基于复合图双卷积神经网络的路面裂缝识别方法

为了建立一种基于深度学习卷积神经网络的路面检测模型,提高特殊路面裂缝,如白裂缝、浅裂缝、潮湿裂缝、修补开裂等的识别准确率,在单卷积神经网络结构(单网络)上,提出了基于复合图双卷积神经网络的路面裂缝识别方法。首先,该方法在输入灰度图基础上,考虑裂缝病害图像特征,增加对应二值图组成复合图通道;其次,在单网络结构基础上增加一个针对特殊裂缝识别的单网络,非特殊裂缝网络训练使用全部数据,特殊裂缝网络训练使用特殊裂缝数据,两个网络参数分别独立更新,从而形成复合图双网络结构;然后两个网络分别对同一测试数据进行判定,得出各自的概率矩阵,最后再根据概率单侧抑制的原理将两个单网络输出结果进行叠加,得出最终识别结果。组织了70万张检测车采集图片对复合图双网络方法进行训练和测试。结果表明,复合图双网络识别重叠度、精确度、召回率显著优于灰度图单网络,证明了提出的两处优化,即将单通道灰度图改造为双通道复合输入图和增加一个特殊裂缝识别网络,提升了非特殊裂缝与特殊裂缝区域识别能力。此外,复合图双网络的重叠度、精确度、召回率指标比其他深度学习路面裂缝识别算法方法高。

结合视觉Transformer和CNN的道路裂缝检测方法

提出了一种结合视觉Transformer和CNN的道路裂缝检测方法。利用CNN来捕获局部的细节信息,同时利用视觉Transformer来捕获全局特征。通过设计的Fusion特征融合模块将两者提取的特征有机地结合在一起,从而解决了单独使用CNN或视觉Transformer方法存在的局限。最终将结果传递至交互式解码器,生成道路裂缝的检测结果。实验结果表明,无论是在公开的数据集上还是在自建的数据集上,相较于单独使用CNN或视觉Transformer的方法,所提出的方法在道路裂缝检测任务中有更好的效果。

基于改进Faster R-CNN与U-Net算法的桥梁病害识别与量化方法

为实现桥梁病害检测的自动化,对基于图像处理技术的混凝土桥梁表观病害的智能识别和尺寸确定方法展开研究.提出基于改进Faster R-CNN算法的病害识别方法,利用K均值聚类和遗传算法对区域候选网络锚框进行优化设计;以裂缝预测区域为基础,提出ResNet34结合U-Net的裂缝形态提取方法,并结合裂缝形态学研究了裂缝像素宽度和长度的确定方法.结果表明:锚框优化设计可改进Faster R-CNN算法的表观病害识别效果,5类常见病害的预测准确率、召回率、平均精确率分别由68.40%、69.87%、74.64%提升到85.40%、83.59%、83.72%;利用病害预测框,结合改进U-Net算法的裂缝像素尺寸计算,可实现裂缝病害尺寸的自动测量;基于改进Faster R-CNN和改进U-Net的方法可实现混凝土桥梁常见病害的智能识别和尺寸量化,从而提高桥梁病害检测效率并促进桥梁技术状况评定的智能化.

基于深度神经网络的材料粘接裂缝识别

针对传统裂缝识别方法准确率低的问题,研究基于深度神经网络,设计一个Crack-CNN裂缝识别模型。根据CNN神经网络结构,利用CNN的特征提取和学习能力特性,将CNN应用于材料粘接裂缝识别中,然后将裂缝定位和CNN网络相结合,构建Crack-CNN模型,将裂缝图像输入至该模型中,通过CNN网络提取裂缝特征,并进行卷积、池化操作,再利用激活函数和全连接层进行特征分类,最终输出裂缝分类结果。结果表明,相较于传统裂缝识别模型,模型的训练和测试精度均保持在95%以上,模型的训练时间为3825 s,远远低于VGG-13和ResNet模型。由此证明该模型性能好,可在材料粘接裂缝中取得较好的识别效果。

