别方法，采集桥梁相关部件的病害视频，对视频进行截图操作，并将图片中桥梁病害位置及病害类型进行标注，从而自建训练数据集；根据所述训练数据集，对桥梁病害进行训练，得到深度神经网络模型；将桥梁病害视频输入到优化后的YOLOv5神经网络模型中进行自动识别，输出病害识别分类结果以及病害定位结果，并生成对应的XML文件。本发明以自动化方式代替人工方式进行桥梁病害的识别及标注，有效地提高了识别及标注桥梁病害的效率，降低了人力成本，且输出结果可应用于大型的桥梁病害数据集的自动生成训练。
Description
技术领域
本发明属于桥梁检测技术领域，具体涉及一种基于深度学习的桥梁病害自动识别方法。
背景技术
根据中国交通运输部发布的《2021年交通运输行业发展统计公报》，截至2021年年末，全国公路桥梁总量已达96.11万座，总长度达7380.21万延米。桥梁已经成为交通运输***中的不可或缺的一部分，在国民经济运行中扮演着至关重要的角色，在世界各国都是如此。但是随着桥梁服役年限的延长，在环境和负载的影响下，桥梁工程经常存在相关病害，给桥梁造成了很多安全隐患。桥梁一旦发生事故，往往将导致重大的经济损失甚至危及人民群众的生命安全。现阶段对桥梁进行定期的检测，及早发现病害并及时进行防治是改造危旧桥梁有效的措施。对桥梁病害进行日常检查，也是保证桥梁安全通行，提高桥梁使用寿命的正确途径。
桥梁总量总长的不断增加以及其服役年限的不断延长，导致桥梁往往存在各种的病害。这些病害会造成一定的安全隐患，减少桥梁的使用寿命，例如桥梁支座混凝土产生裂缝、表面风化、钢筋外露等。桥梁检测的高危条件以及对桥梁维护的巨大成本表明，进行有效的桥梁检测和评估是十分必要的。在深度学习技术被广泛采用之前，大多数检测利用基于图像处理的传统计算机视觉方法。例如边缘检测方法(例如Sobel算子、Canny边缘检测、LOG滤波算子)能够用来检测病害和周围环境背景之间的边缘，通过对于特定的情况设置相应的静态阈值，根据该阈值来判断图像中感兴趣区域是否存在相关病害，但该方法不适用于动态和复杂的场景。为了解决这局限性，可以利用基于深度学习的计算机视觉技术来检测所获取中的图像，帮助检查员确定桥梁病害的种类和位置，从而解放大量的人工并提高病害评估效率。但是使用深度学习的方法需要大量的数据集，目前的数据集制作主要还是依赖人工为主，精度低，成本高，检测工作繁琐，造成了数据集的获取困难的局面。
发明内容
发明目的：本发明的目的是提供一种基于深度学习的桥梁病害自动识别方法，通过无人机对桥梁的外观进行视频录制，结合计算机视觉技术精确识别桥梁病害情况，实现对桥梁病害类别的自动分类，并且输出分类结果的XML文件，可以用于后续的模型优化训练。
技术方案：本发明提供了一种基于深度学习的桥梁病害自动识别方法，包括以下步骤：
（1）对预先获取的桥梁病害视频进行预处理，获取桥梁的病害位置及病害类型，构建数据集，得到训练集和验证集；
（2）引入注意力机制模块对YOLOv5算法中的Darknet-53网络结构和损失函数进行优化，对其数据参数进行调优；冰冻神经网络中的权重参数数据分批对桥梁病害识别模型进行训练；
（3）观察训练模型收敛情况，判断损失函数是否过拟合，是否满足训练标准；如果满足训练标准则直接输出标准桥梁病害识别模型，不满足则找到符合预设标准的权重函数并且解冻数据集再次精化训练，得到满足标准的权重函数后输出标准桥梁病害识别模型；
（4）利用标准桥梁病害识别模型快速识别出桥梁视频中的病害情况，得到桥梁病害类别及其可能性概率，将结果输出保存为可供训练的XML文件。
进一步的，所述步骤（1）实现过程如下：
对桥梁病害的视频进行截帧操作，得到图像数据并对图像进行平滑处理，扩充，及统一格式大小；对处理后的图片数据集进行标记处理，分为有病害和无病害两个数据集；对有病害的数据集进行细化，所述病害包括：裂缝，剥落，风化，外露钢筋，锈蚀；将数据集划分为训练集和验证集。
进一步的，步骤（2）中所述YOLOv5包括卷积神经网络CNN中的网络Darknet-53、网络包含批标准化和LeakyReLU激活函数层。
进一步的，步骤（2）中所述引入注意力机制模块对YOLOv5中的Darknet-53网络结构进行优化实现过程如下：
注意力机制模块包含通道注意力部分和空间注意力部分，在输入连接器和输出连接器之间引入注意力机制使网络模型训练集中在目标区域；其中通道注意力公式为：
；
其中，为Sigmoid激活函数，表示为多层感知机，和分别表示为平均池化和最大池化操作，为输入的特征，表示经过并联的池化操作并输入多层感知机后得到的通道注意力机制；
空间注意力部分将通道注意力得到的输出结果进行最大池化和平均池化拼接，并继续做卷积操作，将通道注意力得到的输出的维度降至单通道后，经过激活得到最终的输出结果；空间注意力的公式为：
；
表示卷积核为7*7的卷积操作，表示经过卷积和激活函数处理池化操作后的空间注意力机制的特征结果。
进一步的，步骤（2）所述损失函数为：
