CN116012310A - 基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法 - Google Patents
基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法 Download PDFInfo
- Publication number
- CN116012310A CN116012310A CN202211623348.7A CN202211623348A CN116012310A CN 116012310 A CN116012310 A CN 116012310A CN 202211623348 A CN202211623348 A CN 202211623348A CN 116012310 A CN116012310 A CN 116012310A
- Authority
- CN
- China
- Prior art keywords
- layer
- cross
- bridge pier
- attention
- network model
- 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 53
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000012634 optical imaging Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 9
- 230000001629 suppression Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法,其步骤为:1、使用高精度光学成像设备采集跨海大桥桥墩表面图像,获取图像样本、标签、训练集和测试集;2、构建基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型;3、训练所构建的网络模型;4、得到训练好的跨海大桥桥墩表面裂缝检测网络模型;5、计算跨海大桥桥墩表面裂缝图像的检测指标。本发明通过通道注意力机制和空间注意力机制共同组成残差注意力模块、并将其置于U‑Net网络的跳跃结构上,构建了基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型,提高了深度学习网络对跨海大桥表面裂缝特征的提取强度,实现了跨海大桥桥墩表面裂缝的准确检测。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法,可用于跨海大桥的检修和维护。
背景技术
随着跨海大桥使用年限的不断增长,桥梁结构会出现各种病害,其中裂缝是众多病害中最为常见的一种,如果不及时处理,可能会严重威胁桥梁的安全使用。因此,及时检测出跨海大桥桥墩表面的裂缝对后续病害程度判断以及检修尤为重要。目前,桥梁裂缝的检测方法大致可以分为三种:传统的人工近距离观察、手工标注裂缝位置,该检测方法存在主观性强、检测数据较难长期保存、检测人员的安全性难以保障等问题;传统图像处理方法难以平衡检测效果和处理复杂度之间的平衡;目前,基于深度学习的方法,通过训练网络模型,深度提取裂缝的特征,达到了良好的检测效果,该方法是目前桥梁裂缝检测领域使用最多的研究方法。
南京和光智能制造研究院有限公司在申请号为201911371902.5的专利申请文献中提出“一种基于图像的桥梁裂缝检测方法及***”,该方法的主要步骤是:(1)获取桥梁图像并预处理;(2)利用形态学算子对处理后的图像进行噪声抑制和裂缝连接;(3)利用Houng直线检测算法对步骤(2)处理后的图像进行噪声抑制;(4)利用形状特征对步骤(3)处理后的图像进行噪声抑制,得到最终检测结果。该方法的不足之处是:虽然该方法在检测过程中不断进行噪声抑制,但是由于传统图像处理方法对目标特征提取的强度不够,导致误检和漏检现象严重。
西北工业大学在申请号为202110836923.0的专利申请文献中提出“一种基于深度学习框架的桥梁裂缝检测方法”,该方法的主要步骤是:(1)获取桥梁裂缝图像,挑选含有裂缝的图像作为原始桥梁裂缝图像;(2)预处理原始桥梁裂缝图像,得到图像数据集;(3)将(2)得到的图像数据集输入分割模型进行训练;(4)将待检测的图像输入到训练好的分割模型完成特征裂缝提取。该方法的不足之处是:仅采用了空间注意力机制来提高检测精度,仍有较高的漏检现象。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,针对跨海大桥桥墩表面裂缝长而窄的目标特征,提出一种基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法,通过在深度学习U-Net网络上构建线性残差注意力模块,提高深度学习网络对裂缝特征的提取能力,从而实现跨海大桥桥墩表面裂缝的准确检测。
为实现上述目的,本发明技术方案包括如下:
(1)使用高精度光学成像设备采集跨海大桥桥墩表面裂缝图像,获取图像样本、标签,以及训练集和测试集:
(1a)对桥墩柱面的4个表面依次进行采集;对每个表面从上到下按顺序采集,采集时需要对所采集的图像进行编号,编号能反映每张所采集的图像在桥墩表面的对应位置;
(1b)采集图像分辨率为5760*3840的裂缝样本图,对样本图进行逐像素方式的标注,获得样本图像的标签;