基于改进的Faster R-CNN算法建筑领域裂缝检测研究

在人工智能技术的驱动下,国家建筑设施智能化也在迅猛发展,墙体裂缝的检测问题也受到人们越来越多的关注。针对传统人工对建筑墙体裂缝检测精度低的问题,提出一种改进的Faster R-CNN算法进行墙面裂缝检测。首先,自制实验数据集并进行数据增强,之后使用ResNet50残差网络来替代VGG16网络模块进行特征提取,接着加入FPN特征金字塔模块,提高模型多尺度检测能力,最后使用EIoU损失函数提高模型检测精度。通过实验表明,改进后的算法检测能力大大提升,mAP值达到93.5%,能够满足高精度检测的需求。

基于地铁隧道高分辨率图像的裂缝信息提取

随着运营年限的增长,地铁隧道会逐渐产生各类病害,裂缝是一种典型的病害现象。由于大部分裂缝的特征不突出,且受到地铁隧道内部电缆设备、划痕、蜘蛛网等线状干扰物的影响,现有裂缝检测方法在高分辨率图像下效果不佳。本文以衬砌裂缝为研究对象,基于自主研发的隧道相机系统,实现对隧道表面信息的无损数据采集,获取4096×2168像素的高分辨率图像数据;明确裂缝识别的干扰因素,基于病害特性构建干扰数据集及真实纹理数据集;以掩码-区域卷积神经网络(Mask R-CNN)模型为基准框架,采用K-means和遗传算法对区域建议网络(RPN)网络进行参数优化;利用对比试验和消融试验说明本文算法的检测效果和表现性能。结果表明,本文算法能实现高分辨率图像下隧道裂缝的识别和长度测量,漏检和误检概率更低,对细长、特征不太明显的裂缝具有较好的检测性能,裂缝测量值可为地铁的运营维护提供参考。

基于Mask R-CNN模型的铁路隧道衬砌机制砂混凝土裂缝视觉检测

铁路隧道衬砌结构裂缝图像具有复杂的灰度分布和变化特征,局部和全局的多特征信息会干扰跟踪方向和边界跟踪参数,模型可扩展性受限,检测准确率较低。为此,提出基于Mask R-CNN模型的铁路隧道衬砌机制砂混凝土裂缝视觉检测方法。首先输入分段线性变换后的砂混凝土裂缝图像,抽取阈值,生成连通域标识,再以像素点为背景点,在Mask R-CNN模型中,同时检测裂缝区域的位置和标记像素级的边缘掩膜,判定裂缝边界起点与裂缝宽度;然后进行累加视觉检测方法设计,按照裂缝的几何特征以及排序结果,求解裂缝长度,获得完整的裂缝轮廓。试验结果表明,所提方法可以较为完整地检测所有关键位置,裂缝参数信息检测准确率较高;迭代次数升高后,检测结果受到的影响较小,可扩展性得到了改善,可适应任务需求,具有较好的应用价值。

基于改进Faster R-CNN和正交投影的无砟轨道板裂缝精细化测量

裂缝的检测和宽度识别是无砟轨道板养护维修作业的重要依据。为此,提出一种基于改进Faster R-CNN和正交投影的裂缝宽度测量方法,并基于虚拟模型合成数据,充分训练深度网络,实现对复杂背景下无砟轨道板表面裂缝的精准检测,以提高裂缝几何特征量化的可靠性。首先,基于二维CAD图纸建立参数化的无砟轨道结构三维BIM模型,并通过UE5物理引擎实现真实裂缝特征与虚拟轨道模型的随机融合和真实巡检场景渲染;然后,通过配置虚拟摄像机输出,模拟真实巡检场景下的虚拟裂缝图像,充分训练改进后的Faster R-CNN网络,并在轨道巡检车采集到的原始图像上进行测试;最后,采用正交投影法逐像素地计算检测结果中裂缝的宽度,并与人工取点测量结果进行对比分析。结果表明:改进后的Faster R-CNN网络对于裂缝检测的平均精度提高约10%;网络性能随训练数据的虚实图像比例而变化,于4∶1时达到饱和,平均精度达95.12%;使用融合裂缝数据集训练出的网络模型能够在保持高精准率的同时,达到更高的召回率,有效减少了裂缝的错检、漏检;与人工测量相比,正交投影法测得的裂缝最小宽度与最大宽度分别增大了3.64%和22.40%,测量结果更加稳定且接近真实值,具有更高的可靠性。

