【CN110120038A】一种基于对抗生成网络的路面裂缝缺陷检测方法【专利】

合集下载

一种基于无人机影像的道路裂缝检测方法[发明专利]

一种基于无人机影像的道路裂缝检测方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202111319654.7(22)申请日 2021.11.09(71)申请人 上海海洋大学地址 201306 上海市浦东新区临港新城沪城环路999号(72)发明人 洪中华 杨帆 涂斌 潘海燕 马振玲 周汝雁 张云 韩彦岭 徐利军 杨树瑚 王静 (74)专利代理机构 上海唯智赢专利代理事务所(普通合伙) 31293代理人 姜晓艳(51)Int.Cl.G06T 7/00(2017.01)G06T 7/12(2017.01)G01N 21/88(2006.01)G06V 10/82(2022.01)G06V 10/80(2022.01)G06V 20/17(2022.01)G06N 3/04(2006.01)(54)发明名称一种基于无人机影像的道路裂缝检测方法(57)摘要本发明涉及人工智能的技术领域,公开了一种基于无人机影像的道路裂缝检测方法,利用无人机采集道路裂缝图像,构建图像数据集;构建改进U ‑Net神经网络模型,共七层,包括编码器和解码器,所述解码器包括三层,其最后一层中设置有CBAM注意力模块,编码后的各层特征图经上采样至原始输入图像大小,再与解码器中最后一层输出的特征图进行深浅层信息融合,然后进入CBAM注意力模块,所述CBAM注意力模块用于从通道层面和空间层面重新分配权重,得到更加聚焦裂缝的目标特征图;基于图像数据集,对构建好的改进U ‑Net神经网络模型进行训练和测试,并利用训练好的改进U ‑Net神经网络模型对待检图像进行检测。

权利要求书1页 说明书5页 附图2页CN 114359130 A 2022.04.15C N 114359130A1.一种基于无人机影像的道路裂缝检测方法,其特征在于包括以下步骤:步骤一、利用无人机采集道路裂缝图像,构建图像数据集;步骤二、构建改进U ‑Net神经网络模型,共七层,包括编码器和解码器,所述解码器包括三层,其最后一层中设置有CBAM注意力模块,编码后的各层特征图经上采样至原始输入图像大小,再与解码器中最后一层输出的特征图进行深浅层信息融合,然后进入CBAM注意力模块,所述CBAM注意力模块用于从通道层面和空间层面重新分配权重,得到更加聚焦裂缝的目标特征图;步骤三、基于图像数据集,对构建好的改进U ‑Net神经网络模型进行训练和测试,并利用训练好的改进U ‑Net神经网络模型对待检图像进行检测。

一种基于实例分割算法的路面裂缝像素级别检测方法[发明专利]

一种基于实例分割算法的路面裂缝像素级别检测方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011205186.6(22)申请日 2020.11.02(71)申请人 郑州大学地址 450001 河南省郑州市高新技术开发区科学大道100号申请人 坝道工程医院(平舆)(72)发明人 王念念 董家修 方宏远 张娟 马铎 余翔 胡浩邦 雷建伟 (74)专利代理机构 长沙楚为知识产权代理事务所(普通合伙) 43217代理人 李大为(51)Int.Cl.G06T 7/11(2017.01)G06T 7/194(2017.01)G06T 7/00(2017.01)(54)发明名称一种基于实例分割算法的路面裂缝像素级别检测方法(57)摘要本发明适用于路面病害智能分割技术领域,涉及一种基于实例分割算法的路面裂缝像素级别检测方法,包括以下步骤:采集路面病害图像数据;对采集的路面病害图像数据进行预处理,构建用于训练神经网络的路面病害数据库;对实例分割算法Mask R ‑CNN进行改进优化,从而构建像素级别的路面裂缝智能分割模型,并初始化智能分割模型进行训练;调整智能分割模型的超参数,直至智能分割模型收敛且误差损失值满足要求,则保存此时的网络权重参数,用于路面裂缝像素级别的分割;将测试图像输入到保存的智能分割模型中,输出路面裂缝分割结果。