；
；
；
其中：表示坐标损失占总损失的权重；
表示类别损失占总损失的权重；
表示不含检测目标置信度损失站总损失的权重；
表示含检测目标置信度损失占总损失的权重；
表示第i个网格的第j个锚框是否含有该检测目标，有为1，没有为0；
表示第i个网格的第j个锚框是否含有该检测目标，没有为1，有为0；
表示真实目标框的中心坐标的横坐标值；
表示真实目标框的中心坐标的纵坐标值；
表示真实目标框的宽度；
表示真实目标框的高度；
表示目标框的置信度；
表示检测目标的类别；
表示预测目标框的中心坐标的横坐标值；
表示预测目标框的中心坐标的纵坐标值；
表示预测目标框的宽度；
表示预测目标框的高度；
表示预测目标框的置信度；
表示预测目标的类别。
与现有技术相比，本发明的有益效果为：
本发明中通过优化You Only Look Once version5 YOLOv5算法对桥梁病害进行识别，识别精度优于普通YOLOv5算法，其识别速度快，可以大大缩短检测时间，提高自动标注效率；本发明的检测方法不仅可以识别出桥梁病害的位置信息，还可以判断出桥梁的病害情况并标记出病害概率，缩短人工标注时间，显著提高了病害数据集的生成速度；本发明训练得到的网络模型自动标注视频内的病害位置，病害类别，可用于桥梁病害图片数据集的自动生成，减少人工成本，提高检测效率。
附图说明
图1是本发明的流程图；
图2是混合注意力机制模块结构示意图；
图3是通道注意力结构示意图；
图4是空间注意力结构示意图。
实施方式
下面结合附图对本发明做进一步详细说明。
本发明提出一种基于深度学***滑滤波等预处理；将处理后的图片标记成数据集，得到训练集和验证集；优化YOLOv5算法，对网络模型参数进行调优试验，提取图片特征值，并且冰冻一部分训练集对桥梁病害识别模型进行训练；判断得到的训练模型是否收敛，损失函数是否过拟合，解冻数据集优化参数继续训练模型；验证最终的训练模型，计算模型得到的桥梁病害区域与实际标记区域的交并比(Intersection of Union，IoU)，绘制各类别精度值的平均值(mean AveragePrecision，mAP)曲线进而分析模型是否满足条件；用训练好的模型将桥梁病害识别出来，并输出XML文件。模型输出的XML文件可用于桥梁检测方面数据集的制作，本发明不仅可以检测出桥梁病害情况，而且可以输出可供训练的XML文件，从而实现桥梁病害自动标注的功能，可以自动生成桥梁领域的图片数据集，提高检测效率并节省人工成本。如图1所示，具体包括以下步骤：
步骤1：对预先获取的桥梁病害视频进行预处理，获取桥梁的病害位置及病害类型，构建数据集。
利用桥梁无人机在桥梁周围进行飞行，定位模块中微惯性测量单元收集定位信息，并通过数据处理单元对采集到的测量值进行处理，摄像模块收集桥梁部件的视频信息，并将定位信息及视频信息通过数据存储单元进行保存。
采集桥梁相关部件的视频，对所述视频进行故障帧提取，得到图像数据并将其进行扩充，图像平滑处理。将存储的视频数据提取出来，通过编写的Python程序转换成RGB图片数据，并进行滤波平滑处理，完成图片数据集的处理。
将视频信号K秒取一帧得到若干RGB图片数据集，进行人工筛选得到具有缺陷的图片，并通过高斯滤波处理，平滑掉图片中的噪点；高斯滤波一维公式为：
；
分别将图片的RGB三通道进行一维平滑处理，其中是x的均值，是x的方差，因为计算平均值的时候，中心点即为原点，所以等于0；
将处理好的图片数据集在python环境下使用labelImg软件对其进行真实框的标记，在图片的病害区域进行框选并打上标签，保存为XML文件，并将标记后的数据集的80％作为训练集，剩下的20％作为验证集。
例如：桥梁裂缝缺陷标记为‘Crack’，剥落标记为‘Spallation’，风化标记为‘Efflorescence’，外露钢筋标记为‘ExposedBars’，锈蚀标记为‘CorrosionStain’，将每张图片标记完成后得到对应的XML文件；XML文件包含的主要参数说明如下：size：图片尺寸，object：图片中包含的物体，(一张图片可能中包含多个物体，本方法中为桥梁病害)，name：标记类别(本方法中有Crack，Spallation，Efflorescence，ExposedBars，CorrosionStain)，bndbox：物体真实框，difficult：识别是否困难。
步骤2：通过引入注意力机制模块对YOLOv5中的Darknet-53网络结构和损失函数进行优化，对其数据参数进行调优，并且冰冻一部分训练集分批进行对桥梁病害识别模型的训练。
YOLOv5框架包含了卷积神经网络CNN(Convolutional Neural Network)中的网络Darknet-53，网络包含批标准化(Batch Normalization)和LeakyReLU激活函数层。
