基于M-Unet的混凝土裂缝实时分割算法

针对主流深度学习裂缝分割算法消耗大量计算资源、传统图像处理方法检测精度低、丢失裂缝特征等问题,为了实现对混凝土裂缝的实时检测和在像素级水平上分割裂缝,提出一种基于轻量级卷积神经络M-Unet的裂缝语义分割模型,首先对MobileNet＿V2轻量网络进行改进,修剪其网络结构并优化激活函数,再用改进的MobileNet＿V2替换U-Net参数量巨大的编码器部分,以实现模型的轻量化并提升裂缝的分割效果。构建包含5 160张裂缝图像的SegCracks数据集对提出方法进行验证,试验结果表明：优化后的M-Unet裂缝分割效果优于U-Net、FCN8和SegNet等主流分割网络和传统图像处理技术,获得的IoU＿Score为96.10%,F1＿Score为97.99%。与改进前UNet相比,M-Unet权重文件大小减少了7%,迭代一轮时间和预测时间分别缩短了63.3%和68.6%,IoU＿Score和F1＿Score分别提升了5.79%和3.14%,并且在不同开源数据集上的交叉验证效果良好。表明提出的网络具有精度高、鲁棒性好和泛化能力强等优点。     

基于桥梁裂缝识别模型的桥梁裂缝病害识别方法

为实现高效、轻量化、无接触的桥梁裂缝病害识别,提出了一种基于桥梁裂缝识别模型（Bridge crack extraction model,BCEM）的桥梁裂缝识别网络。该网络将深度学习与传统图像处理方法相结合,首先,预处理裂缝图像,增强裂缝信息表达;之后,采用滑窗法将裂缝切分为面元图像,针对面元图像特性,采用改进的BC-MobileNet轻量化模型对裂缝面元进行分类;最后,识别误检与漏检面元,实现桥梁裂缝准确识别。通过与目标检测、模式识别等不同裂缝识别方式进行比较,结果表明：BCEM在各项实验指标上均有提升,证明了本文提出识别网络对桥梁裂缝识别的有效性。     

基于特征金字塔网络的超大尺寸图像裂缝识别检测方法

基于图像分析的裂缝自动检测识别一直是桥梁结构健康检测的热点问题之一。深度学习作为裂缝检测的重要解决方法,需要大量数据支持。公开数据集提供的小尺寸裂缝图像不足以解决超大尺寸细长裂缝图像的检测问题。提出一个基于特征金字塔深度学习网络的超大尺寸图像中细长裂缝的检测方法。通过对编码器提取的4个不同层次的特征图分别进行预测,网络能够实现对细小裂缝的高精度分割。试验使用120张大小为3 264×4 928像素的桥钢箱梁表面裂缝图像对特征金字塔网络进行训练、测试;并将获得的训练模型与通过双线性插值方法缩放图像至1 600×2 400像素和2 112×3 168像素两种规格生成的数据集训练后的模型进行对比。结果表明:该方法在对比测试中能够获得最高的裂缝检测交并比(IoU)为0.78,最低的Dice Loss为0.12。测试中,裂缝检测图像显示,缩放图像会导致部分裂缝信息的丢失,该方法能稳定地保留裂缝信息,并实现复杂背景下超大尺寸图像中细长裂缝的高精度自动检测。     

基于数字图像技术的桥梁裂缝检测综述

传统的桥梁裂缝检测主要基于人眼识别,检测效率、精度低,而且人眼识别存在受光照影响大、桥塔、高墩等高空位置无法检测及主观性强的问题。近年来,国内外诸多学者为了解决上述问题,研发了许多基于数字图像技术的桥梁裂缝检测设备,像搭载高清相机的桥梁检测车、无人机、爬墩机器人等。同时,拥有高效、高精度的裂缝检测算法更是裂缝检测的基础,如何权衡检测速度与精度一直也是众多学者研究的热点问题之一。本文就近年来国内外基于数字图像技术的桥梁裂缝检测设备、相机的搭载平台与标定方法、预处理算法、传统检测算法、深度学习算法、裂缝特征计算、图像拼接算法以及裂缝的三维输出与监测等方面展开综合评述。此外,对研究过程中存在的不足进行了总结,并从桥梁裂缝检测方法、裂缝三维表达、裂缝的监测跟踪管理和桥梁刚度损失评价及预警等方面进行了展望。     