基于改进Mask R-CNN深度学习算法的隧道裂缝智能检测方法

隧道裂缝检测是避免隧道重大灾害和日常养护的重要工作,但传统人工检测工作量巨大,无法满足实际需求。采用深度学习神经网络Mask R-CNN模型对裂缝进行智能自动检测,避免了人工检测的耗时耗力。通过调整算法参数,优化模型检测结果,获得适用于隧道裂缝检测的Mask R-CNN模型。针对自动识别的裂缝结果,进一步计算其几何特征参数。为充分利用裂缝狭长弯曲特性,体现裂缝走向及基本形态,提出了基于骨架提取和函数拟合思想的裂缝几何特征计算方法。根据裂缝骨架,可获得裂缝走势,计算裂缝长度。通过函数拟合,可得到贯穿裂缝狭长区域的函数,根据函数法向量计算宽度。根据裂缝几何参数计算结果,结合规范规定的须修复裂纹宽度要求,可实现隧道裂缝检测自动预警,为隧道裂缝自动检测提供了技术支撑。

一种基于MASK R-CNN的铁路隧道裂缝识别方法

铁路隧道裂缝会影响隧道的稳定性,严重时危及列车运行安全,因此,隧道裂缝检测成为避免隧道重大灾害和日常养护的重要工作。传统检测方法以人工为主,检测效率和质量低下,无法满足实际需求,同时基于图像处理的裂缝识别算法准确度不高,使用场景局限,完成任务相对单一。针对于此,提出了一种基于深度学习神经网络Mask R-CNN模型对裂缝进行智能检测的方法,通过调整算法参数,优化模型检测结果,获得适用于隧道裂缝检测的Mask R-CNN模型,从而实现铁路隧道裂缝快速、准确地检测与定位。

水电站智能巡检机器人技术的应用

针对传统基于人工抽水蓄能站裂缝与渗水检测成本过高、检测精度难以保证等问题,文中设计了一套基于机器视觉的巡检机器人系统。构建综合交叉熵与Dice代价函数的卷积神经网络,建立基于总像素准确率、交并比与F1-score的评价函数,确保准确检测常见裂缝。为了验证机器人巡检系统的有效性,文中检验了卷积神经网络,并与常见的计算机视觉方法与人工检测方法进行性能对比。对比结果证明,文中构建的神经网络在检测准确性与检测效率方面均有明显进步。

基于改进Mask R-CNN的混凝土坝裂缝像素级检测方法

为解决传统人工巡检混凝土坝裂缝效率低下的问题,将人工智能和计算机视觉技术相结合,提出了复杂背景下混凝土坝裂缝像素级精细化自动识别分割方法。为克服复杂环境背景因素干扰,基于多种数字图像处理手段对混凝土坝裂缝图像进行预处理,有效去除环境噪声。在Mask R-CNN基础上,对模型主干网络进行改进以提升裂缝特征提取能力。采集500幅包含单裂缝、多裂缝、交叉裂缝、龟裂等多种裂缝形态的混凝土坝裂缝图像用于模型训练与验证,并采用定性分析和定量评估相结合的手段多维度评估模型泛化能力和鲁棒性。结果表明:改进Mask R-CNN对含有多种裂缝特征及噪声背景的裂缝图像识别效果良好,模型在测试集上的目标检测和分割掩码平均精确度分别达76.3和61.9,满足高精度裂缝精细分割要求;与Cascade-Mask R-CNN、Yolact++等基准模型相比,改进Mask R-CNN在目标检测、分割掩码精确度及模型推理速度多方面均有一定的优势。

