基于YOLOv5和U-Net3+的桥梁裂缝智能识别与测量

为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题,提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数,优化边界框损失函数,构建基于YOLOv5目标检测算法的裂缝识别定位模型,实现桥梁裂缝快速识别与定位;引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法,训练并构建桥梁裂缝高效分割模型,实现像素级裂缝智能化提取;建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法,基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量;利用LabelImg图像标注软件制作包含4 414张图像的裂缝识别定位模型训练数据集;利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集;利用无人机航拍的485张5 280×2 970 pixels桥梁索塔裂缝图像,来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象,其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%,裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明,基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法,可实现桥梁裂缝高效率、高精度、智能化检测,具有较强的研究价值和广泛的应用前景.     

基于图像处理与深度学习的隧道衬砌裂缝检测

针对目前隧道衬砌裂缝检测方法适应性不好且检测精度不高等问题,提出了以图像处理和深度学习相结合的衬砌裂缝检测方法 .首先,以隧道衬砌图像采集车载设备为研究对象,对获取的图像利用改进Mask匀光算法去除图像中的阴影,利用拼接缝去除方法去除拼接缝.其次,构建改进的VGG19网络模型,通过深度学习方法实现了衬砌裂缝的高效分割,提出基于虚拟标尺的裂缝长度和宽度测量方法,实现了衬砌裂缝的高效准确检测.最后通过实际隧道检测试验验证了本文方法的可行性和有效性,试验结果表明裂缝类型识别率高,裂缝长度的最大偏差为2.92 mm,裂缝宽度的最大偏差为0.28 mm.     

基于图像分析技术的混凝土桥梁结构表面裂缝宽度检测

针对目前检测裂缝宽度时通常采用的接触式人工直接测量方法费时费力、且难以准确测量最大裂缝宽度的问题,基于图像分析技术的应用,提出采用在混凝土表面粘贴纯色标定块来标定、修正原始图像,并对其进行对比增强、平滑等一系列处理后直接在图像上确定裂缝宽度的无接触式测量方法.基于所提方法,分别以正拍和斜拍图像对一开裂混凝土梁的表面裂缝进行了检测,结果表明:基于正拍和斜拍图像确定的裂缝宽度的识别精度分别为93.4%和90.9%,表明该方法能有效检测混凝土结构表面的裂缝宽度.     

基于动态阈值的混凝土裂缝高抗噪提取及识别方法

针对表面布有蜂窝麻面等复杂噪声的混凝土裂缝,提出了一种基于动态阈值的混凝土裂缝高抗噪提取方法.首先,通过灰度变换、高斯滤波、信息增强等技术弱化、去除噪声,增强图像中裂缝的亮度,提高裂缝与背景的对比度;然后,采用OTSU阈值分割算法去除伪裂缝,基于裂缝与干扰噪声面积的差异,引入动态阈值,实现各类型裂缝的提取;最后,基于边缘检测和裂缝骨架细化处理,计算裂缝的长度、宽度和面积3项特征参数.基于室内实验和室外实际桥梁拍摄的4组裂缝图像结果表明,4组裂缝的平均宽度分别为2.01、1.07、1.34、0.97 mm,说明该方法适用于不同背景下各类型裂缝的提取,具有较强的鲁棒性.     

基于计算机视觉的混凝土裂缝识别

为降低对结构表面进行裂缝识别的经济和时间成本,而采用计算机视觉技术、使用消费级照相机对裂缝图片进行处理,识别裂缝区域和测量裂缝宽度,包括图像模糊、图像增强、形态学运算、图像畸变校准、连通域标记、孤立点消除、裂缝碎片拼接等.对提取出的裂缝区域,统计裂缝发展方向,计算其对应的裂缝长度及宽度.通过钢筋混凝土梁静力加载试验,对梁表面裂缝进行拍摄,在实验室条件下得知裂缝宽度误差在0.1 mm左右.     

基于数字图像处理的路面裂缝识别关键技术研究

为提升基于数字图像处理技术的高速公路路面裂缝自动检测识别技术的识别速度及识别率,对采集到的路面裂缝图像,通过均衡化处理增强路面裂缝图像,提出一种自适应的快速去噪方法可提升识别速度;对经过图像预处理的裂缝图像,采用大津阈值分割法提取出图像中的裂缝,并在此基础上施加适当的形态学方法加以修正.实验表明,该方法可以快速有效地识别图像中裂缝的类型、长度、宽度、面积等信息.     

基于深度学习的隧道裂缝识别方法

为提高隧道衬砌裂缝的识别精度和速度,提出一种基于深度学习的隧道衬砌裂缝自动识别算法。该算法使用两个深度卷积神经网络分别实现隧道衬砌图像分类和裂缝识别。首先使用图像分类网络对隧道衬砌图像进行分类,筛选出含有裂缝的图像;然后使用裂缝识别网络,结合滑动窗口扫描的方式对含有裂缝的图像进行裂缝识别,得到初步的裂缝定位结果;最后根据初步的裂缝定位结果进行图像分割,并计算出裂缝的长度值和宽度值。实验结果表明:图像分类和裂缝识别的准确率均达到98%;处理单张不包含裂缝的大尺度图像耗时0. 008 s,处理单张包含裂缝的图像耗时0. 688 s;施工缝、线缆、字迹等对裂缝识别的影响减弱。     

基于数字图像的混凝土桥梁裂缝检测技术

应用visual C++6.0语言编制程序,研究了基于数字图像的桥梁裂缝检测方法,深入分析评价了图像灰度化、棋盘格角点求解像素率、滤波除噪、边缘检测等图像处理算法,实现了基于视频(或图像)的桥梁裂缝宽度计算和软件系统,并用15幅桥梁裂缝图像验证了其裂缝检测精度.结果表明:本文提出的裂缝识别方法能较好地用于钢筋混凝土桥梁和B类预应力混凝土桥梁的裂缝检测,当裂缝宽度大于0.3 mm时,图像计算出的裂缝宽度值与实测值非常接近,相对误差在6％以内;当裂缝宽度为0.2～0.3mm时,相对误差在10％以内.     

基于深度学习SCNet的钢筋混凝土锈蚀裂缝识别

为提高钢筋混凝土锈蚀裂缝检测分类的效率和精度，提出了一种基于深度学习卷 积神经网络（Convolutional Neural Network，CNN）的钢筋混凝土锈蚀裂缝识别模型 SCNet（Steel Corrosion Net）. 首先通过原始数据采集和数据增强构建了39 000张图片的裂缝数据集，然后利 用 TensorFlow 学习框架和 Python构建神经网络模型并进行训练测试，根据模型的训练精度和 测试精度进行网络结构和网络参数的优化，最终将 SCNet识别模型与两种传统检测方法进行 对比 . 结果表明：文中所建立的 SCNet三分类神经网络模型达到了 96.8%的分类准确率，可以 有效识别分类钢筋混凝土锈蚀裂缝，并且具有较高的准确率和可测性；在图像数据有阴影、扭 曲等噪声干扰的条件下，两种传统检测方法已不能达到理想的分类效果，SCNet模型仍能表现 出相对稳定的分类性能.     

基于分数阶积分谷底边界检测的路面裂缝提取

针对路面裂缝图像噪声大、边界弱、裂缝细小导致分割难的问题,提出了一种基于谷底边界的路面裂缝提取方法.该方法首先对原始图像进行邻域平滑处理,在消除噪声的同时扩展了裂缝的相对宽度;接着对图像进行基于分数阶积分的谷底边界检测;然后采用形态学方法对图像进行处理,使裂缝趋于光滑后进行短线噪声去除,并结合最大熵阈值断线连接法自动连接裂缝断口,从而得到最终的裂缝检测结果.实验结果表明,该方法能快速检测出细小的路面裂缝,具有抗噪性能好、定位准确及检测精度高的特点.     

陕北油田黄土工区道路冲蚀灾害模型试验研究

为探究陕北油田黄土工区道路冲蚀灾害特征及路面细沟冲蚀影响因素,采用物理模型试验,模拟径流冲刷砂黄土道路,对道路细沟冲蚀发育过程,不同工况下细沟长度、平均宽度以及平均深度的发展特征和产沙速率变化规律进行了研究。结果表明:细沟的发育过程可分为四个阶段:面蚀阶段—跌坑形成阶段—细沟发育阶段—切沟侵蚀、崩塌阶段。细沟长度、平均宽度和平均深度与放水时间成幂函数关系,随着放水时间的增大而增大。其中细沟长度随着试验时长的增加先急剧增加,然后逐渐减少;细沟平均宽度随试验时长的增加总体呈现先快速增加后增加速度减慢;平均深度变化速度均在某一时刻达到拐点,流量越大达到拐点的时间越早。冲蚀灾害受流量和坡度影响显著,总体上随着坡度和流量的增大而增大;产沙速率总体上与流量成线性关系,在其他条件一致的情况下,产沙速率随着流量的增大而增大;与南部的粉黄土和黏黄土相比,陕北油田工区的砂黄土产沙速率明显偏大,冲蚀灾害更为严重。     