网络模型训练损失函数针对目标框坐标回归采用了均方误差(Mean SquareError，MSE)损失函数，而类别和置信度则采用了交叉熵损失函数，具体形式分别如下：
；
；
；
其中：表示坐标损失占总损失的权重；
表示类别损失占总损失的权重；
表示不含检测目标置信度损失站总损失的权重；
表示含检测目标置信度损失占总损失的权重；
表示第i个网格的第j个锚框是否含有该检测目标，有为1，没有为0；
表示第i个网格的第j个锚框是否含有该检测目标，没有为1，有为0；
表示真实目标框的中心坐标的横坐标值；
表示真实目标框的中心坐标的纵坐标值；
表示真实目标框的宽度；
表示真实目标框的高度；
表示目标框的置信度；
表示检测目标的类别；
表示预测目标框的中心坐标的横坐标值；
表示预测目标框的中心坐标的纵坐标值；
表示预测目标框的宽度；
表示预测目标框的高度；
表示预测目标框的置信度；
表示预测目标的类别。
整个网络的损失函数为：；
其中，, , , 分别代表坐标损失、类别损失、不含置信度损失以及含置信度损失占总loss的权重； 第i个网格的第j个锚框是否含有该检测目标，即桥梁病害 ；(, , , , , )分别为真实目标框的中心坐标和宽高、置信度和类别。而(, , , , , )为预测目标框的中心坐标、宽高、置信度、类别。
IoU是目标检测中最常用的指标，通过将目标的形状属性(如宽度、高度、位置)编码成归一化度量来衡量预测框与目标框之间的相似度，因此其具有尺度不变性。其计算过程如式：
；
其中：
：是预测框的面积。
：是目标框的面积。
网络模型的DarkNet-53网络共有53层卷积层，最后一层是1×1卷积来实现全连接，主体网络中共存在52个卷积，其中第一层由32个3×3卷积核组成的过滤器进行卷积，后面的卷积层是由5组重复的残差单元构成，得到目标物(缺陷)的候选区域的同时对候选区域进行类别及位置的标记。
引入混合域注意力机制CBAM对YOLOv5模型进行优化，如图2所示，注意力模块包含通道注意力部分和空间注意力部分，在输入连接器和输出连接器之间引入注意力机制使网络模型训练更集中在目标区域，达到更好的训练效果。其中通道注意力如图3所示，公式为：
；
其中，为Sigmoid激活函数，表示为多层感知机，和分别表示为平均池化和最大池化操作，为输入的特征，表示经过并联的池化操作并输入多层感知机后得到的通道注意力机制。
空间注意力部分如图4所示，将通道注意力得到的输出结果进行最大池化和平均池化拼接，并继续做卷积操作，将其维度降至单通道后，经过激活函数得到最终的输出结果。空间注意力的公式为：
；
其中：为经过通道注意力机制后得到的特征，和分别表示为平均池化和最大池化操作，表示卷积核为7*7的卷积操作，为Sigmoid 激活函数，表示经过卷积和激活函数处理池化操作后的空间注意力机制的特征结果。
加入注意力模块训练的网络模型识别精度更高。
网络模型训练过程中，初始学习率设置为0.01、batch-size为16，冰冻一部分数据集后开始运行程序，训练过程中YOLOv5模型将自动调成学习率来保持模型处于高效学习状态。
步骤3：观察训练模型收敛情况，判断损失函数是否过拟合，是否满足训练标准；训练标准是看损失函数的下降情况，通常在训练一定轮数之后，损失函数结果会稳定在一个数值，训练少了会欠拟合，训练多了会过拟合，可以通过模型的训练日志中所绘制的曲线图看出来。
如果满足训练标准则直接输出模型，不满足找到较优化的权重函数并且解冻数据集再次精化训练，得到满足标准的权重函数后输出模型。在桥梁病害这个情景中，损失函数大概训练到数值为10左右能够符合训练标准。
因YOLOv5模型中Darknet-53中存在5次步幅为2×2的下采样过程，会将连接器图缩小32倍，故要将图像大小重新处理为32的倍数。为了确保模型训练的相对准确性，抑制过拟合，提升模型的泛化能力，应提供大量的图片数据集让网络模型进行学习，故对现有的图片数据集进行扩充。编写程序使图片左右、上下进行翻转，再对其随机删除增加像素点、调节对比度、调整亮度等操作产生相似但又不完全相同的样本来扩大训练数据集。
观察损失函数的数值是否满足要求，若数值稳定在10左右上下浮动，即已经满足本方法所需要的条件；若数值在大于10的数值处上下浮动需将程序提前终止防止模型学习过程的过拟合。
提前终止程序将目前已训练一段时候得到的权重函数保存起来，将batch-size修改为8，将冰冻的数据集进行解冻，找到已经保存的权重函数中的最优值，调整参数后在此基础上继续模型的训练；最后将训练得到的最终权重函数保存好，得到最终训练结果。
将模型进行测试，利用验证集得到其mAP曲线，观察是否满足要求。设置阈值为0.5，当测得IoU值大于阈值时标记其为正样本，反之标记为负样本。计算每次预测的Presion和Recall，并计算AP，mAP：
；