基于一维卷积神经网络的超声导波管道裂纹识别方法

在船舶运输、石油化工等需要广泛使用各类型管道的行业中,管道的结构健康监测(structural health monitoring, SHM)对于工业系统的安全稳定运行意义重大。在基于超声导波的管道裂纹等级识别方面,建立了一个与实际管道基本一致的有限元模型,通过添加噪声的方式合成了更接近实际检测的导波数据。基于包含不同管道裂纹等级的有限元仿真数据库,提出了一种基于多尺度一维卷积神经网络(multi-scale one dimensional convolution neural network, MS-1DCNN)的管道裂纹等级识别模型,该模型以端到端的方法,将原始波形信号直接作为输入,无需专门设计信号降噪及特征提取算法。试验结果表明,该模型相较于传统机器学习方法在噪声环境下对管道裂纹等级的识别具有较高精度,并通过实物管道试验,验证了该模型在管道结构健康监测中的有效性。

基于红外光谱分析与改进CNN的智能道路质量检测技术

为了精确、快速地识别道路表面的质量情况,及时进行维保,文中提出了一种基于红外光谱分析与改进CNN的智能道路质量检测技术。该方案根据路面图像的红外光谱特征,通过红外光谱识别技术来判断路面是否存在裂缝。为了精准地检测出路面上的裂缝,同时还对CNN模型的ResNet34进行改进,提出了一种编码器-解码器体系结构的检测网络。在仿真实验中,所提出的道路质量检测方法得到的准确率为98.70%,召回率为99.00%,F1值为98.34%,mIoU为76.24%,其检测所需的时间消耗仅为0.51 s,优于SegNet、U-Net和DFN等深度学习方法。

基于改进Faster R-CNN的CRTSⅡ型轨道板裂缝检测方法

高速铁路无砟轨道伤损检测维修的准确率和时效性关乎高速铁路的运营安全,采用机器视觉技术进行高速铁路无砟轨道板裂缝伤损检测可极大提升检测工作的准确率和效率,为此根据CRTSⅡ型轨道板裂缝伤损样本数据特点,提出一种基于改进Faster R-CNN的方法对轨道板裂缝进行检测。该改进方法将检测问题转化为定位问题,精简网络模型,其主干网络选用残差网络,避免网络深度过深而导致学习速度下降;引入引导锚框,以减少冗余锚框,提高检测针对性;采用Soft-NMS算法,改善轨道板裂缝检测的重叠状况,提高裂缝检测效果。为评估该改进方法的可靠性,建立CRTSⅡ型轨道板裂缝检测评价标准,并依据该评价标准将改进方法与R-FCN,YOLO-v5,Faster R-CNN及YOLOx网络算法进行对比测试。结果表明:提出的改进方法综合表现优于其他算法,具有更高的准确率以及最小的漏检率,最佳模型查准率为95.9%,查全率为89.6%,相较于其他几种经典算法分别提高了约2%~4%和2%~6%,能够较好地应用于CRTSⅡ型轨道板裂缝检测场景。

针对单张沥青路面图像中裂缝的高效语义级修复

原始无损路面图像对分析路面损伤演化细节及制定下一步养护方案具有重要意义,而实地采集中无法获取路面裂缝图像对应的初始状态.为了获取其对应的无损路面图像,本文提出了一种基于深度图像先验的无监督沥青路面裂缝图像修复算法,可实现对单张路面图像中裂缝的高效语义级修复.首先采用鲁棒主成分分析算法去除路面裂缝图像表面的竖状条纹噪声.随后,采用最大类间方差法及形态学处理得到裂缝区域的二进制掩码图像.最后,运用提出的深度图像先验修复算法对裂缝区域进行修复得到最终的无损路面图像.在自采集路面裂缝图像数据集上对所提方法进行了评估.实验结果表明,所提方法能够有效实现路面裂缝图像语义级修复,峰值信噪比和结构相似性较传统的方法有了明显提升,平均达到了43.3823 dB和0.9834,且兼具高速度.

