CN110070008A - 一种采用无人机图像的桥梁病害识别方法 - Google Patents
一种采用无人机图像的桥梁病害识别方法 Download PDFInfo
- Publication number
- CN110070008A CN110070008A CN201910272728.2A CN201910272728A CN110070008A CN 110070008 A CN110070008 A CN 110070008A CN 201910272728 A CN201910272728 A CN 201910272728A CN 110070008 A CN110070008 A CN 110070008A
- Authority
- CN
- China
- Prior art keywords
- disease
- images
- aerial vehicle
- unmanned aerial
- image
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 128
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims 12
- 238000010276 construction Methods 0.000 claims 8
- 238000001914 filtration Methods 0.000 claims 2
- 238000009434 installation Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 241000872198 Serjania polyphylla Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种采用无人机图像的桥梁病害识别方法，包括以下步骤：桥梁病害图像通过具备高清摄像功能的无人机进行拍摄，经过图像质量优化、范围剪裁与尺寸标定后给出256色的RGB格式图像；按照裂缝与坑洞进行病害分类，以人工筛选与标记的方式建立桥梁病害样本库；全卷积神经网络模型采用“Tensorflow+Python”系统建立，选用VGGNet卷积神经网络框架作为模型基础，通过病害样本数据开展训练；通过训练后的全卷积神经网络对桥梁病害进行识别、分类，并根据所生成的二值化病害图像开展进一步评估。本发明可避免复杂背景对桥梁结构病害识别与标记的干扰，有效提升桥梁结构检测的效率与准确性。
Description
技术领域
本发明属于桥梁结构病害检测技术领域，具体涉及一种采用无人机图像的桥梁病害识别方法。
背景技术
工程结构的质量巡检是安全运营的重要保障，高效、精确地对结构体系开展评估是及时发现质量隐患、有效制订养护策略的基础。对于桥梁结构而言，传统上采用人工巡检方式，存在效率低、危险性大与主观性强等缺陷，并且无法做到桥梁结构的全覆盖检测。通过图像或视频等信息评估结构状况的相关技术已经在道路、隧道工程中逐步得到应用，常用的图像识别方法包括OTSU与边缘检测算子等。中国专利文献CN107862677A公开了一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统，该方法在对比度较好的病害识别中具有一定作用，但当面对复杂背景与干扰物影响的结构病害往往得不到较好的识别效果。
桥梁结构的病害类型复杂多变，需要建立智能化的病害图像识别技术。机器视觉是人工智能与深度学习在计算机图像识别中的有效应用，建立桥梁各关键结构的病害识别与分类模型有利于制订合适的养护决策方案。此外，随着无人机技术的不断发展，采用无人机作为图像采集工具可以显著地提高工作效率。因此，机器视觉与无人机技术的有效结合可提供一种高效的桥梁结构检测方法。
发明内容
发明目的：针对以上现状与存在的问题，本发明提出了一种采用无人机图像的桥梁病害识别方法，通过无人机获取桥梁结构的高清图像，建立图像处理技术实现图像优化与尺寸标定工作，并利用多种卷积神经网络模型对图片中可能存在的病害进行识别与分类，为桥梁结构的质量检测提供数据支撑。
为了实现上述目的，本发明采用如下技术解决方案：一种采用无人机图像的桥梁病害识别方法，该方法包括以下步骤：
步骤1、制作桥梁病害样本
收集桥梁构件的典型病害图像，对病害图像进行标记，制作原始256色RGB病害图及其对应标签图作为桥梁病害样本；
步骤2、训练卷积神经网络模型
模型内核以VGGNet为基础，采用“Tensorflow+Python”框架建立全卷积神经网络模型，通过步骤1所得桥梁病害样本数据库训练全卷积神经网络模型；
步骤3、无人机图像采集与优化
选择具备拍摄功能的无人机进行图像采集，进行图像质量优化、图像截取与尺寸标定；
步骤4、识别与分类病害
采用步骤3中经过优化后的图像数据，输入步骤2所建立的全卷积神经网络模型进行病害识别与分类。
