一种适用于复杂水下环境的深度学习大坝裂缝检测方法.pdf
Th****84
亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种适用于复杂水下环境的深度学习大坝裂缝检测方法.pdf
本发明公开了一种适用于复杂水下环境的深度学习大坝裂缝检测方法,包括以下步骤:对于水下相机采集的图像信息使用MSRCR算法进行图像增强,改善图像的视觉效果,使得改善后图像更适合被神经网络识别;获取裂缝目标图像,对图像中的裂缝目标进行手动标注,形成裂缝数据库;搭建YOLOv5神经网络,进行训练学习,将得到的保存着最佳权重值的文件作为训练网络的输入;将经过MSRCR图像增强后的图片传到YOLOv5神经网络进行训练,按照预先设定好的锚框对图像中的裂缝进行标注。本发明的方法可以有效地改善图像的视觉效果,克服了阴暗的
一种基于侧扫声呐的大坝水下裂缝检测方法.pdf
本申请提供一种基于侧扫声呐的大坝水下裂缝检测方法,包括以下步骤:将侧扫声呐置于初始深度,使侧扫声纳的发射方向保持水平地朝向大坝并且与大坝的延伸方向垂直;使用侧扫声呐在多个深度对大坝进行扫测以获取多个深度的大坝侧扫数据,其中相邻深度的差值根据侧扫声呐的固有参数、侧扫声呐与大坝的水平距离以及大坝的倾斜角度自适应地确定;处理多个深度的大坝侧扫数据生成大坝侧扫图像;根据大坝侧扫图像判定大坝水下裂缝位置。本申请提供的基于侧扫声呐的大坝水下裂缝检测方法,能够高效、精确地对大坝水下裂缝进行检测。
一种水下大坝表面裂缝识别方法.pdf
本发明提出一种水下大坝表面裂缝识别方法,利用PGGAN模型生成更多的水下大坝表面图像来构造训练数据;将训练数据输入到CNN特征提取器中获取特征,构建训练模型并计算图像组中两图像对的特征空间距离;根据特征空间距离判断图像对是否属于同一类别,将判断结果与预设的特征空间距离相对比,若不属于同一类别,则计算二者之间的损失;将损失回传至训练模型中,并调整训练模型的参数,直至训练模型准确度达到预设值,最后输入需要识别的图像至训练模型中,获得图像是否存在裂缝的判断结果,本申请通过傅里叶变换后的图像可以消除大坝表面杂物的
一种基于迁移学习的大坝图像裂缝检测方法.pdf
本发明公开了一种基于迁移学习的大坝图像裂缝检测方法,步骤:收集大坝裂缝图像,通过生成式对抗网络GAN对图像数据集进行预处理以填充数据集;采用不保留顶层全连接层的预训练模型MobileNet来提取图像特征,并在MobileNet后拼接Flatten层,在Flatten层后拼接一层激活函数为ReLU的全连接层,最后拼接一层激活函数为Sigmoid的全连接层作为输出层;对MobileNet中的前K个深度可分解卷积结构进行冻结,固定这K个深度可分解卷积结构的相关权重;对模型进行训练,在模型训练过程中仅更新未冻结的
一种面向裂缝检测的深度学习超分辨率方法.pdf
本发明公开设计了一种面向裂缝检测的深度学习超分辨率方法,属于图像超分辨率技术领域。本发明包含以下步骤:构建用于超分辨率网络训练的裂缝图像数据集;构建面向裂缝的超分辨率网络;训练面向裂缝的超分辨率网络;裂缝图像的超分辨率放大。本发明充分利用了深度学习在图像超分辨率领域内展现的优势,基于裂缝图像特征,设计包含注意力机制和深度可分离卷积的轻量化残差模块并采用后置上采样结构构建了超分辨率网络,解决了裂缝低分辨率图像向高分辨率图像映射困难、不准确的问题,在低计算资源占用的情况下对裂缝图像进行超分辨率放大,保留了裂缝