开发者社区> 阿炜小菜鸡> 正文
阿里云
为了无法计算的价值
打开APP
阿里云APP内打开

基于深度学习的裂缝检测技术

简介: 表面裂缝检测是监测混凝土结构健康的一项重要任务。如果裂纹发展并继续扩展,它们会减少有效承载表面积,并且随着时间的推移会导致结构失效。裂纹检测的人工过程费时费力,且受检验人员主观判断的影响。在高层建筑和桥梁的情况下,手动检查也可能难以执行。
+关注继续查看

不同于传统的裂缝检测方法,基于深度学习的检测方法不需要人工干预,能自主学习有代表性的特征,直接对输入图像的裂缝进行检测。 

       随着深度学习方法在许多应用场景中取得了很好的检测结果。国内众多研究人员也开始把基于深度学习的目标检测模型和语义分割模型用于裂缝检测任务中。 

      吴贺贺等人使用 Faster R-CNN 网络进行隧道裂缝检测,该方法能够降低对图像质量的要求,能够完成裂缝的准确定位。王丽苹采用 ZF 网络作为 Faster R-CNN 模型的主干网络进行图像特征提取,完成对混凝土裂缝的识别与定位,是一种高效可靠的裂缝检测方法,该方法对大裂缝有较好的检测效果,但对于小裂缝会出现漏检等问题。孙朝云等人用 VGG16 等网络的特征提取层替换 Faster R-CNN的主干特征提取网络,实验证明 VGG16 和 Faster R-CNN 结合后的模型检测效果最佳,然后调整裂缝候选框的宽高比以使模型更好地适应裂缝检测,该方法能够提高检测准确率,但检测速度不理想。 

       李中远将 SSD 目标检测算法应用于道路裂缝检测任务中,相比于传统检测方法能够实现高精度、高速度检测。温作林建立了基于 YOLOv3 深度学习的目标检测方法,该方法实现了对结构裂缝和非结构裂缝的准确识别。王磊提出基于YOLOV3 的路面裂缝检测定位方法,提出了一种多框重叠覆盖裂缝的标注方式,检测结果中的裂缝基本上可以被全部被框出,且有效地平衡了检测的准确率和速度,在他的数据集上准确率达到了 87%,但仍有很大的上升空间。蔡逢煌等人提出基于 YOLOv3 改进的裂缝检测方法,首先使用深度可分离卷积代降低网络整体的参数量,同时引入逆残差结构提高检测精度,然后融入 CBAM 注意机制使网络更加关注重要信息,抑制无用信息。该方法可以实现裂缝的识别与定位,且拥有实时性检测速度,但检测结果会出现裂缝遗漏在检测框外的问题。李彬等人提出基于 YOLOv4 改进的缺陷检测方法,通过 K-means 对缺陷样本聚类获得适合缺陷检测的先验框,然后在主干特征提取网络和 PANet 的连接处添加卷积层,同时在空间金字塔池化结构的输入端和输出端都添加卷积层,通过增加网络纵深,提高网络的特征提取能力,使 mAP 指标在他的数据集上提高了 4.55%。但是通过大量增加卷积层也使网络结构更加复杂,检测速度变慢。 

      李丽基于 Alexnet 网络构建了 FCN 模型,可以检测出复杂路面背景下的裂缝。王森等人首先用 VGG16 替换 FCN 的主干特征提取网络,然后去除了全连接层中的 Dropout 层,最后修改滤波器尺寸以及提升网络纵深,能有效提高检测精度。但是 FCN 仍存在明显缺陷,分割结果不够精细。朱苏雅等人采用 U-Net 网络进行裂缝检测,利用阈值法和改进的迪杰斯特拉连接算法进行边缘提取,该方法提升了检测精度,但受限于 U-Net 检测效果。