与现有技术相比，本发明的技术方案具有以下有益效果：(1)本发明建立了一种采用无人机图像的桥梁病害识别方法与模型，可实现桥梁结构质量的快速检测与病害识别；(2)本发明实现了无人机在桥梁结构检测中的应用，通过设置激光测距仪实现拍摄图像的尺寸标定，有助于病害图像所表征实际病害尺寸的转换；(3)机器视觉模型可有效对不同病害进行识别与分类，提高基于图像识别技术的有效性；(4)在VGGNet模型的基础上，采用卷积层替换全连接层，建立全卷积神经网络模型，有利于任务尺寸图像数据的处理。
附图说明
图1为本发明采用无人机图像的桥梁病害识别方法流程图。
图2为实施例中原始病害图像。
图3为实施例中优化后病害图像。
图4为实施例中病害标签图。
具体实施方式
如图1所示，一种采用无人机图像的桥梁病害识别方法，该方法包括以下步骤：
步骤1、制作桥梁病害样本
收集桥梁构件的典型病害图像，采用人工操作对病害图像进行标记，制作原始256色RGB病害图及其对应标签图作为桥梁病害样本；
步骤2、训练卷积神经网络模型
模型内核以VGGNet为基础，采用“Tensorflow+Python”框架建立全卷积神经网络模型，通过步骤1所得桥梁病害样本数据库训练全卷积神经网络模型；
步骤3、无人机图像采集与优化
选择具备2432×2048以上分辨率高清拍摄功能的无人机进行图像采集，开展图像质量优化、图像截取与尺寸标定工作；
步骤4、识别与分类病害
采用步骤3中经过优化后的图像数据，输入步骤2所建立的全卷积神经网络模型进行病害识别与分类。
进一步的，步骤1具体包括如下子步骤：
步骤1.1、采集桥梁构件不同类型的病害图像数据，主要包括裂缝类与坑洞类，每类病害图像数据量为500～1000张，利用MATLAB软件对所有病害图像进行批量裁剪，控制256色RGB图像的数据尺寸为1024×1024×3以上；
步骤1.2、利用PHOTOSHOP软件处理复杂背景下的病害图像，采用“选择”工具框选病害范围并通过调节对比度将图像划分为病害与背景两部分，其中病害部分采用白色表示，背景部分采用黑色表示；其后，采用MATLAB中im2bw函数进行二值化处理，其中白色部分二值数值为1，黑色部分二值数值为0，得到256色RGB病害图像及其对应的二值化病害标签图。
进一步的，步骤2具体包括如下子步骤：
步骤2.1、以VGGNet模型为内核基础进行改进，采用“Tensorflow+Python”系统框架构建全卷积神经网络模型，模型采用5层卷积层、softmax输出层构成，并将原VGGNet中的3层全连接层替换为卷积层，层与层之间采用max-pooling与mean-pooling分开，表1列出卷积神经网络个结构层情况；
表1全卷积神经网络结构状况
步骤2.2、全卷积神经网络模型中所用激活函数为Maxout函数，其公式如下：
其中，x＝(x1,x2,…xd)为输入的特征向量，hi(x)为Maxout隐藏层神经元i的变量，k为Maxout层所需的参数，m为Maxout隐藏层神经元数量，W为大小为(d,m,k)的三维矩阵，b是大小为(m,k)的二维矩阵，W与b为训练中所需要进行学习的参数；
损失函数为Softmax交叉熵损失函数，其公式如下：
其中，代表第L层的第j个神经元的输入，代表第L层的第j个神经元的输出，e代表自然常数，代表了第L层所有神经元的输入之和。
Dropout层比例设为40％。
步骤2.3、以256色RGB病害图像及其对应的二值化病害标签图分别作为模型的输入数据与输出数据，训练的迭代次数设定为100～200次，保存训练结果参数，同时针对不同的病害类型输出以下编号：无病害为0、裂缝类病害为1、坑洞类病害为2。
步骤2.4、额外选取50～100张不同病害的256色RGB原图对卷积神经网络模型的有效性开展验证，以模型识别结果与标记图结果进行对比，识别正确率需达到90％以上，否则对模型的迭代次数进行调整，直至误差满足要求。
进一步的，步骤3具体包括如下子步骤：
步骤3.1、选择具备2432×2048以上分辨率高清拍摄功能的无人机进行图像采集，采集过程中确保速度为0.5m/s～1.0m/s，与被拍摄结构间距离范围为0.5m～1.0m，无人机拍摄过程中实时记录位置坐标与海拔高度数据；
步骤3.2、利用MATLAB对无人机图像进行批量化处理，增强对比度并去除噪点；无人机安装激光测距仪以记录摄像头与被测物体间的距离l，若摄像头拍摄水平夹角为θ、拍摄图像水平像素数为w，则每一像素所代表尺寸s可根据上述数据进行计算。
进一步的，步骤4具体包括如下子步骤：
步骤4.1、将步骤3采集并优化后的无人机图像输入步骤2所建立的全卷积神经网络模型；对病害图像进行分类，0为无病害、1为裂缝类病害、2为坑洞类病害。
步骤4.2、针对不同类型的病害图像，调用相应的病害特征计算模块进行分析，包括采用MATLAB对裂缝长度、裂缝宽度、裂缝与坑洞分布面积进行计算，进一步地评估病害发展程度，并输出病害位置、特征与严重程度等特征值。
下面结合具体实施例对本发明的目的作进一步详细地描述，该实例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例