本发明所提出的智能分割模型具有更好的鲁棒性与泛化能力,有效提高路面裂缝的分割精度与效率。

权利要求书2页 说明书6页 附图2页CN 112258529 A 2021.01.22C N 112258529A1.一种基于实例分割算法的路面裂缝像素级别检测方法,其特征在于,包括以下步骤:S10、采集路面病害图像数据;S20、对采集的所述路面病害图像数据进行预处理,构建用于训练神经网络的路面病害大数据库;S30、对实例分割算法Mask R-CNN进行改进优化,从而构建像素级别的路面裂缝智能分割模型,并初始化所述智能分割模型进行训练;S40、调整所述智能分割模型的超参数,直至所述智能分割模型收敛且误差损失值满足要求,则保存此时的网络权重参数,用于路面裂缝像素级别的分割;S50、将测试图像输入到保存的所述智能分割模型中,输出路面裂缝分割结果。

一种基于线结构光的路面裂缝检测系统及其检测方法[发明专利]

一种基于线结构光的路面裂缝检测系统及其检测方法[发明专利]

(10)申请公布号(43)申请公布日 (21)申请号 201510251421.6(22)申请日 2015.05.15E01C 23/01(2006.01)G06T 7/00(2006.01)G06K 9/46(2006.01)(71)申请人南京航空航天大学地址210016 江苏省南京市秦淮区御道街29号(72)发明人徐贵力 朱春省 贾银亮 李开宇宋葵阳(74)专利代理机构南京纵横知识产权代理有限公司 32224代理人董建林(54)发明名称一种基于线结构光的路面裂缝检测系统及其检测方法(57)摘要本发明公开了一种基于线结构光的路面裂缝检测系统及其检测方法,通过近红外线激光器垂直照射向待测路面、摄像机朝向近红外线激光器垂直照射于待测路面的光线进行拍摄采集到光条图像传输至计算机,通过计算机调用图像传输存储处理模块进行存储和路面裂缝检测,不仅可避免因路面颠簸起伏导致的光条纹沿扫描方向上下漂移问题,而且采集精度高、检测处理速度快。

另外,检测方法从光条图像序列中提取出路面横向轮廓线,再采用直线拟合以及做差计算拼接生成反映路面整体三维轮廓信息的路面深度图像,以及采用裂缝的曲线形状特征作为检测依据以区分其他形状信号,从而准确地实现裂缝提取,可有效地实时去除路面起伏或车辆振动引起的误差,降低误检漏检。

(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书2页 说明书6页 附图2页CN 105113375 A 2015.12.02C N 105113375A1.一种基于线结构光的路面裂缝检测系统,其特征在于:包括移动平台,均安装于移动平台上的线结构光传感模块、计算机和系统支架;所述线结构光传感模块包括近红外线激光器、摄像机和窄带滤光片,所述近红外线激光器和摄像机均通过系统支架安装于移动平台;所述近红外线激光器垂直照射向待测路面,所述摄像机朝向近红外线激光器垂直照射于待测路面的光线进行拍摄,所述窄带滤光片设置于摄像机的拍摄镜头正后方;所述摄像机与计算机相连,将拍摄采集到的包含待测路面三维信息的光条图像传输至计算机;所述计算机通过调用图像传输存储处理模块进行存储,以及基于直线拟合和裂缝曲线形状特征进行路面裂缝检测。

路面裂缝检测的方法、装置及计算机设备[发明专利]

路面裂缝检测的方法、装置及计算机设备[发明专利]

专利名称:路面裂缝检测的方法、装置及计算机设备专利类型:发明专利
发明人:刘扬,张敏,周远洋,高思岩,骆少华,王鹏飞
申请号:CN201910934872.8
申请日:20190929
公开号:CN110910343A
公开日:
20200324
专利内容由知识产权出版社提供
摘要:本申请公开了一种路面裂缝检测的方法、装置及计算机设备,涉及计算机技术领域,可以解决在对路面裂缝进行检测时,容易产生的检测效率低下,准确性低,环境干扰性强的问题。

其中方法包括:获取道路裂缝图像,并进行预处理;利用所述道路裂缝图像训练deeplab V3+网络模型;依据训练好的所述deeplab V3+网络模型对路面图像进行裂缝检测,并提取出裂缝信息。

本申请适用于对路面中裂缝区域的检测。

申请人:北京建筑大学
地址:100044 北京市西城区展览路1号
国籍:CN
代理机构:北京中强智尚知识产权代理有限公司
代理人:黄耀威
更多信息请下载全文后查看。