融于图像多特征的路面裂缝智能化识别

路面裂缝形状不规则复杂程度高。传统路面裂缝识别技术需要对路面图像进行复杂预处理工作进行识别,不能自动化对路面裂缝图像进行分类。为提高对路面裂缝识别精度和效率,本文将基于深度学习方法提出一种自动识别路面裂缝并能减少图像预处理工作量的方法。首先,将原始图像切割为小样本图像,根据图像多特征进行分类,各选取相同类型样本2000张图像构建数据集;其次,利用双线性内插法对裁剪后图像进行上采样,凸显图像特征便于神经网络学习;最后,使用深度学习神经网络对训练样本进行特征提取训练模型。实验结果表明：ResNet101模型评估指标均优于其他深度学习模型和机器学习模型,模型测试精度达0.898,kappa系数为0.815。     

基于语义分割的光伏组件积灰检测与分析

为了解决恶略环境条件下难以对光伏电池板表面积灰定性定量分析的问题,提出了一种基于深度学习算法的光伏电池板表面积灰智能检测方法。首先,构建数据集,通过实地调研采样以及在实验室模拟等方法并利用图像处理技术构建完备的数据集;然后,利用深度学习语义分割技术对数据进行训练并对其优化;最后,采用图像处理技术对输出图像进行处理,以解决对积灰的定性定量分析。实验结果表明所提方法的有效性,可以应用于光伏电池板表面积灰的智能检测。     

基于改进YOLOv5s和传感器融合的目标检测定位

针对无人车环境感知过程中相机无法提供道路目标的位置信息,激光雷达点云稀疏以致检测方面难以达到很好效果的问题,提出一种通过融合两者信息进行目标检测和定位的方法。采用深度学习中YOLOv5s算法进行目标检测,通过联合标定进行相机与激光雷达外参的获取以转换传感器之间的坐标,使雷达点云数据能投影到相机图像数据中,得到检测目标的位置信息,最后进行实车验证。结果表明,所提算法能在搭载TX2嵌入式计算平台的无人车自动驾驶平台上拥有27.2 Hz的检测速度,并且在一段时间的检测环境中保持12.50%的漏检率和35.32 m的最远识别距离以及0.18 m的平均定位精度。将激光雷达和相机融合,可实现嵌入式系统下的道路目标检测定位,为嵌入式平台下环境感知系统的搭建提供了参考。     

基于Mask R-CNN的防波堤复杂护面块体检测和分割方法

针对斜坡式防波堤护面层块体个数统计效率和精确率低的问题,提出了基于Mask R-CNN深度学习网络的斜坡式防波堤扭王字块体的识别和分割方法。该方法利用Mask R-CNN深度学习网络学习实验室采集图像的特征信息,通过调整交并比(IOU)阈值得到评价指标最好的模型,并将该模型应用于现场防波堤图像护面块体的识别和分割。测试结果表明,IOU取0.5时,目标分割的平均精确率为91.83%,平均召回率为92.94%;将训练得到的网络用于识别无人机航拍现场的防波堤图像,扭王字块识别率可达90.7%,且拍摄角度和高度对识别精度影响不大。Mask R-CNN深度学习网络可实现密集、复杂护面块体的准确识别,具有良好的移植性和通用性。     

基于分数域加窗和对比度增强的路面裂缝检测

针对传统人工路面裂缝检测的效率和精度低以及耗费大量人力物力等问题,提出了一种基于分数域加窗和对比度增强的路面裂缝检测方法。首先,使用分数阶傅里叶变换将裂缝图像转化到分数域,利用最优窗函数对频谱进行加窗处理达到去噪效果。然后,使用分数阶同态滤波算法对去噪图像进行对比度增强,并通过迭代的方法获取最佳阶次下对比度最高的图像。最后,使用Canny算法和Otsu算法分别对增强图像做边缘检测和阈值分割,通过对两者结果做或运算和图像形态学运算来有效提取裂缝图像中的裂缝特征。将检测结果与分数频域处理法和改进HC显著法对比,该方法的准确率分别提升了5.84%和4.5%,召回率分别提升了5.58%和3.52%,表明该方法在路面裂缝检测上具有更好的检测效果和更高的识别率。     

基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集; 其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率; 最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92%,相比其他深度学习模型具有更高的检测精度和鲁棒性.