-
公开(公告)号：CN112419244B
公开(公告)日：2022-11-01
申请号：CN202011255415.5
申请日：2020-11-11
Applicant: 浙江大学
Abstract: 本发明公开了一种基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法及装置，属于混凝土结构损伤检测技术领域，包括：获取裂缝图片，在图片上标注标签，形成裂缝数据库；将数据库输入YOLOv4模型，训练针对裂缝的目标检测模型；将已训练好的YOLOv4模型进行稀疏化训练，再进行剪枝，得到YOLOv4‑P模型；将待测图像输入YOLOv4‑P模型中进行检测，对检测到的裂缝进行裁剪，裁剪后的裂缝图像使用限制对比度自适应直方图均衡算法对裂缝进行强化，强化后输入管状流场算法中进行裂缝分割。相比语义分割模型，本发明中图像标注的工作量大幅降低，具备实时性，且检测结果精确，具有实际工程意义。
-
公开(公告)号：CN116797543A
公开(公告)日：2023-09-22
申请号：CN202310542480.3
申请日：2023-05-15
Applicant: 浙江大学
IPC: G06T7/00 , G06V10/26 , G06V20/70 , G06V20/05 , G06V20/40 , G06V10/82 , G06T7/60 , G06T17/00 , G06N3/0464 , G06N3/0985 , G06N3/04
Abstract: 本发明属于混凝土结构损伤检测技术领域，提供一种水下混凝土裂缝分割方法及计算设备，本发明通过利用爬壁机器人在水下混凝土获取裂缝视频并将其拆解为图片序列再利用CLN模型进行处理，实现对视频图像的预测，准确掌握结构表面整体的受损信息；本发明可以根据水环境内水流作用、水生生物的干扰等因素，将结构损伤检测范围拓展至水下，与三维重构技术的结合可以补全结构的整体表面，从而实现对水下混凝土结构的精确复原和病害检测；本发明对水下混凝土表面的裂缝具有较高的分割精度，且能够测定图像内裂缝的几何参数，并复原了水下混凝土的三维结构，使得算法能够提供结构的完整损伤信息，具备较强的实际应用价值，具有良好的工程意义。
-
公开(公告)号：CN111476781B
公开(公告)日：2023-04-07
申请号：CN202010269508.7
申请日：2020-04-08
Applicant: 浙江大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08 , G06T7/11
Abstract: 本发明公开了一种基于视频语义分割技术的混凝土裂缝识别方法和装置，属于混凝土结构损伤检测技术领域，包括：获取裂缝视频，在视频图片帧中手动标注标签；利用空间位移卷积块对已标注的帧预测未来帧和未来标签，并同时传播未来帧和未来标签，获得合成样本并进行预处理，形成裂缝数据库；修改Deeplabv3+的数据的输入、输出端口及参数，使其接受视频输入，并以视频输出，建立CVN模型；将已训练好的Deeplabv3+网络中的卷积层，作为CVN模型的初始权重进行迁移；将裂缝数据库输入迁移后的CVN模型，训练针对裂缝数据的混凝土裂缝检测语义分割模型CVN。相比卷积神经分类网络减少了对数据量的需求，能够以视频输入、以视频输出，快速准确识别目标，具有实际工程意义。
-
公开(公告)号：CN110378252A
公开(公告)日：2019-10-25
申请号：CN201910574973.9
申请日：2019-06-28
Applicant: 浙江大学
Abstract: 本发明属于混凝土结构损伤检测技术领域，公开了一种基于深度迁移学习算法的混凝土裂缝识别方法，对裂缝图像进行预处理形成数据集；以裂缝数据集作为输入，将在ImageNet上已训练好的视觉几何组(Visual Geometry Group，简称VGG-16)网络中的卷积层作为特征提取器进行输出，预训练出一个全连接层；将VGG-16网络中全连接层以上的特征层进行迁移，与之前预训练的全连接层连接，得到基于深度迁移学习的神经网络模型，冻结部分参数，重新进行训练。本发明提出的基于深度迁移学习算法的混凝土裂缝检测模型，减少了模型对混凝土裂缝图像数量的依赖性，降低了运算成本，并保留了深度学习模型能够快速准确识别目标的优点，具有更强的鲁棒性和泛化能力。
-
公开(公告)号：CN118465757B
公开(公告)日：2024-11-15
申请号：CN202410912638.6
申请日：2024-07-09
Applicant: 浙江大学
Abstract: 本发明属于给排水管道检测技术领域，提供一种管线信号识别和走向计算方法，包括：获取埋地管道的三维雷达数据；确定三维雷达数据阵列块的尺寸和移动重叠率，对三维雷达数据进行阵列化处理形成阵列块数据集，并对阵列块数据集进行手动标注；对阵列块数据集进行信号强化及数据增强；将经信号强化和数据增强的阵列块数据集输入一个针对三维雷达数据训练的管道识别模型；根据管道识别模型的管道识别结果，对阵列块数据集进行染色并利用被染色的阵列块计算管道走向。实现可对多种材质的管道进行准确识别，降低地下环境噪声特征的干扰，自动且准确计算隐蔽管线的走向，便于施工开挖；并且处理效率较高为城市基础设施建设和管理提供可靠的技术支持。