一种新的路面裂缝自动检测算法

一种新的路面裂缝自动检测算法

一种新的路面裂缝自动检测算法近年来,随着大规模交通建设的不断发展,路面裂缝检测和修复已成为城市建设中的紧迫问题。

空中或地面检测路面裂缝已被广泛应用了多年,但是这些检测方法在时间和效率方面都存在技术局限。

因此,一种新的路面裂缝自动检测算法应运而生。

本文首先对路面裂缝的分类和特征进行探讨,然后使用图像识别技术,结合坐标系统进行路面裂缝检测。

本文提出的路面裂缝检测算法可以有效降低使用者的成本,显著减少检测时间,从而节省成本、提高检测效率,提高路面质量。

首先,本文重点介绍了路面裂缝的分类和特征。

路面的裂缝可以分为平面、横向和纵向三种,平面裂缝多由路面侧缘板材、滑动、抬升和支撑等原因造成;横向裂缝多由外力作用,如车辆的通行、桥梁的支撑、排水沟的排水等;纵向裂缝多由路面层压力变化、施工错误、控制结构维护不及时以及气候变化引起。

其次,本文介绍了使用图像识别技术检测路面裂缝的方法。

首先,需要对路面图像进行收集和预处理,将路面图像转换为灰度图,便于裂缝的可视化和识别;其次,使用图像处理算法,提取路面图像中的裂缝特征;最后,采用坐标系统进行路面裂缝检测,根据提取出的特征进行精确分析,可检测出路面裂缝的大小、位置等信息。

此外,本文还介绍了路面裂缝检测算法的优势。

相比于空中检测系统,地面系统可以极大降低使用者的成本,实现快速检测,减少检测时间;相比于传统的地面检测方法,本文提出的路面裂缝检测算法不仅显著减少检测时间,而且可以节省成本,实现高效率的检测,同时可以提高路面质量。

本文提出的路面裂缝自动检测算法可以有效减少检测时间和提高效率,为城市交通建设提供了可靠的安全检测系统。

未来,本文将继续改进算法,研究如何在路面裂缝检测中更好地利用智能技术,希望能够为城市建设和交通安全提供更为安全高效的检测系统。

综上所述,本文首先介绍了路面裂缝的分类和特征,并引入了图像识别技术和坐标系统进行路面裂缝检测,从而实现节省成本、提高效率的检测目的,提高路面质量,为城市交通建设提供了可靠的安全检测系统。

一种路面裂缝图像自动检测方法[发明专利]

一种路面裂缝图像自动检测方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201610717481.7(22)申请日 2016.08.24(71)申请人 张家利地址 262700 山东省潍坊市寿光市金光街1299号潍坊科技学院(72)发明人 张家利 (74)专利代理机构 北京华仲龙腾专利代理事务所(普通合伙) 11548代理人 李静(51)Int.Cl.G06T 7/00(2017.01)G06K 9/62(2006.01)(54)发明名称一种路面裂缝图像自动检测方法(57)摘要本发明公开了一种路面裂缝图像自动检测方法,包括将每幅路面裂缝图像及其子图片与对应标签关联,每个子图片有其特征描述向量,通过子图片再分成多个子图片形成金字塔结构,并最终根据金字塔模式形成裂缝图像特征描述向量,将特征描述向量转换到傅里叶空间,并计算裂缝图像在傅里叶空间的振动幅度;采用可控制滤波器进行滤波,然后寻找弱分类器,将多个裂缝图像弱分类器按其权重组合得到强分类器,最后自动检测出带有裂缝的路面图像。

与传统方法相比,本发明中获取的裂缝图像特征描述向量能够表征裂缝图像的纹理特质,并采用改进的Adaboost对裂缝图像进行检测,在检测精度和速度上有了明显的提高。

权利要求书2页 说明书4页 附图1页CN 106327494 A 2017.01.11C N 106327494A1.一种路面裂缝图像自动检测方法,其特征在于,包括以下具体步骤:步骤一:将每幅路面裂缝图像与对应标签关联,且每幅裂缝图像分为n张子图片,子图片可以再细分为子图片,形成金字塔结构,并最终根据金字塔模式形成特征描述向量,每个子图片与对应标签关联,标签对应于子图片中有裂缝为0和无裂缝为1,每个子图片有其特征描述向量,它可以是一个描述器或者几个描述器的串联。

2.步骤二:子图片转换成傅里叶空间,首先计算裂缝图像在傅里叶空间的振幅,网格尺寸选择这个尺寸可以通过抑制噪声来增强信号,最后计算每个裂缝图像子图片的振幅;步骤三:采用可控制滤波器进行滤波,可控制滤波器采用三个基础滤波器线性组合得到,此外,可控制滤波器可以根据像素分布评估每个像素的相对角度,滤波后的图像中的每个像素都对应于可控制滤波器窗口内的最小值,方差参数决定可控制滤波器的大小,可控制的滤波器由三个参数制成,通过对参数控制进而调节可控制滤波器,利用可控制滤波器对裂缝图像进行处理。

基于生成式对抗网络的裂缝图像修复方法

基于生成式对抗网络的裂缝图像修复方法

基于生成式对抗网络的裂缝图像修复方法胡敏;李良福【摘要】提出一种基于生成式对抗网络的裂缝图像修复方法.在修复过程中,对障碍物所在位置进行信息擦除获得待修复图像.使用生成式对抗网络生成相应的裂缝图像,为待修复图像和生成图像分别覆盖距离加权掩膜,并计算获得修复块.对修复块与待修复图像的拼接图像进行优化获得最终修复结果.实验结果表明,该方法可对裂缝图像进行了准确修复.与传统的修复方法相比,使用该方法修复后的裂缝图像较之前方法峰值信噪比提升了0.6 ~0.9 dB,实现了在有限的裂缝数据集条件下,生成大量还原度较高的裂缝图像.【期刊名称】《计算机应用与软件》【年(卷),期】2019(036)006【总页数】7页(P202-208)【关键词】路面裂缝;深度学习;生成式对抗网络;图像修复【作者】胡敏;李良福【作者单位】陕西师范大学计算机科学学院陕西西安710119;陕西师范大学计算机科学学院陕西西安710119【正文语种】中文【中图分类】TP391.4130 引言裂缝作为最常见的公路问题,对其的检测必不可少。

训练一个对裂缝信息敏感的检测器,需要数量庞大且形态各异的裂缝图像数据集作为支撑,然而现实生活中采集到的裂缝图像往往包含许多除了裂缝以外的障碍物,如落叶、石子、电缆等,这些障碍物可能会影响后期检测器对裂缝的检测,造成误检、漏检等问题,因此对采集到的裂缝图像进行修复至关重要。

近年来,随着计算机的发展,一系列基于数字图像处理、深度学习的方法被运用于图像修复[1-2]领域。

Bertalmio等[3]提出采用偏微分方程的方法进行图像修复,但是该算法缺少稳定性,修复结果往往不佳。

随后Chan等在此基础上提出基于能量最小化原则的统一修复模型[4],但由于该模型受到修复区域大小的限制,且不满足连续性原则,进而又提出一种基于曲率扩散模型[5]。

只是以上算法均只适用于非纹理图像的修复,当所需修复的图像是纹理图像时则没有办法完成修复任务。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910376122.3
(22)申请日 2019.05.07
(71)申请人 重庆同济同枥信息技术有限公司
地址 401120 重庆市渝北区金开大道西段
106号11幢12层
(72)发明人 黄斌 张睿 张红龙 
(74)专利代理机构 重庆智慧之源知识产权代理
事务所(普通合伙) 50234
代理人 余洪
(51)Int.Cl.
G06T 7/00(2017.01)
(54)发明名称
一种基于对抗生成网络的路面裂缝缺陷检
测方法
(57)摘要
本发明公开了一种基于对抗生成网络的路
面裂缝缺陷检测方法,包括如下步骤:S1、将图像
数据X输入至生成器并生成与裂缝标签Y对应的
赝品标签Y ’;S2、将图像数据X和赝品标签Y ’在通
道上进行连接,传输至辨别器并输出第一结果G_
n;S3、将图像数据X和裂缝标签Y在通道上进行连
接,传输至辨别器并输出第二结果G_p;S4、训练
辨别器判断G_p为真,G_n为假,并将判断假的部
分反向传播调整生成器参数;S5、更换所述图像
数据X并重复步骤S1-S4对生成器和辨别器重复
训练,直到辨别器无法判别G_p为真,G_n为假;
S6、训练完成后,固定生成器参数,将要检测的图
片输入生成器,输出一个1280*1280*1的得分矩
阵,然后通过阀值进行过滤,得出检测结果。