对病害数据库进行收集与处理，采集桥梁各关键部位的图像，关键部位包括桥墩、腹板、支座与连接处，选取包含裂缝类与坑洞类的病害图像各1000张，其中800张作为训练数据，200张作为验证数据。
图像对比度强烈的病害图像，可直接采用MATLAB的函数im2bw进行二值化处理；对质量较低、背景干扰物复杂的图像，采用PHOTOSHOP软件中的“快速选择”工具标定病害范围，并调整亮度实现病害与背景的分离，其后采用MATLAB函数im2bw二值化处理，病害部分为二值数值为1的白色，背景为二值数值为0的黑色。
利用Win系统计算机搭建“Tensorflow+Python”系统框架，机器视觉模型以VGGNet模型为内核进行改进，将全连接层全部替换为卷积层，便于任意分辨率图像的输入。
分别将各800张裂缝与坑洞病害图像作为模型的输入数据，对应的二值化病害图像作为输出数据进行模型训练，迭代次数为100次，保存训练结果得到裂缝类与坑洞类病害的机器视觉模型。
采用剩余的裂缝与坑洞类病害各200张图像进行模型的有效性验证，病害的有效识别率需达到95％以上，否则对模型的迭代次数进行调整，直至识别率满足要求。
采用具备定位信息的无人机进行图像采集，并搭载2432×2048以上分辨率的高清摄像头。为了对拍摄图像所表征的实际结构与病害尺寸进行标记，在高清摄像头处绑定小型激光测距仪，实现被拍摄物体与摄像头间距离的实时监测，从而换算为被摄结构与病害的实际尺寸。
无人机的操控由2位专业人员负责，分别完成无人机设备的飞行控制与图像的采集工作，无人机设备飞行速度控制为0.5m/s左右，避免图像模糊、重影与拖影等现象出现，与被摄结构间的距离在1m范围内。
采集结束后的无人机图像按照每秒的频率将视频转换为256色RGB图像，首先采用MATLAB程序批量读取所有图像，如图2所示，利用imfiller函数进行图像质量优化，优化图如图3；其后，将图像分别导入模型开展识别，输出识别后病害标签图，如图4所示；对病害进行分类，标记0代表无病害、标记1为裂缝类病害、2为坑洞类病害。
采用MATLAB对病害标签图采用im2bw函数实施二值化处理，以Regionprops函数计算病害图像的几何特征；对二值图像直接采用Sum函数计算裂缝或坑洞面积；并以Bwboundaries函数获取裂缝或坑洞的边界坐标等信息，从而进一步地对病害发展程度开展对比分析。
Claims (6)
1.一种采用无人机图像的桥梁病害识别方法，其特征在于，该方法包括以下步骤：
步骤1、制作桥梁病害样本
收集桥梁构件的典型病害图像，对病害图像进行标记，制作原始256色RGB病害图及其对应标签图作为桥梁病害样本；
步骤2、训练卷积神经网络模型
模型内核以VGGNet为基础，采用“Tensorflow+Python”框架建立全卷积神经网络模型，通过步骤1所得桥梁病害样本数据库训练全卷积神经网络模型；
步骤3、无人机图像采集与优化
选择具备拍摄功能的无人机进行图像采集，进行图像质量优化、图像截取与尺寸标定；
步骤4、识别与分类病害
采用步骤3中经过优化后的图像数据，输入步骤2所建立的全卷积神经网络模型进行病害识别与分类。
2.根据权利要求1所述的采用无人机图像的桥梁病害识别方法，其特征在于，步骤1具体包括如下子步骤：
步骤1.1、采集桥梁构件不同类型的病害图像数据，主要包括裂缝类与坑洞类，每类病害图像数据量为500～1000张，利用MATLAB软件对所有病害图像进行批量裁剪，控制256色RGB图像的数据尺寸为1024×1024×3以上；
步骤1.2、利用PHOTOSHOP软件处理复杂背景下的病害图像，采用“选择”工具框选病害范围并通过调节对比度将图像划分为病害与背景两部分，其中病害部分采用白色表示，背景部分采用黑色表示；采用MATLAB中im2bw函数进行二值化处理，其中白色部分二值数值为1，黑色部分二值数值为0，得到256色RGB病害图像及其对应的二值化病害标签图。
3.根据权利要求1或2所述的采用无人机图像的桥梁病害识别方法，其特征在于，选择具备2432×2048以上分辨率高清拍摄功能的无人机进行图像采集。
4.根据权利要求1所述的采用无人机图像的桥梁病害识别方法，其特征在于，步骤2具体包括如下子步骤：
步骤2.1、以VGGNet模型为内核基础进行改进，采用“Tensorflow+Python”系统框架构建全卷积神经网络模型，模型由5层卷积层、softmax输出层构成，并将原VGGNet中的3层全连接层替换为卷积层，层与层之间采用max-pooling与mean-pooling分开，表1列出卷积神经网络结构层情况；
表1 全卷积神经网络结构状况表
步骤2.2、全卷积神经网络模型中所用激活函数为Maxout函数，其公式如下：
其中，x＝(x1,x2,…xd)为输入的特征向量，hi(x)为Maxout隐藏层神经元i的变量，k为Maxout层所需的参数，m为Maxout隐藏层神经元数量，W为大小为(d,m,k)的三维矩阵，b是大小为(m,k)的二维矩阵，W与b为训练中所需要进行学习的参数；
损失函数为Softmax交叉熵损失函数，其公式如下：
其中，为第L层的第j个神经元的输入，为第L层的第j个神经元的输出，e为自然常数，为第L层所有神经元的输入之和；
Dropout层比例设为40％；
步骤2.3、以256色RGB病害图像及其对应的二值化病害标签图分别作为模型的输入数据与输出数据，训练的迭代次数设定为100～200次，保存训练结果参数，同时针对不同的病害类型输出以下编号：无病害为0，裂缝类病害为1，坑洞类病害为2；
步骤2.4、额外选取50～100张不同病害的256色RGB原图对卷积神经网络模型的有效性开展验证，以模型识别结果与标记图结果进行对比，识别正确率需达到90％以上，否则对模型的迭代次数进行调整，直至误差满足要求。
5.根据权利要求1所述的采用无人机图像的桥梁病害识别方法，其特征在于，步骤3具体包括如下子步骤：
步骤3.1、选择具备2432×2048以上分辨率高清拍摄功能的无人机进行图像采集，采集过程中速度为0.5m/s～1.0m/s，与被拍摄结构间距离范围为0.5m～1.0m，无人机拍摄过程中实时记录位置坐标与海拔高度数据；
步骤3.2、利用MATLAB对无人机图像进行批量化处理，增强对比度并去除噪点；无人机安装激光测距仪以记录摄像头与被测物体间的距离l，若摄像头拍摄水平夹角为θ、拍摄图像水平像素数为w，则每一像素所代表尺寸s根据上述数据进行计算：
。
6.根据权利要求1所述的采用无人机图像的桥梁病害识别方法，其特征在于，步骤4具体包括如下子步骤：
步骤4.1、将步骤3采集并优化后的无人机图像输入步骤2所建立的全卷积神经网络模型；对病害图像进行分类，0为无病害，1为裂缝类病害，2为坑洞类病害。
步骤4.2、针对不同类型的病害图像，计算裂缝长度、裂缝宽度、裂缝与坑洞分布面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910272728.2A CN110070008B (zh) | 2019-04-04 | 2019-04-04 | 一种采用无人机图像的桥梁病害识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910272728.2A CN110070008B (zh) | 2019-04-04 | 2019-04-04 | 一种采用无人机图像的桥梁病害识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110070008A true CN110070008A (zh) | 2019-07-30 |
| CN110070008B CN110070008B (zh) | 2021-10-29 |
Family
ID=67367057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910272728.2A Active CN110070008B (zh) | 2019-04-04 | 2019-04-04 | 一种采用无人机图像的桥梁病害识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110070008B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909657A (zh) * | 2019-11-19 | 2020-03-24 | 上海勘察设计研究院(集团)有限公司 | 一种隧道表观病害图像识别的方法 |
| CN111260615A (zh) * | 2020-01-13 | 2020-06-09 | 重庆交通大学 | 基于激光和机器视觉融合的无人机桥梁表观病害检测方法 |
| CN111524121A (zh) * | 2020-04-22 | 2020-08-11 | 南京智行信息科技有限公司 | 一种基于机器视觉技术的路桥病害自动检测方法 |
| CN111563530A (zh) * | 2020-04-01 | 2020-08-21 | 中铁大桥科学研究院有限公司 | 一种智能化桥梁病害巡检方法和系统 |
| CN111707196A (zh) * | 2020-05-13 | 2020-09-25 | 苏州天炯信息科技有限公司 | 基于无人机的桥梁病害尺寸测量装置及测量方法 |
| CN112036425A (zh) * | 2020-05-09 | 2020-12-04 | 中铁四局集团有限公司 | 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法 |
| CN112085001A (zh) * | 2020-09-23 | 2020-12-15 | 清华大学苏州汽车研究院（相城） | 一种基于多尺度边缘特征检测的隧道识别模型及方法 |
| CN112488990A (zh) * | 2020-11-02 | 2021-03-12 | 东南大学 | 一种基于注意力正则化机制的桥梁支座病害识别方法 |
| CN112699736A (zh) * | 2020-12-08 | 2021-04-23 | 江西省交通科学研究院 | 一种基于空间注意力的桥梁支座病害识别方法 |
| CN113251992A (zh) * | 2021-06-16 | 2021-08-13 | 江苏纬信工程咨询有限公司 | 一种桥梁运行疲劳监测装置及其工作方法 |
| CN113888481A (zh) * | 2021-06-11 | 2022-01-04 | 重庆红岩建设机械制造有限责任公司 | 一种桥面病害检测方法、系统、设备及存储介质 |
| CN115032206A (zh) * | 2022-06-15 | 2022-09-09 | 招商局重庆交通科研设计院有限公司 | 一种桥梁机器人智能检测方法 |
| CN116597125A (zh) * | 2023-05-24 | 2023-08-15 | 中国公路工程咨询集团有限公司 | 一种基于图像识别的桥梁拼接遥感控制系统及方法 |
| CN116682072A (zh) * | 2023-08-04 | 2023-09-01 | 四川公路工程咨询监理有限公司 | 一种桥梁病害监测系统 |
| CN117011688A (zh) * | 2023-07-11 | 2023-11-07 | 广州大学 | 一种水下结构病害的识别方法、系统及存储介质 |
| CN117851778A (zh) * | 2024-01-09 | 2024-04-09 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种基于桥梁暴露度的表观识别方法及系统 |
| CN118134929A (zh) * | 2024-05-08 | 2024-06-04 | 深圳市深水水务咨询有限公司 | 一种基于无人机图像采集的桥梁工程异常检测方法 |
| CN118552785A (zh) * | 2024-05-30 | 2024-08-27 | 大连海事大学 | 一种桥梁病害可视化评估系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
| CN108288269A (zh) * | 2018-01-24 | 2018-07-17 | 东南大学 | 基于无人机与卷积神经网络的桥梁支座病害自动识别方法 |
| CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
-
2019
- 2019-04-04 CN CN201910272728.2A patent/CN110070008B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
| CN108288269A (zh) * | 2018-01-24 | 2018-07-17 | 东南大学 | 基于无人机与卷积神经网络的桥梁支座病害自动识别方法 |
| CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| KAREN SIMONYAN等: "Very Deep Convolutional Networks for Large-Scale Image Recognition", 《COMPUTER SCIENCE》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909657A (zh) * | 2019-11-19 | 2020-03-24 | 上海勘察设计研究院(集团)有限公司 | 一种隧道表观病害图像识别的方法 |
| CN111260615A (zh) * | 2020-01-13 | 2020-06-09 | 重庆交通大学 | 基于激光和机器视觉融合的无人机桥梁表观病害检测方法 |
| CN111563530B (zh) * | 2020-04-01 | 2023-05-09 | 中铁大桥科学研究院有限公司 | 一种智能化桥梁病害巡检方法和系统 |
| CN111563530A (zh) * | 2020-04-01 | 2020-08-21 | 中铁大桥科学研究院有限公司 | 一种智能化桥梁病害巡检方法和系统 |
| CN111524121A (zh) * | 2020-04-22 | 2020-08-11 | 南京智行信息科技有限公司 | 一种基于机器视觉技术的路桥病害自动检测方法 |
| CN112036425A (zh) * | 2020-05-09 | 2020-12-04 | 中铁四局集团有限公司 | 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法 |