其中，p是precision，r是此时precision对应的recall值，n为类别总数。具体的，有以下几种概念：标记为正样本的正样本(True Positives，TP)，标记为负样本的正样本(False Positives，FP)，标记为负样本的负样本(True Negatives，TN)，标记为正样本的负样本(False Negatives，FN)，以及精确度(precision)和召回率(recall)；其中，通过精确度和召回率可以计算得到一类标签的平均精度值(AP)，AP值越高此类标签目标识别成功的概率越高，mAP为整个数据集所有类别标签精度值的平均值，可以评判此网络模型对整体目标识别的综合准确度，也是判断此网络模型识别效果良好与否的评判标准。
步骤4：利用模型快速识别出桥梁视频中的桥梁病害情况，得到桥梁病害类别以及可能性概率，将结果输出保存为可供训练的XML文件。
利用训练的网络模型对桥梁病害视频进行识别，标记视频中的病害位置，病害类别，并将结果输出XML文件。模型读取桥梁无人机检测到的桥梁部件视频信息，进行视频中桥梁病害区域部分的自动标记，同时标记出此预测框的预测概率，并将结果保存为XML文件。模型输出的结果可用于对视频内桥梁病害的自动标注，标注的结果的XML文件可用于其他模型的训练。
以上所述，仅为本发明方法的较佳实施例，并非对本发明作任何其他形式的限制，而依据本发明的技术在具体实施方式及应用范围上均会有所变化，直接或间接运用在其他技术领域，均同理在本发明专利的保护范围之内。
Claims (5)
1.一种基于深度学习的桥梁病害自动识别方法，其特征在于，包括如下步骤：
（1）对预先获取的桥梁病害视频进行预处理，获取桥梁的病害位置及病害类型，构建数据集，得到训练集和验证集；
（2）引入注意力机制模块对YOLOv5算法中的Darknet-53网络结构和损失函数进行优化，对所述YOLOv5算法数据参数进行调优；冰冻所述Darknet-53网络中的权重参数数据，分批对桥梁病害识别模型进行训练；
（3）观察所述模型收敛情况，判断损失函数是否过拟合，是否满足训练标准；如果满足训练标准则直接输出标准桥梁病害识别模型，不满足则找到符合预设标准的权重函数并且解冻数据集再次精化训练，得到满足标准的权重函数后输出标准桥梁病害识别模型；
（4）根据标准桥梁病害识别模型快速识别出桥梁视频中的病害情况，得到桥梁病害类别及其可能性概率，将结果输出保存为可供训练的XML文件。
2.根据权利要求1所述的一种基于深度学习的桥梁病害自动识别方法，其特征在于，所述步骤（1）实现过程如下：
对桥梁病害的视频进行截帧操作，得到图像数据并对图像进行平滑处理，扩充，及统一格式大小；对处理后的图片数据集进行标记处理，分为有病害和无病害两个数据集；对有病害的数据集进行细化，所述病害包括：裂缝，剥落，风化，外露钢筋，锈蚀；将数据集划分为训练集和验证集。
3.根据权利要求1所述的一种基于深度学习的桥梁病害自动识别方法，其特征在于，步骤（2）中所述YOLOv5包括卷积神经网络CNN中的Darknet-53网络、网络包含批标准化和LeakyReLU激活函数层。
4.根据权利要求1所述的一种基于深度学习的桥梁病害自动识别方法，其特征在于，步骤（2）中所述引入注意力机制模块对YOLOv5中的Darknet-53网络结构进行优化实现过程如下：
注意力机制模块包含通道注意力部分和空间注意力部分，在输入连接器和输出连接器之间引入注意力机制使网络模型训练集中在目标区域；其中通道注意力公式为：
；
其中，为Sigmoid激活函数，表示为多层感知机，和分别表示为平均池化和最大池化操作，为输入的特征，表示经过并联的池化操作并输入多层感知机后得到的通道注意力机制；
空间注意力部分将通道注意力得到的输出结果进行最大池化和平均池化拼接，并继续做卷积操作，将通道注意力得到的输出的维度降至单通道后，经过激活得到最终的输出结果；空间注意力的公式为：
；
表示卷积核为7*7的卷积操作，表示经过卷积和激活函数处理池化操作后的空间注意力机制的特征结果。
5.根据权利要求4所述的一种基于深度学习的桥梁病害自动识别方法，其特征在于，步骤（2）所述损失函数为：
；
；
；
其中：表示坐标损失占总损失的权重；
表示类别损失占总损失的权重；
表示不含检测目标置信度损失站总损失的权重；
表示含检测目标置信度损失占总损失的权重；
表示第i个网格的第j个锚框是否含有该检测目标，有为1，没有为0；
表示第i个网格的第j个锚框是否含有该检测目标，没有为1，有为0；
表示真实目标框的中心坐标的横坐标值；
表示真实目标框的中心坐标的纵坐标值；
表示真实目标框的宽度；
表示真实目标框的高度；
表示目标框的置信度；
表示检测目标的类别；
表示预测目标框的中心坐标的横坐标值；
表示预测目标框的中心坐标的纵坐标值；
表示预测目标框的宽度；
表示预测目标框的高度；
表示预测目标框的置信度；