能够
更清楚的辨别裂缝病害。

权利要求书2页 说明书6页 附图6页CN 110120038 A 2019.08.13
C N 110120038
A
权 利 要 求 书1/2页CN 110120038 A
1.一种基于对抗生成网络的路面裂缝缺陷检测方法,其特征在于,包括如下步骤:
S1、将图像数据X输入至生成器并生成与裂缝标签Y对应的赝品标签Y’;
S2、将图像数据X和赝品标签Y’在通道上进行连接,传输至辨别器并输出第一结果G_n;
S3、将图像数据X和裂缝标签Y在通道上进行连接,传输至辨别器并输出第二结果G_p;
S4、训练辨别器判断G_p为真,G_n为假,并将判断假的部分反向传播调整生成器参数;
S5、更换所述图像数据X并重复步骤S1-S4对生成器和辨别器重复训练,直到辨别器无法判别G_p为真,G_n为假;
S6、训练完成后,固定生成器参数,将要检测的图片输入生成器,输出一个1280*1280*1的得分矩阵,然后通过阀值进行过滤,得出检测结果。

2.根据权利要求1所述的一种基于对抗生成网络的路面裂缝缺陷检测方法,其特征在于,在将图像数据X输入至生成器之前,先将所述图像数据X的大小调整为1280*1280。

3.根据权利要求1所述的一种基于对抗生成网络的路面裂缝缺陷检测方法,其特征在于,所述生成器是编解码器结构,包括编码器、解码器和瓶颈模块,所述编码器和所述解码器通过所述瓶颈模块连接。

4.根据权利要求3所述的一种基于对抗生成网络的路面裂缝缺陷检测方法,其特征在于,所述编码器均连续采用卷积核为5*5、跨度为2的卷积、批标准化batchnorm函数和修正线性激活relu函数的方式进行特征提取和降维;所述解码器均连续采用卷积核为5*5、跨度为2的反卷积、批标准化batchnorm函数和修正线性激活relu函数的方式进行特征解码和升维;瓶颈模块由8个残差模块级联组成,在所述解码器的输出位置接一个卷积核为1*1,跨度为1的卷积层,在所述卷积层后接批标准化batchnorm函数和S型归一化激活sigmoid函数作为所述生成器的输出。

5.根据权利要求4所述的一种基于对抗生成网络的路面裂缝缺陷检测方法,其特征在于,所述步骤S1中图像数据X输入至生成器并生成与裂缝标签Y相对应的赝品标签Y’的具体过程为:
S1.1、将图像数据X输入至编码器,所述编码器对所述图像数据X进行连续卷积,以此提取特征和降维,生成特征图;
S1.2、将所述特征图通过U-NET架构的直连shortcut方法传递至所述解码器的相应解码层;
S1.3、所述解码器对所述瓶颈模块的输出或连接后的特征图进行连续反卷积,以对所述连接后的特征图解码和升维得到赝品标签Y’。

6.根据权利要求1所述的一种基于对抗生成网络的路面裂缝缺陷检测方法,其特征在于,所述辨别器为全卷积结构的分类器,连续采用卷积核为5*5、跨度为2的卷积、批标准化batchnorm函数和修正线性激活relu函数的方式对所述辨别器的输入图像数据进行特征提取和降维得到特征图;当所述特征图形状为40*40*512时,采用卷积核为1*1、跨度为1的卷积、批标准化batchnorm函数和S型归一化激活sigmoid函数的方式生成40*40*1分类矩阵,所述分类矩阵将所述输入图像数据等比例划分成40*40的patch单元,每个所述patch单元负责32*32的相关像素区域的真假。

7.根据权利要求6所述的一种基于对抗生成网络的路面裂缝缺陷检测方法,其特征在于,所述步骤S4中训练辨别器判断G_p为真,G_n为假,并将判断假的部分反向传播调整生成
2。

相关文档
最新文档