基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
传统的图像处理算法不能很好地对桥梁裂缝进行检测,而经典的深度学习模型直接用于桥梁裂缝的检测,效果不甚理想.针对这些问题,本文提出了一种基于深度学习的桥梁裂缝检测算法.首先,利用滑动窗口算法将桥梁裂缝图像切分为较小的桥梁裂缝面元图像和桥梁背景面元图像,并根据对面元图像的分析,提出一种基于卷积神经网络(Convolutional neural networks,CNN)的DBCC (Deep bridge crack classify)分类模型,用于桥梁背景面元和桥梁裂缝面元的识别.然后,基于DBCC分类模型结合改进的窗口滑动算法对桥梁裂缝进行检测.最后,采用图像金字塔和感兴趣区域(Region of interest, ROI)结合的搜索策略对算法进行加速.实验结果表明:与传统算法相比,本文算法具有更好的识别效果和更强的泛化能力.
推荐文章
基于锚框的深度学习物体目标检测算法概览
深度学习
卷积神经网络
一阶段检测
二阶段检测
数据集
分类预测
位置回归
锚框
基于深度序列加权核极限学习的入侵检测算法
深度信念网络
序列学习
核极限学习
样本加权
入侵检测
基于深度学习的入侵检测算法
深度学习
网络安全
入侵检测
卷积神经网络
可视化处理
KDD CUP99
基于深度学习的偏光片缺陷实时检测算法
偏光片
缺陷检测
深度学习
并行模块
并行非对称卷积
全局均值池化
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于深度学习的桥梁裂缝检测算法研究
来源期刊 自动化学报 学科
关键词 裂缝检测 深度学习 卷积神经网络 窗口滑动算法
年,卷(期) 2019,(9) 所属期刊栏目 论文与报告
研究方向 页码范围 1727-1742
页数 16页 分类号
字数 10367字 语种 中文
DOI 10.16383/j.aas.2018.c170052
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 李丽 陕西师范大学计算机学院 32 99 6.0 9.0
2 李良福 陕西师范大学计算机学院 30 128 6.0 11.0
3 马卫飞 陕西师范大学计算机学院 2 8 1.0 2.0
4 陆铖 陕西师范大学计算机学院 7 12 2.0 3.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (5)
共引文献  (250)
参考文献  (13)
节点文献
引证文献  (7)
同被引文献  (35)
二级引证文献  (0)
2007(1)
  • 参考文献(0)
  • 二级参考文献(1)
2009(2)
  • 参考文献(0)
  • 二级参考文献(2)
2010(2)
  • 参考文献(0)
  • 二级参考文献(2)
2012(2)
  • 参考文献(2)
  • 二级参考文献(0)
2013(3)
  • 参考文献(3)
  • 二级参考文献(0)
2014(3)
  • 参考文献(3)
  • 二级参考文献(0)
2016(3)
  • 参考文献(3)
  • 二级参考文献(0)
2017(2)
  • 参考文献(2)
  • 二级参考文献(0)
2019(5)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(5)
  • 二级引证文献(0)
2019(5)
  • 引证文献(5)
  • 二级引证文献(0)
2020(2)
  • 引证文献(2)
  • 二级引证文献(0)
研究主题发展历程
节点文献
裂缝检测
深度学习
卷积神经网络
窗口滑动算法
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
自动化学报
月刊
0254-4156
11-2109/TP
大16开
北京市海淀区中关村东路95号(北京2728信箱)
2-180
1963
chi
出版文献量(篇)
4124
总下载数(次)
26
总被引数(次)
120705
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
论文1v1指导