表示预测目标的类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310281075.0A CN115995056A (zh) | 2023-03-22 | 2023-03-22 | 一种基于深度学习的桥梁病害自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310281075.0A CN115995056A (zh) | 2023-03-22 | 2023-03-22 | 一种基于深度学习的桥梁病害自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115995056A true CN115995056A (zh) | 2023-04-21 |
Family
ID=85992320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310281075.0A Pending CN115995056A (zh) | 2023-03-22 | 2023-03-22 | 一种基于深度学习的桥梁病害自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115995056A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116682072A (zh) * | 2023-08-04 | 2023-09-01 | 四川公路工程咨询监理有限公司 | 一种桥梁病害监测*** |
| CN116777895A (zh) * | 2023-07-05 | 2023-09-19 | 重庆大学 | 基于可解释深度学习的混凝土桥梁表观病害智能检测方法 |
| CN117058536A (zh) * | 2023-07-19 | 2023-11-14 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222701A (zh) * | 2019-06-11 | 2019-09-10 | 北京新桥技术发展有限公司 | 一种桥梁病害自动识别方法 |
| CN112801972A (zh) * | 2021-01-25 | 2021-05-14 | 武汉理工大学 | 一种桥梁缺陷检测方法、设备、***及存储介质 |
| CN115082650A (zh) * | 2022-06-14 | 2022-09-20 | 南京航空航天大学 | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 |
| WO2022245936A1 (en) * | 2021-05-19 | 2022-11-24 | Rutgers, The State University Of New Jersey | Systems and methods for machine learning enhanced railway condition monitoring, assessment and prediction |
-
2023
- 2023-03-22 CN CN202310281075.0A patent/CN115995056A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222701A (zh) * | 2019-06-11 | 2019-09-10 | 北京新桥技术发展有限公司 | 一种桥梁病害自动识别方法 |
| CN112801972A (zh) * | 2021-01-25 | 2021-05-14 | 武汉理工大学 | 一种桥梁缺陷检测方法、设备、***及存储介质 |
| WO2022245936A1 (en) * | 2021-05-19 | 2022-11-24 | Rutgers, The State University Of New Jersey | Systems and methods for machine learning enhanced railway condition monitoring, assessment and prediction |
| CN115082650A (zh) * | 2022-06-14 | 2022-09-20 | 南京航空航天大学 | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 |
Non-Patent Citations (2)
| Title |
|---|
| SONGYANG SUN 等: "YOLO Based Bridge Surface Defect Detection Using Decoupled Prediction", 《2022 7TH ASIA-PACIFIC CONFERENCE ON INTELLIGENT ROBOT SYSTEMS》 * |