基于深度学习的轮廓检测算法:综述

轮廓检测旨在提取图像中目标与背景环境的分界线,是计算机视觉研究领域中最基本的问题之一.深度学习技术作为直接从数据中学习特征表示的有效方法,近年来启发轮廓检测领域取得了显著的突破.鉴于此,本文就基于深度学习的轮廓检测研究领域的最新发展进行总结,具体包括:轮廓检测任务中采用的卷积神经网络结构,相关训练数据构造、特征压缩、上采样、代价函数和轮廓细化等关键问题,轮廓检测实验中采用的通用数据集和性能评价指标.最后,分析了基于深度学习的轮廓检测算法的挑战和未来研究趋势,以期为该领域的后续研究提供新思路及参考.     

基于语义分割的沥青路面裂缝智能识别

针对传统的沥青路面人工检测效率低、缺乏客观性的弊端,提出基于语义分割的沥青路面裂缝智能识别方法.综合考虑数据集规模、算法种类、网络种类及深度、损失函数类型的影响,对22个语义分割模型开展对比研究,提出适用于较大、较小规模数据集的优选裂缝智能识别方案及对应模型.基于北京六环高速公路沥青路面,建立裂缝分割数据集R-Crack,对提出的智能识别方案进行应用检验,并自动量化裂缝参数.结果表明：检测准确率最高达到83.45%,通过对比人工及自动化检测方式获得的裂缝参数计算结果,裂缝长度和宽度平均误差分别为2.84%和2.39%,提出的智能识别方案为高速公路等场景下沥青路面裂缝的智能检测实践提供依据.     

基于航拍图像与改进U-Net的建筑外墙裂缝检测方法

针对建筑外墙裂缝人工检测方法检测效率低、检测效果和安全性差的问题,提出基于航拍图像与计算机视觉的裂缝检测方法。使用无人机绕建筑物航拍采集裂缝图像,并构建裂缝数据集;优化U-Net模型以解决细长裂缝分割不连续、复杂背景下裂缝漏检及背景误检的问题。将模型编码网络替换为预训练的ResNet50以提升模型特征表达能力;添加改进的多孔空间金字塔池化（Atrous Spatial Pyramid Pooling,ASPP）模块,获取多尺度上下文信息;采用改进的损失函数处理裂缝图像正负样本分布极度不均的问题。结果表明：改进的U-Net模型解决了原模型存在的问题,IoU指标和F1＿score分别提升了3.53%、4.18%;与经典分割模型相比,改进模型的裂缝分割性能最优。与人工检测方法相比,所提方法可以安全、高效且准确地进行建筑外墙裂缝检测。     

采用U-Net卷积网络的桥梁裂缝检测方法

针对传统的桥梁裂缝检测准确性不高、丢失细节信息、宽度信息获取困难等问题,提出一种采用U-Net卷积网络的像素级、小样本的裂缝检测方法。该方法使用多层卷积自动提取裂缝特征,并利用浅层网络与深层网络叠加的方法实现裂缝局部特征与抽象特征的融合,从而保留裂缝细节特征,使得检测准确性大大提升。对检测结果中出现的背景杂波和伪裂缝,采用阈值法和改进的迪杰斯特拉连接算法来实现裂缝的精细提取。最后,采用八方向搜索法实现裂缝宽度的精确测量。实验证明,所提方法能准确、完整地对桥梁裂缝进行提取,宽度测量准确,可以满足应用需求。     

面向水下场景的轻量级图像语义分割网络

提出面向水下场景的图像语义分割网络,考虑到速度和准确度之间的权衡问题,网络采用轻量且高效的编解码器结构.在编码器部分,设计倒置瓶颈层和金字塔池化模块,高效地提取特征.在解码器部分,构建特征融合模块融合多水平特征,提升了分割的准确度.针对水下图像边缘模糊的问题,使用辅助的边缘损失函数来更好地训练网络,通过语义边界的监督细化分割的边缘.在水下语义分割数据集SUIM上的实验数据表明,对于320像素×256像素的输入图像,该网络在NVIDIA GeForce GTX 1080Ti显卡上的推理速度达到258.94帧/s,mIoU达到53.55%,能够在保证高准确度的同时,达到实时的处理速度.     

高分辨率桥梁裂缝图像实时检测

针对现有桥梁裂缝检测算法实时性弱、可靠性差等问题,提出一种嵌入式平台上的实时检测算法。使用移动平均法粗分割,依据几何特征和区域生长法再分割,定位候选裂缝片段;基于裂缝先验条件,建立双判别准则的裂缝聚合模型,递归合并裂缝片段并抑制干扰。实验表明,算法能有效提取细小裂缝,抑制不均匀光照和污渍等复杂背景干扰,识别性能与数种现有算法相比提高115%以上;在嵌入式开发板上处理1 500万像素的图像仅耗时1.73 s。     

SLIC超像素与Inception网络的路面裂缝识别方法

沥青路面图像存在大量点状噪声及裂缝不连续的问题,给识别精确度带来挑战,为此,提出了一种结合超像素分割与Inception网络的裂缝识别方法,首先采用超像素分割方法对路面图像进行初始分割,再利用Inception网络对超像素分割结果进行分类,实现对裂缝的粗分割及裂缝区域的准确定位;其次通过像素级与超像素级形态学方法提取裂缝主干,还原裂缝完整形态。与传统图像分割算法相比,有效降低了提取裂缝区域误差,完成裂缝快速准确定位,更适用于实际采集的路面图像裂缝识别。     

墙体浅层裂缝检测的数字化图像处理方法

数字图像处理技术应用于墙体浅层裂缝测量可获取数字化的裂缝信息,具有操作灵活、测量精度高等优点,可以克服传统墙体裂缝宽度测量技术的费时费力、精度不高等不足,具有广泛的应用前景。该文提出了一种新的基于神经网络进行图像分割的方法,对墙体裂缝图像进行提取,一定程度上克服了传统分割方法对背景图像的依赖性,减少了伪点和伪区域,降低了采用形态学算法带来的不准确性,提高了测量准确性;同时介绍了对墙体裂缝图像进行数字化处理的具体方法和流程。结合工程实例进行实验,结果表明该技术测量精确,操作方便,具有明显的工程意义和一定的实用价值。     

基于深度学习的小目标检测算法研究进展

基于深度学习的小目标检测算法可以有效提高小目标检测性能和检测速率,在图像处理领域得到了广泛应用。首先概述了小目标检测的难点,分别对基于锚框优化、基于网络结构优化、基于特征增强的小目标检测算法进行了分析,总结了各算法的优缺点;然后介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,对检测算法的性能指标进行了分析;最后对小目标检测算法已经解决的难点进行了总结,并对有待后续研究方向进行了展望。深度学习在小目标检测领域仍有较大的发展空间,在模型通用性、耗时与精度和特定场景的小目标检测等方面有待深入研究。     

场景语义SAR图像桥梁检测算法

在合成孔径雷达图像中存在大量相干斑乘性噪声,导致桥梁检测中极易出现漏检和误检．针对这一问题提出了基于场景语义的水上桥梁检测算法．该方法首先根据图像的内容自动分割出水域和陆地两类不同的场景,沿着水陆交界区域搜索疑似桥梁目标,有效地缩小了搜索范围;然后提取图像的素描特征,抑制相干斑噪声的干扰;最后根据素描特征的几何特性定义桥梁的隶属度函数,实现桥梁目标的检测．在真实合成孔径雷达图像上的仿真实验表明,该算法有效地降低了桥梁的漏检率和误检率,具有较好的鲁棒性．     

基于改进Mobilenet-YOLOv3的轻量级水下生物检测算法

在水下生物检测中,经典目标检测模型由于体积大、参数量多,不适用于微小型水下硬件设备,而现有轻量化模型又难以平衡检测精度和实时性.针对这一问题,本研究提出了基于改进Mobilenet-YOLOv3的轻量级检测算法CPM-YOLOv3,该算法利用规整通道剪枝算法对Mobilenet-YOLOv3进行剪枝,并将特征提取网络中的SE(squeeze-and-excitation)模块替换成CBAM (convolutional block attention module),实现对网络模型的压缩.同时,在不同尺寸的检测层中分别加入2个CBAM,在几乎不增加模型大小的情况下提升模型关注目标特征信息的能力.实验结果表明,CPM-YOLOv3模型大小仅有4.86 MB,与原模型相比大小降低了94.7%,平均检测精度为87.0%,速度为5.1 ms/帧.相较于其他网络模型,CPM-YOLOv3更适合在微小型水下设备中应用.     

基于孪生网络的工业缺陷弱监督视觉检测算法

工业品缺陷存在目标多尺度和随机性等特点,易导致现有的目标检测算法出现误检或漏检现象．基于卷积神经网络架构,提出一种高性能的工业缺陷视觉检测模型,记为SNDec(Siamese network detection)．采用并行权重共享的孪生网络（Siamese network, SN）将工业缺陷转化为视觉差异特征．孪生网络由并行特征提取通道构成,并以两通道的差异特征作为输出,能够在抑制同类属性的前提下,最大程度地凸显缺陷特征．结合弱监督定位算法,所提模型能够在实现高精度识别的同时,获取工业缺陷发生位置．通过引入卷积块注意力机制（convolutional block attention module, CBAM）,进一步提升了模型检测精度．在真实工况采集的注塑瓶盖数据集以及公开的MVTec数据集上,将当前主流的工业品缺陷视觉检测算法（ResNet 50、1-NN、U-Student和GANomaly）与SNDec模型进行比较．结果表明,SNDec模型取得了89.2%的分类准确率和90.1%的召回率,比ResNet50模型分别提高了5.7%和3.2%．仿真结果验证了基于差异特征实现工业缺陷检...     

基于深度学习的多视角螺钉缺失智能检测算法

为有效实现工业生产线螺钉缺失问题的智能检测,利用深度学习技术,提出并设计一种螺钉检测算法。该算法包括3个部分：基于目标检测算法实现螺钉自动检测;基于关键点检测的螺钉匹配算法消除零件位置变化影响;构建多视角检测结果融合算法降低零件相互遮挡影响。该算法已应用于多种型号的洗衣机内桶螺钉检测中,试验结果表明其正确率高达99.7%以上。与传统的人工检测方式相比,该算法具有更高的准确率和自动化程度,可以有效减少漏检和误检问题,为工业生产提供新的解决方案。     

基于通道注意力与特征融合的水下目标检测算法

水下光学图像存在色偏、低对比度、目标模糊的现象,导致水下目标检测时存在漏检、误检等问题。针对上述问题,提出了一种基于通道注意力与特征融合的水下目标检测算法。基于通道注意力设计了激励残差模块,将前向传播的特征信息进行自适应分配权重,以突出不同通道特征图的显著性,提高了网络对水下图像高频信息的提取能力;设计了多尺度特征融合模块,增加了大尺度特征图用于目标检测,利用其对应的小尺度感受野提高了网络对小尺寸目标的检测性能,进一步提高了网络对水下不同尺寸目标的检测精度;为提高网络对水下环境的泛化性能,设计了基于拼接和融合的数据增强方法,模拟水下目标的重叠、遮挡和模糊情况,增强了网络对水下环境的适应性。通过在公共数据集URPC上的实验,与YOLOv3、YOLOv4和YOLOv5相比,所提算法的平均精度均值分别提升5.42%,3.20%和0.9%,有效改善了水下复杂环境中不同尺寸目标漏检、误检的问题。     

基于语义连通图的场景图生成算法

提出了基于语义连通图的场景图生成算法. 将关系检测过程分为关系建议和关系推理两步; 以目标检测算法得到的候选对象为节点集合,构建一个全连接图; 使用物体的类别信息和相对空间关系计算物体之间存在关系的概率; 通过设置阈值来删除图中的无效连接,得到稀疏的语义连通图; 使用图神经网络聚合物体节点的特征进行聚合,融合上下文信息. 根据语义连通图的连接关系,结合更新后的主语和宾语特征以及两个物体联合区域的特征,构建关系特征,预测图中的每条边对应的关系类别.     

一种改进DeeplabV3网络的烟雾分割算法

由于现有的烟雾检测方法大多依靠手工选取特征,往往不能准确地分割出视频图像中的烟雾区域。基于此,提出了改进的DeeplabV3烟雾分割算法。改进的算法在基础编码器网络后添加了特征细化模块来削弱空洞卷积带来的网格效应;针对烟雾这类尺度和姿态多变的非刚性目标,在带有空洞卷积的空间金字塔模块中引入可变形卷积来更好地学习烟雾的形变;为了进一步恢复烟雾的空间细节,提出了通道注意力解码器模块。在烟雾图片数据集的测试下,改进后的模型平均每张图片的预测时间约达到71.73ms,平均像素精确度约达到97.78%,平均交并比约达到91.21%,精度与DeeplabV3模型相比分别提高了0.56%及2.17%,更加适用于烟雾分割。公开的烟雾视频测试结果表明,该模型的检测率高于现有的视频烟雾检测算法,具有一定的实用价值。