| CN111707196A (zh) * | 2020-05-13 | 2020-09-25 | 苏州天炯信息科技有限公司 | 基于无人机的桥梁病害尺寸测量装置及测量方法 |
| CN112085001A (zh) * | 2020-09-23 | 2020-12-15 | 清华大学苏州汽车研究院（相城） | 一种基于多尺度边缘特征检测的隧道识别模型及方法 |
| CN112085001B (zh) * | 2020-09-23 | 2024-04-23 | 清华大学苏州汽车研究院（相城） | 一种基于多尺度边缘特征检测的隧道识别模型及方法 |
| CN112488990A (zh) * | 2020-11-02 | 2021-03-12 | 东南大学 | 一种基于注意力正则化机制的桥梁支座病害识别方法 |
| CN112488990B (zh) * | 2020-11-02 | 2024-06-07 | 东南大学 | 一种基于注意力正则化机制的桥梁支座病害识别方法 |
| CN112699736B (zh) * | 2020-12-08 | 2024-06-07 | 江西省交通科学研究院有限公司 | 一种基于空间注意力的桥梁支座病害识别方法 |
| CN112699736A (zh) * | 2020-12-08 | 2021-04-23 | 江西省交通科学研究院 | 一种基于空间注意力的桥梁支座病害识别方法 |
| CN113888481A (zh) * | 2021-06-11 | 2022-01-04 | 重庆红岩建设机械制造有限责任公司 | 一种桥面病害检测方法、系统、设备及存储介质 |
| CN113251992A (zh) * | 2021-06-16 | 2021-08-13 | 江苏纬信工程咨询有限公司 | 一种桥梁运行疲劳监测装置及其工作方法 |
| CN115032206A (zh) * | 2022-06-15 | 2022-09-09 | 招商局重庆交通科研设计院有限公司 | 一种桥梁机器人智能检测方法 |
| CN116597125A (zh) * | 2023-05-24 | 2023-08-15 | 中国公路工程咨询集团有限公司 | 一种基于图像识别的桥梁拼接遥感控制系统及方法 |
| CN116597125B (zh) * | 2023-05-24 | 2023-11-21 | 中国公路工程咨询集团有限公司 | 一种基于图像识别的桥梁拼接遥感控制系统及方法 |
| CN117011688A (zh) * | 2023-07-11 | 2023-11-07 | 广州大学 | 一种水下结构病害的识别方法、系统及存储介质 |
| CN117011688B (zh) * | 2023-07-11 | 2024-03-08 | 广州大学 | 一种水下结构病害的识别方法、系统及存储介质 |
| CN116682072B (zh) * | 2023-08-04 | 2023-10-20 | 四川公路工程咨询监理有限公司 | 一种桥梁病害监测系统 |
| CN116682072A (zh) * | 2023-08-04 | 2023-09-01 | 四川公路工程咨询监理有限公司 | 一种桥梁病害监测系统 |
| CN117851778A (zh) * | 2024-01-09 | 2024-04-09 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种基于桥梁暴露度的表观识别方法及系统 |
| CN117851778B (zh) * | 2024-01-09 | 2024-07-09 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种基于桥梁暴露度的表观识别方法及系统 |
| CN118134929A (zh) * | 2024-05-08 | 2024-06-04 | 深圳市深水水务咨询有限公司 | 一种基于无人机图像采集的桥梁工程异常检测方法 |
| CN118552785A (zh) * | 2024-05-30 | 2024-08-27 | 大连海事大学 | 一种桥梁病害可视化评估系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110070008B (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
| CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
| CN107316064B (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
| CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
