申请/专利权人：长江勘测规划设计研究有限责任公司;河海大学

申请日：2023-12-18

公开（公告）日：2024-04-26

公开（公告）号：CN117934374A

主分类号：G06T7/00

分类号：G06T7/00;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/08;G06V10/25

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开一种基于多任务约束深度学习的水工隧洞缺陷检测方法，包括获取隧洞衬砌混凝土缺陷，并构建缺陷数据集；通过对缺陷数据集进行标注，并将缺陷数据集划分为训练集、测试集；构建初始多任务约束FasterR‑CNN模型，设置初始参数待后续迭代更新；利用训练集样本，迭代更新多任务约束的FasterR‑CNN模型，并通过计算损失函数来调整模型参数；每步迭代更新多任务约束FasterR‑CNN模型后，利用测试集对更新的训练模型进行测试，得到识别准确率达到预设值的水工隧洞缺陷检测模型后停止迭代；利用获得的水工隧洞缺陷检测模型对新获取的水工隧洞图像进行识别，得到缺陷检测结果。本发明解决了因部分水工隧洞缺陷样本稀少而引发的特征提取不鲁棒的问题。

主权项：1.一种基于多任务约束深度学习的水工隧洞缺陷检测方法，其特征在于，包括如下步骤：S1：通过无人装备携带照明及高清图像采集设备拍摄获取隧洞衬砌混凝土缺陷，并构建缺陷数据集；S2：通过像素级标注软件对水工隧洞缺陷数据集进行标注，并按比例将水工隧洞缺陷数据集划分为训练集、测试集；S3：构建初始多任务约束FasterR-CNN模型，设置初始参数待后续迭代更新；S4：利用训练集样本，迭代更新多任务约束的FasterR-CNN模型，并通过计算损失函数来调整模型参数；S5：每步迭代更新多任务约束FasterR-CNN模型后，利用测试集对更新的训练模型进行测试，得到识别准确率达到预设值的水工隧洞缺陷检测模型后即可停止迭代；S6：利用获得的水工隧洞缺陷检测模型对无人装备新获取的水工隧洞图像进行识别，得到缺陷检测结果。

全文数据：

权利要求：

百度查询： 长江勘测规划设计研究有限责任公司;河海大学 基于多任务约束深度学习的水工隧洞缺陷检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD