公开(公告)号：CN110322442A

公开(公告)日：2019-10-11

申请号：CN201910623302.7

申请日：2019-07-11

Applicant: 福州大学

Inventor： 吴丽君 ,  宋春歌 ,  陈志聪 ,  周海芳 ,  纪金树 ,  程树英 ,  林培杰 ,  郑婉芳

IPC: G06T7/00

Abstract: 本发明涉及一种基于SegNet的建筑物表面裂纹检测方法，包括步骤S1：采集原始桥梁裂纹图像数据集以及原始墙体裂纹图像数据集；步骤S2：对步骤S1采集的图像进行注释，标注出裂纹的轮廓；步骤S3：进行图像预处理；步骤S4：进行模型训练，采用Keras框架实现SegNet模型，并在Anaconda平台下，将预处理后的数据集送入改进的SegNet模型进行训练，训练完成后将最佳模型保存；步骤S5：利用步骤S4保存的最佳模型进行裂纹检测。本发明能有效地适应环境变化，达到较好的检测效果，对于提升建筑物表面裂纹检测的准确率和效率有重要作用。

公开(公告)号：CN109376773A

公开(公告)日：2019-02-22

申请号：CN201811155370.7

申请日：2018-09-30

Applicant: 福州大学

Inventor： 吴丽君 ,  林旭 ,  陈志聪 ,  纪金树 ,  洪志宸 ,  林培杰 ,  程树英

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种基于深度学习的裂纹检测方法，包括以下步骤：步骤S1：训练集、验证集与测试集的采集；按比例随机分成训练集、验证集和测试集；步骤S2：目标分类检测；通过采用迁移学习方法训练卷积神经网络模型；步骤S3：利用拼接算法对待检测图片进行拼接；步骤S4：利用模型进行裂纹检测；采用滑动窗口扫描方法，对拼接后的图片进行扫描，并依次送入训练好的卷积神经网络模型进行分类判断。本发明能够对裂纹进行准确的识别，且由于采用了迁移学习的方法，能够大大减少训练复杂神经网络所需的数据集，并提供了较好精度性能。

公开(公告)号：CN110060251A

公开(公告)日：2019-07-26

申请号：CN201910343036.2

申请日：2019-04-26

Applicant: 福州大学

Inventor： 吴丽君 ,  宋春歌 ,  陈志聪 ,  纪金树 ,  周海芳 ,  程树英 ,  林培杰 ,  段博曦

IPC: G06T7/00

Abstract: 本发明涉及一种基于U-Net的建筑物表面裂纹检测方法。首先使用相机和无人驾驶飞行器收集30张包含裂纹原始图像；然后在每个原始图像中标记裂缝区域并将注释保存为灰度图标签文件；之后对图像进行预处理后，选取其中的200张图像作为数据集，按比例随机分成训练集、验证集和测试集；采用数据增强方法对制作好的数据集进行处理，再将其送入U-net网络进行训练，经过30轮迭代训练后，U-net模型在测试集上的准确率为99.56%；最后利用训练好的模型进行裂纹检测。本发明能够适应不同条件下的裂纹检测，并且省去布置大量传感器的繁琐，能够自动准确的对裂纹进行识别检测，对于提升建筑物表面裂纹检测的准确率和效率有重要作用。