-
Patent Agency Ranking
公开(公告)号：CN118673272A
公开(公告)日：2024-09-20
申请号：CN202410604897.2
申请日：2024-05-15
Applicant: 浙江大学
IPC: G06F18/10 , G06F18/2131 , G06F18/214 , G06F18/27 , G06N3/0455 , G06N3/0464 , G06N3/08 , F17D5/02 , F17D5/06 , G01M3/24
Abstract: 本发明涉及管道检漏降噪技术领域，提供一种基于深度学习的降噪模型的构建方法及应用，包括：将纯净信号与噪声信号按不同的比例进行信号调制，获得不同信噪比的含噪信号；将纯净信号进行短时傅里叶变换STFT提取信号的频谱幅值，将幅值的绝对值作为模型训练的目标样本；将含噪信号进行短时傅里叶变换STFT得到含噪信号的频谱幅值，将频谱幅值取绝对值，利用PAS算法对幅值进行修正，作为训练样本；将训练样本和目标样本的幅值归一化，将其输入到降噪卷积编码‑解码神经网络中进行训练；通过损失函数优化神经网络模型，得到管道检漏降噪模型。依靠神经网络学习含噪信号与纯净信号的映射关系，可有效的去除非平稳噪声，针对模型的训练库进行扩充。
-
公开(公告)号：CN118465757A
公开(公告)日：2024-08-09
申请号：CN202410912638.6
申请日：2024-07-09
Applicant: 浙江大学
Abstract: 本发明属于给排水管道检测技术领域，提供一种管线信号识别和走向计算方法，包括：获取埋地管道的三维雷达数据；确定三维雷达数据阵列块的尺寸和移动重叠率，对三维雷达数据进行阵列化处理形成阵列块数据集，并对阵列块数据集进行手动标注；对阵列块数据集进行信号强化及数据增强；将经信号强化和数据增强的阵列块数据集输入一个针对三维雷达数据训练的管道识别模型R3D；根据管道识别模型R3D的管道识别结果，对阵列块数据集进行染色并利用被染色的阵列块计算管道走向。实现可对多种材质的管道进行准确识别，降低地下环境噪声特征的干扰，自动且准确计算隐蔽管线的走向，便于施工开挖；并且处理效率较高为城市基础设施建设和管理提供可靠的技术支持。
-
公开(公告)号：CN112419244A
公开(公告)日：2021-02-26
申请号：CN202011255415.5
申请日：2020-11-11
Applicant: 浙江大学
Abstract: 本发明公开了一种基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法及装置，属于混凝土结构损伤检测技术领域，包括：获取裂缝图片，在图片上标注标签，形成裂缝数据库；将数据库输入YOLOv4模型，训练针对裂缝的目标检测模型；将已训练好的YOLOv4模型进行稀疏化训练，再进行剪枝，得到YOLOv4‑P模型；将待测图像输入YOLOv4‑P模型中进行检测，对检测到的裂缝进行裁剪，裁剪后的裂缝图像使用限制对比度自适应直方图均衡算法对裂缝进行强化，强化后输入管状流场算法中进行裂缝分割。相比语义分割模型，本发明中图像标注的工作量大幅降低，具备实时性，且检测结果精确，具有实际工程意义。
-
公开(公告)号：CN111476781A
公开(公告)日：2020-07-31
申请号：CN202010269508.7
申请日：2020-04-08
Applicant: 浙江大学
Abstract: 本发明公开了一种基于视频语义分割技术的混凝土裂缝识别方法和装置，属于混凝土结构损伤检测技术领域，包括：获取裂缝视频，在视频图片帧中手动标注标签；利用空间位移卷积块对已标注的帧预测未来帧和未来标签，并同时传播未来帧和未来标签，获得合成样本并进行预处理，形成裂缝数据库；修改Deeplabv3+的数据的输入、输出端口及参数，使其接受视频输入，并以视频输出，建立CVN模型；将已训练好的Deeplabv3+网络中的卷积层，作为CVN模型的初始权重进行迁移；将裂缝数据库输入迁移后的CVN模型，训练针对裂缝数据的混凝土裂缝检测语义分割模型CVN。相比卷积神经分类网络减少了对数据量的需求，能够以视频输入、以视频输出，快速准确识别目标，具有实际工程意义。
-
公开(公告)号：CN110175658A
公开(公告)日：2019-08-27
申请号：CN201910558541.9
申请日：2019-06-26
Applicant: 浙江大学
Abstract: 本发明属于混凝土结构损伤检测技术领域，公开了一种基于YOLOv3深度学习算法的多目标裂缝识别方法，将裂缝图像导入YOLOv3模型，图像被自动压缩为416×416像素分辨率；采用类似FPN的上采样和特征融合方式，将原始图像按特征图的尺度大小划分为S×S网格；以候选框与真实框的交并比作为评价标准，对图像训练集的所有裂缝目标标注框使用K-means聚类分析，以获得候选框的大小；通过逻辑回归对每个边界框预测该框包含目标的概率。本发明简化了网络训练的复杂性，降低了运算成本；对多目标进行快速准确识别，快速实现目标检测的同时又获得了远优于其它模型的准确率，具有更强的鲁棒性和泛化能力，更加适合工程应用环境。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