(1c)采用滑动窗口算法,将样本图像分块为160x160大小的图像块,筛选出含有裂缝的小块图像,获取到5000张的裂缝图像以及对应的标签,其中4500张作为训练集,500张作为测试集;
(2)构建基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型:
(2a)搭建由通道注意力模块和改进的空间注意力模块组成的线性残差注意力模块;
所述的通道注意力模块首先将输入的多层特征图通过全局最大池化和全局平均池化,将输入特征图压缩为两路特征向量,然后将两路特征向量经过两个全连接层构建通道间的相关性,接着将两路特征向量相加,并使用sigmoid激活函数得到各个通道的权重向量,最后将权重向量与输入的多层特征图相乘得到基于通道注意力的多层特征图;
其中,第一个全连接层将特征向量的维度减半,激活函数为ReLU函数;第二个全连接层将特征向量恢复为原来的维度,激活函数为sigmoid函数;
所述的空间注意力模块首先将输入的多层特征图通过二维垂直池化和二维水平池化,将输入特征图分为两路特征向量,然后使用最近邻插值法分别将两路特征向量填充为和输入特征图一样维度的特征图,再分别通过第一个卷积层得到两路特征图,接着将两路特征图进行拼接得到二层特征图,再接着通过第二个卷积层得到一层特征图,最后将该特征图与输入的多层特征图相乘得到基于空间注意力的多层特征图;
其中,第一层卷积层通道数设为1,卷积核大小为3×3;第二层卷积层通道数设为1,卷积核大小1×1;
所述的线性残差注意力模块由通道注意力模块和空间注意力模块组成;首先将多层输入特征图依次通过通道注意力模块和空间注意力模块,然后通过残差连接的方式将输入与输出拼接后,再卷积恢复到和输入一样的维度后进行输出;
(2b)搭建包含4层池化层的U-Net网络,并将线性残差注意力模块置于其跳跃结构上;
(3)训练基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型:
将训练集输入到基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型中,采用Adam优化算法对该网络模型进行迭代训练,得到训练好的网络模型;
(4)测试训练好的跨海大桥桥墩表面裂缝检测网络模型:
将500张测试图像输入到训练好的网络模型,输出跨海大桥桥墩表面裂缝图像的检测结果。
本发明与现有技术相比,具有以下优点:
本发明通过通道注意力机制和空间注意力机制共同组成残差注意力模块、并将其置于U-Net网络的跳跃结构上,构建了基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型,提高了深度学习网络对跨海大桥表面裂缝特征的提取强度,实现了跨海大桥桥墩表面裂缝的准确检测。
附图说明
图1是本发明的实现流程图;
图2(a)是本发明构建的基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络结构示意图;
图2(b)是本发明构建的线性残差注意力模块;
图2(c)是本发明构建的通道注意力模块;
图3是本发明方法的仿真图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,本实例的实现步骤如下:
步骤1,使用高精度光学成像设备采集跨海大桥桥墩表面裂缝图像,获取图像样本、标签,以及训练集和测试集:
1.1)对桥墩柱面的4个表面依次进行采集;对每个表面从上到下按顺序采集,采集时需要对所采集的图像进行编号,编号能反映每张所采集的图像在桥墩表面的对应位置;
1.2)采集图像分辨率为5760*3840的裂缝样本图,对样本图进行逐像素方式的标注,获得样本图像的标签;
1.3)采用滑动窗口算法,将样本图像分块为160x160大小的图像块,筛选出含有裂缝的小块图像,获取到5000张的裂缝图像以及对应的标签,其中4500张作为训练集,500张作为测试集;
步骤2,构建基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型,如图2(a)所示:
2.1)搭建由通道注意力模块和改进的空间注意力模块组成的线性残差注意力模块,如图2(b)所示;
所述的通道注意力模块如图2(c)所示,首先将输入的多层特征图通过全局最大池化和全局平均池化,将输入特征图压缩为两路特征向量,然后将两路特征向量经过两个全连接层构建通道间的相关性,接着将两路特征向量相加,并使用sigmoid激活函数得到各个通道的权重向量,最后将权重向量与输入的多层特征图相乘得到基于通道注意力的多层特征图;
其中,第一个全连接层将特征向量的维度减半,激活函数为ReLU函数;第二个全连接层将特征向量恢复为原来的维度,激活函数为sigmoid函数;
所述的空间注意力模块首先将输入的多层特征图通过二维垂直池化和二维水平池化,将输入特征图分为两路特征向量,然后使用最近邻插值法分别将两路特征向量填充为和输入特征图一样维度的特征图,再分别通过第一个卷积层得到两路特征图,接着将两路特征图进行拼接得到二层特征图,再接着通过第二个卷积层得到一层特征图,最后将该特征图与输入的多层特征图相乘得到基于空间注意力的多层特征图;
其中,第一层卷积层通道数设为1,卷积核大小为3×3;第二层卷积层通道数设为1,卷积核大小1×1;
所述的线性残差注意力模块由通道注意力模块和空间注意力模块组成;首先将多层输入特征图依次通过通道注意力模块和空间注意力模块,然后通过残差连接的方式将输入与输出拼接后,再卷积恢复到和输入一样的维度后进行输出;
2.2)搭建包含4层池化层的U-Net网络,并将线性残差注意力模块置于其跳跃结构上;
所述的U-Net网络主要由收缩结构、扩展结构、以及两者之间的跳跃结构组成;
其中,收缩结构由四个子结构串联组成,每个子结构包含两层卷积层和一个最大池化层;收缩结构后面紧跟包含两层卷积层的底层结构;这十个卷积层的通道数依次设置为32、32、64、64、128、128、256、256、512、512,卷积核大小均设置为3×3;最大池化层均采用2×2的池化核;
扩展结构也由四个子结构串联组成,每个子结构包含一个反卷积层和两个卷积层;扩展结构的最后紧跟包含一个卷积层的输出层;四个反卷积层的卷积核大小均为2×2;九个卷积层的通道数依次设置为256、256、128、128、64、64、32、32、2,卷积核大小均设置为3×3;
跳跃结构通过剪裁、复制将收缩结构与扩展结构相连接;
步骤3,将训练集输入到所构建的基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型中,采用Adam优化算法对该网络模型进行迭代训练,得到训练好的网络模型,实现如下:
3.1)选取50作为基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络的迭代周期,将网络的所有参数值初始化为高斯随机数,即均值为0,方差为1,学习率初始化为0.0003;
3.2)从训练集中随机选取30张图像作为一个子训练集;
3.3)选用softmax交叉熵损失函数计算子训练集的损失值,并引入L2正则化,具体计算公式如下:
其中,L表示子训练集的平均损失值,∑表示求和,N表示子训练集中样本的个数,yi表示子训练集中第i个样本的真实标签,表示子训练集中第i个样本的预测标签,表示输出第i个样本预测标签的softmax值,起到归一化的作用,λ表示正则化常数,w表示网络参数;
3.4)利用下式更新基于线性残差注意力的U-Net网络中的每一个参数:
其中,clr表示动态调整前的学习率,rate表示下降因子,反映学习率下降的速度,global表示当前训练对应的迭代次数,step表示学习率的更新频率;
3.5)判断本次迭代过后是否已遍历完所有训练集,若是,则进行下一个迭代周期,否则执行3.2);
3.6)判断当前所在迭代周期是否等于设定的基于线性残差注意力的U-Net网络的迭代周期,若是,则执行3.7),否则执行3.2);
3.7)得到训练好的基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型。
步骤4,测试训练好的跨海大桥桥墩表面裂缝检测网络模型:
将500张测试图像输入到训练好的网络模型,输出跨海大桥桥墩表面裂缝图像的检测结果。
步骤5,计算跨海大桥桥墩表面裂缝图像的检测指标:
通过计算准确率(P)以及均交并比(MIoU),作为本发明的检测指标;其中,P为测试数据集中的样本图像被正确识别的像素点的个数占总体像素点数的比例,MIoU为裂缝类和非裂缝类这两个类别交并比(IoU)的平均值。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明仿真实验的硬件平台为:处理器为Intel i7-10870H CPU,主频为2.21GHz,内存为16GB,显卡为NVIDIA GeForce 2080Ti。
本发明仿真实验的软件平台为:Windows 10操作***、Tensorflow1.13.1深度学习平台和Python3.7。
2.仿真内容:
本发明的仿真实验是在采集得到的4500张图像的训练集、500张图像的测试集上进行,对所搭建的基于线性残差注意力结合U-Net的深度学习网络模型上训练,得到跨海大桥桥墩表面裂缝图像的检测结果。
3.仿真结果及分析:
附图3为本发明的仿真实验结果图,其中(a)、(b)、(c)、(d)为桥梁裂缝的测试样本图像,(e)、(f)、(g)、(h)分别为其对应的检测结果图。可以看到,基于本发明一种基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法,可以克服噪声等复杂背景的干扰,准确清晰的将裂缝提取出来。同时,为了说明本发明方法的有效性,将原始U-Net网络用于桥梁裂缝检测与本发明方法进行对比验证,在同一训练集和测试集下,准确率与均交并比的对比结果如下表格1所示。可以看出,本发明的准确率和均交并比均要高于U-Net网络模型。
表1桥梁裂缝图像检测结果对比
模型 | 准确率 | 均交并比 |
U-Net网络结构 | 73.68% | 80.22% |
本发明网络结构 | 81.16% | 85.69% |
Claims (3)
1.一种基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法,其特征在于,包括:
(1)使用高精度光学成像设备采集跨海大桥桥墩表面裂缝图像,获取图像样本、标签,以及训练集和测试集:
(1a)对桥墩柱面的4个表面依次进行采集;对每个表面从上到下按顺序采集,采集时需要对所采集的图像进行编号,编号能反映每张所采集的图像在桥墩表面的对应位置;
(1b)采集图像分辨率为5760*3840的裂缝样本图,对样本图进行逐像素方式的标注,获得样本图像的标签;
(1c)采用滑动窗口算法,将样本图像分块为160x160大小的图像块,筛选出含有裂缝的小块图像,获取到5000张的裂缝图像以及对应的标签,其中4500张作为训练集,500张作为测试集;
(2)构建基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型:
(2a)搭建由通道注意力模块和改进的空间注意力模块组成的线性残差注意力模块;
所述的通道注意力模块首先将输入的多层特征图通过全局最大池化和全局平均池化,将输入特征图压缩为两路特征向量,然后将两路特征向量经过两个全连接层构建通道间的相关性,接着将两路特征向量相加,并使用sigmoid激活函数得到各个通道的权重向量,最后将权重向量与输入的多层特征图相乘得到基于通道注意力的多层特征图;
其中,第一个全连接层将特征向量的维度减半,激活函数为ReLU函数;第二个全连接层将特征向量恢复为原来的维度,激活函数为sigmoid函数;
所述的空间注意力模块首先将输入的多层特征图通过二维垂直池化和二维水平池化,将输入特征图分为两路特征向量,然后使用最近邻插值法分别将两路特征向量填充为和输入特征图一样维度的特征图,再分别通过第一个卷积层得到两路特征图,接着将两路特征图进行拼接得到二层特征图,再接着通过第二个卷积层得到一层特征图,最后将该特征图与输入的多层特征图相乘得到基于空间注意力的多层特征图;
其中,第一层卷积层通道数设为1,卷积核大小为3×3;第二层卷积层通道数设为1,卷积核大小1×1;
所述的线性残差注意力模块由通道注意力模块和空间注意力模块组成;首先将多层输入特征图依次通过通道注意力模块和空间注意力模块,然后通过残差连接的方式将输入与输出拼接后,再卷积恢复到和输入一样的维度后进行输出;
(2b)搭建包含4层池化层的U-Net网络,并将线性残差注意力模块置于其跳跃结构上;
(3)训练基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型:
将训练集输入到基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型中,采用Adam优化算法对该网络模型进行迭代训练,得到训练好的网络模型;
(4)测试训练好的跨海大桥桥墩表面裂缝检测网络模型:
将500张测试图像输入到训练好的网络模型,输出跨海大桥桥墩表面裂缝图像的检测结果。
2.根据权利要求1所述的方法,其中(2b)所述的U-Net网络,包括收缩结构、扩展结构、以及两者之间的跳跃结构:
所述收缩结构由四个子结构串联组成,每个子结构包含两层卷积层和一个最大池化层;收缩结构后面紧跟包含两层卷积层的底层结构;这十个卷积层的通道数依次设置为32、32、64、64、128、128、256、256、512、512,卷积核大小均设置为3×3;最大池化层均采用2×2的池化核;
所述扩展结构也由四个子结构串联组成,每个子结构包含一个反卷积层和两个卷积层;扩展结构的最后紧跟包含一个卷积层的输出层;四个反卷积层的卷积核大小均为2×2;九个卷积层的通道数依次设置为256、256、128、128、64、64、32、32、2,卷积核大小均设置为3×3;
所述跳跃结构通过剪裁、复制将收缩结构与扩展结构相连接。
3.根据权利要求1所述的方法,其中(3)所述的Adam优化算法实现如下:
第一步,选取50作为基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络的迭代周期,将网络的所有参数值初始化为高斯随机数,即均值为0,方差为1,学习率初始化为0.0003;
第二步:从训练集中随机选取30张图像作为一个子训练集;
第三步:选用softmax交叉熵损失函数计算子训练集的损失值,并引入L2正则化,具体计算公式如下:
其中,L表示子训练集的平均损失值,∑表示求和,N表示子训练集中样本的个数,yi表示子训练集中第i个样本的真实标签,表示子训练集中第i个样本的预测标签,表示输出第i个样本预测标签的softmax值,起到归一化的作用,λ表示正则化常数,w表示网络参数;
第四步:利用下式更新基于线性残差注意力的裂缝检测网络模型中的每一个参数;
其中,表示网络中第i个参数更新后的值,wi表示网络中第i个参数更新前的值,url表示动态调整后的学习率,其计算公式如下:
其中,clr表示动态调整前的学习率,rate表示下降因子,反映学习率下降的速度,global表示当前训练对应的迭代次数,step表示学习率的更新频率;
第五步:判断本次迭代过后是否已遍历完所有训练集,若是,则进行下一个迭代周期,否则执行第二步;
第六步:判断当前所在迭代周期是否等于设定的基于线性残差注意力的裂缝检测网络模型的迭代周期,若是,则执行第七步,否则执行第二步;
第七步:得到训练好的基于线性残差注意力的跨海大桥桥墩表面裂缝检测网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623348.7A CN116012310A (zh) | 2022-12-16 | 2022-12-16 | 基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623348.7A CN116012310A (zh) | 2022-12-16 | 2022-12-16 | 基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012310A true CN116012310A (zh) | 2023-04-25 |
Family