基于深度学习的野外露头区岩石裂缝识别

针对当前地质考察中的野外露头区岩石裂缝及周围环境较为复杂且数据依赖人工描绘和传统的图像处理算法,其识别效率及准确度低下造成地质考察研究困难这一实际情况,提出一种基于深度学习的露头区岩石裂缝识别算法,从而提高岩石裂缝识别的准确度及效率。该方法基于TensorFlow架构,先将预处理的训练数据集图片进行人工挑选预处理为裂缝和背景2类图片,再将已分类的图片传入已设计完成的卷积神经网络模型进行训练并保存训练模型的参数数据,用已训练的模型数据对预处理的岩石裂缝图片进行识别并记录裂缝位置信息,通过裂缝位置信息对未预处理过的原色岩石裂缝图片进行裂缝定位并显示。实验结果表明所用方法可较高准确度地识别裂缝,为地质考察提供更准确便捷的裂缝识别方法。

基于Faster R-CNN的多任务增强裂缝图像检测方法

针对Faster R-CNN算法对多目标、小目标检测精度不高的问题,本文提出一种基于Faster R-CNN的多任务增强裂缝图像检测(Multitask Enhanced Dam Crack Image Detection Based on Faster R-CNN,ME-Faster RCNN)方法。同时提出一种基于K-means的多源自适应平衡TrAdaBoost的迁移学习方法(multi-source adaptive balance TrAdaBoost based on K-means,K-MABtrA)辅助网络训练,解决样本不足问题。ME-Faster R-CNN将图片输入ResNet-50网络提取特征;然后将所得特征图输入多任务增强RPN模型,同时改善RPN模型的锚盒尺寸和大小以提高检测识别精度,生成候选区域;最后将特征图和候选区域发送到检测处理网络。K-MABtrA方法利用K-means聚类删除与目标源差别较大的图像,再在多元自适应平衡TrAdaBoost迁移学习方法下训练模型。实验结果表明:将ME-Faster R-CNN在K-MABtrA迁移学习的条件下应用于小数据集大坝裂缝图像集的平均IoU为82.52%,平均精度mAP值为80.02%,与相同参数设置下的Faster R-CNN检测算法相比,平均IoU和mAP值分别提高了1.06%和1.56%。

基于实例分割+CCTV排水管道缺陷检测方法研究

当前排水管道检测普遍采用CCTV管道闭路电视检测系统,但系统在缺陷判断过程存在人工参与度高,检测效率低、主观误差大等问题。本文提出一种基于实例分割算法结合CCTV排水管道缺陷检测方法,采用CCTV检测系统采集管道图像,基于Mask R-CNN卷积神经网络排水管道缺陷实例分割检测,对破裂、变形、腐蚀、沉积、障碍物、树根缺陷进行检测分类,并对其中破裂缺陷进行检测评级。实验结果表明,现场实验缺陷检测准确率达到了100%,现场实验破裂缺陷检测高阶分类准确度达到100%,表现出较好检测性能。

基于改进Faster R-CNN+ZF模型的铁路桥梁裂缝分类方法

针对传统图像处理算法不能对存在过饱和像素和随机高强度噪声影响的铁路桥梁裂缝图像有效分类的问题,设计了一种基于改进Faster R-CNN+ZF模型的铁路桥梁裂缝自动分类方法.首先将原始图像集进行数据增强后,参照Pascal Voc数据集格式自制训练所需数据集;然后在Faster R-CNN网络模型前添加一层Prewitt算子锐化卷积层提升模型特征提取能力;最后重置ZF模型中相关卷积核的尺度、优化模型超参数和学习率,使模型的鲁棒性和高实时性得到有效保障.该方法在实际采集的49124幅铁路桥梁裂缝图像数据集中进行测试.结果表明:新的算法能实现所有铁路桥梁裂缝类型的分类,有效裂缝识别率达93.7%以上,明显优于投影法和支持向量机法,具有很强的工程应用价值.