      国外也有很多研究人员已经把基于深度学习的目标检测模型和语义分割模型用于裂缝检测任务中。 

      Cha 等人使用 Faster  R-CNN 方法对混凝土裂缝等 5 类损伤进行检测,平均检测准确率较高。Mandal 等人使用经过大量裂缝图像训练后的 YOLOv2 模型进行路面检测,该方法虽然精确率和召回率等值较高,但容易漏检和误检细小裂缝。Nie 等人提出基于 YOLOv3 的裂缝检测方法,很好的平衡了检测速度和检测精度。Carr 等人利用 RetinaNet网络进行道路裂缝检测,通过残差网络和特征金字塔结构以提取到多种不同尺度特征,通过对候选区域分类和边界框回归完成裂缝检测。Zhang 等人使用深度卷积神经网络、支持向量机和集成学习共三种方法分别对道路裂缝图像进行检测,发现深度卷积神经网络的检测准确率最高,验证了深度学习方法对裂缝检测场景的适用性。Liu 等人采用 U-Net 方法进行裂缝检测,分割效果较 FCN 有很大提升,但仍存在细节丢失、漏检和误检等问题。Dung 等人提出了一种裂缝检测方法,用预训练好的 VGG16 作为 FCN 编码器的主干网络,该方法获取较好的裂缝分割效果。

      深度学习方法不需要人工提取裂缝特征,比传统图像处理方法的检测结果更加精确,鲁棒性更强,不容易受外界因素影响,同时能够充分利用计算机的运算能力,拥有更快的检测速度,在众多检测与分割领域都取得了优异的结果。

6FPK6TZ2B7KPMZO8$`5NTCO.png

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
基于深度学习的目标检测算法原理
目标检测是高级视觉研究领域的重要前提,是计算机视觉研究的核心问题。深度学习拥有强大的自学习能力,将其运用至目标检测领域能够在一定程度上弥补了传统检测方法的不足。
58 0
基于深度学习的口罩污染目标检测算法介绍
近年来,随着人工智能的快速发展,基于深度学习的目标检测算法有着越来越广泛的应用,由于深度学习算法在真实环境中的鲁棒性远超过传统视觉算法,更适合应对现实环境中的各种复杂情况.
73 0
基于深度学习技术的视频内容检测
短视频APP在UGC场景下出现了大量重复视频内容,该重复视频被重复曝光、重复消费,造成了用户体验较差,甚至于用户流失。本次分享重点介绍基于深度学习CNN技术构建视频重复内容检测服务,并给出该方案的工程实现。该服务上线后,重复检测准确率80%,视频内容分发提效20%。
1548 0
基于深度学习的计算机视觉应用之目标检测
欢迎大家关注我们的网站和系列教程:http://www.tensorflownews.com/,学习更多的机器学习、深度学习的知识! 目标检测作为图像处理和计算机视觉领域中的经典课题,在交通监控、图像检索、人机交互等方面有着广泛的应用。
1769 0
基于机器学习的web异常检测
本文讲的是基于机器学习的web异常检测,Web防火墙是信息安全的第一道防线。随着网络技术的快速更新,新的黑客技术也层出不穷,为传统规则防火墙带来了挑战。传统web入侵检测技术通过维护规则集对入侵访问进行拦截。
2093 0
基于机器学习的web异常检测
基于机器学习技术的新一代web入侵检测技术有望弥补传统规则集方法的不足,为web对抗的防守端带来新的发展和突破。本文介绍了机器学习用于web异常检测的几个思路。
11878 0
实践:基于深度学习的卫星图像超分辨率处理技术(一)
Yann Lecun曾将无监督学习比作蛋糕,将监督学习比作蛋糕上的糖霜,声称我们仅懂得如何做糖霜却不知道怎样才能做出蛋糕。在本篇文章中,我们提供了一份训练无监督学习算法的“蛋糕”配方,用来增强卫星图像。
16485 0
65
文章
3
问答
文章排行榜
最热
最新
相关电子书
更多
低代码开发师(初级)实战教程
立即下载
阿里巴巴DevOps 最佳实践手册
立即下载
冬季实战营第三期:MySQL数据库进阶实战
立即下载