| 何金宝 等: "基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别", 《江西师范大学学报(自然科学版 )》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777895A (zh) * | 2023-07-05 | 2023-09-19 | 重庆大学 | 基于可解释深度学习的混凝土桥梁表观病害智能检测方法 |
| CN116777895B (zh) * | 2023-07-05 | 2024-05-31 | 重庆大学 | 基于可解释深度学习的混凝土桥梁表观病害智能检测方法 |
| CN117058536A (zh) * | 2023-07-19 | 2023-11-14 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
| CN117058536B (zh) * | 2023-07-19 | 2024-04-30 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
| CN116682072A (zh) * | 2023-08-04 | 2023-09-01 | 四川公路工程咨询监理有限公司 | 一种桥梁病害监测*** |
| CN116682072B (zh) * | 2023-08-04 | 2023-10-20 | 四川公路工程咨询监理有限公司 | 一种桥梁病害监测*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569837B (zh) | 优化损伤检测结果的方法及装置 | |
| CN111681240B (zh) | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 | |
| CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及*** | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN111080620A (zh) | 一种基于深度学习的道路病害检测方法 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
| CN113592828B (zh) | 基于工业内窥镜的无损检测方法及*** | |
| CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
| CN111144749A (zh) | 电网图像智能标注众包平台及工作方法 | |
| CN114841920A (zh) | 基于图像处理的火焰识别方法、装置及电子设备 | |
| CN113724219A (zh) | 基于卷积神经网络的建筑物表面病害检测方法及*** | |
| CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及*** | |
| CN112329858B (zh) | 一种铁路动车防松铁丝折断故障图像识别方法 | |
| CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
| CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
| CN116630989A (zh) | 智能电表可视故障检测方法、***、电子设备及存储介质 | |
| CN109190489A (zh) | 一种基于修复自动编码器残差的异常人脸检测方法 | |
| CN116543327A (zh) | 作业人员工种识别的方法、装置、计算机设备及存储介质 | |
| CN114596439A (zh) | 一种基于图像的车险智能定损及核损方法、装置和电子设备 | |
| 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 | |
| Park et al. | Potholeeye+: Deep-learning based pavement distress detection system toward smart maintenance | |
| CN111369508A (zh) | 一种金属三维点阵结构的缺陷检测方法及*** | |
| CN117893934B (zh) | 一种改进的UNet3+网络无人机影像铁路轨道线检测方法与装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230421 |
|
| RJ01 | Rejection of invention patent application after publication |