ID=86029220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211623348.7A Pending CN116012310A (zh) | 2022-12-16 | 2022-12-16 | 基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012310A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036937A (zh) * | 2023-07-21 | 2023-11-10 | 山东省计算中心(国家超级计算济南中心) | 基于物联网和深度学习的盲道方向识别及瑕疵检测方法 |
CN117934473A (zh) * | 2024-03-22 | 2024-04-26 | 成都信息工程大学 | 一种基于深度学习的公路隧道表观裂缝检测方法 |
-
2022
- 2022-12-16 CN CN202211623348.7A patent/CN116012310A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036937A (zh) * | 2023-07-21 | 2023-11-10 | 山东省计算中心(国家超级计算济南中心) | 基于物联网和深度学习的盲道方向识别及瑕疵检测方法 |
CN117036937B (zh) * | 2023-07-21 | 2024-01-26 | 山东省计算中心(国家超级计算济南中心) | 基于物联网和深度学习的盲道方向识别及瑕疵检测方法 |
CN117934473A (zh) * | 2024-03-22 | 2024-04-26 | 成都信息工程大学 | 一种基于深度学习的公路隧道表观裂缝检测方法 |
CN117934473B (zh) * | 2024-03-22 | 2024-05-28 | 成都信息工程大学 | 一种基于深度学习的公路隧道表观裂缝检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660052B (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法 | |
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 | |
CN112700429B (zh) | 基于深度学习的机场道面地下结构病害自动检测方法 | |
CN116012310A (zh) | 基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法 | |
Chen et al. | Remote sensing image quality evaluation based on deep support value learning networks | |
CN111833310B (zh) | 一种基于神经网络架构搜索的表面缺陷分类方法 | |
CN114972885B (zh) | 基于模型压缩的多模态遥感图像分类方法 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估***及方法 | |
CN109948527B (zh) | 基于集成深度学习的小样本太赫兹图像异物检测方法 | |
CN110895814A (zh) | 一种基于上下文编码网络的航空发动机孔探图像损伤智能分割方法 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN111985552A (zh) | 复杂背景下机场道面细带状结构病害检测方法 | |
CN113177456A (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
CN115170529A (zh) | 基于注意力机制的多尺度微小瑕疵检测方法 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN115937518A (zh) | 一种基于多源图像融合的路面病害识别方法及*** | |
Fan et al. | Application of YOLOv5 neural network based on improved attention mechanism in recognition of Thangka image defects | |
CN106407975B (zh) | 基于空间-光谱结构约束的多尺度分层目标检测方法 | |
CN114821316A (zh) | 一种三维探地雷达裂缝病害识别方法及*** | |
CN117291913B (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
Yasir et al. | Faster metallic surface defect detection using deep learning with channel shuffling | |
CN117593243A (zh) | 可靠伪标签引导的压缩机外观自适应检测方法 | |
CN116958662A (zh) | 一种基于卷积神经网络的钢带缺陷分类方法 | |
CN117173595A (zh) | 基于改进YOLOv7的无人机航拍图像目标检测方法 | |
CN116342542A (zh) | 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法 |
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 |