| CN108921201B (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
| CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
| CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
| CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
| CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
| CN110751644B (zh) | 道路表面裂纹检测方法 | |
| CN110647875A (zh) | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 | |
| CN113610035B (zh) | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 | |
| CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
| CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
| CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
| CN117291913B (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
| CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
| CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
| CN111627018B (zh) | 一种基于双流神经网络模型的钢板表面缺陷分类方法 | |
| CN111695560A (zh) | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 | |
| CN115423802A (zh) | 基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法 | |
| CN113673534B (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 210014 No. 9, Ziyun Avenue, Qinhuai District, Jiangsu, Nanjing Applicant after: China Design Group Co.,Ltd. Address before: 210014 No. 9, Ziyun Avenue, Qinhuai District, Jiangsu, Nanjing Applicant before: CHINA DESIGN GROUP Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220506 Address after: 210014 No. 9 Ziyun Avenue, Qinhuai District, Nanjing City, Jiangsu Province Patentee after: China Design Group Co.,Ltd. Patentee after: Huashe Testing Technology Co.,Ltd. Address before: 210014 No. 9 Ziyun Avenue, Qinhuai District, Nanjing City, Jiangsu Province Patentee before: China Design Group Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 210014 No. 9 Ziyun Avenue, Qinhuai District, Nanjing City, Jiangsu Province Patentee after: Huashe Testing Technology Co.,Ltd. Patentee after: China Design Group Co.,Ltd. Address before: 210014 No. 9 Ziyun Avenue, Qinhuai District, Nanjing City, Jiangsu Province Patentee before: China Design Group Co.,Ltd. Patentee before: Huashe Testing Technology Co.,Ltd. |