公开(公告)号：CN109978847B

公开(公告)日：2023-07-04

申请号：CN201910210547.7

申请日：2019-03-19

Applicant: 东南大学

Inventor： 吴刚 ,  董斌 ,  侯士通

IPC: G06T7/00 ,  G06T5/00 ,  G06T7/10 ,  G06N3/096 ,  G06N3/0464

Abstract: 本发明公开了一种基于迁移学习与拉索机器人的拉索外套病害自动识别方法，该方法包括：准备好混凝土裂缝图片，建立深度学习中的ResNet网络模型，进行训练，得到训练模型；再获取斜拉索PE外套的病害图片，将数据集划分为训练集、验证集、测试集，建立ResNet卷积神经网络的迁移学习模型，对模型进行训练；控制斜拉索机器人进行图像采集，利用训练好的ResNet模型进行斜拉索PE外套病害自动识别。本发明检测精度高，斜拉索机器人的应用可以代替人工进行自动化爬行检测，自动化程度高，能够实时识别，效率高，成本低，相较于传统的斜拉索PE外套病害的人工检测方法具有明显的优势。

公开(公告)号：CN111860106A

公开(公告)日：2020-10-30

申请号：CN202010464928.0

申请日：2020-05-28

Applicant: 江苏东印智慧工程技术研究院有限公司 ,  东南大学 ,  东衢智慧交通基础设施科技(江苏)有限公司

Inventor： 董斌 ,  吴刚 ,  张华 ,  李征

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种无监督的桥梁裂缝识别方法，该方法首先利用无人机等收集混凝土裂缝图片，包括裂缝图片与正常图片；利用K-Means聚类方法对数据集进行聚类，按照聚类后的结果对裂缝进行标签标记；按照8:1:1的比例将数据集划分为训练集、验证集和测试集；运用图像增强方法，增加数据集的数量；建立深度学习分类网络，进行训练，得到训练模型；利用训练好的模型进行混凝土裂缝自动识别。本发明效率高，成本低，相对于传统的人工标记标签训练法，更具有明显的自动化和高效性。

公开(公告)号：CN111161156A

公开(公告)日：2020-05-15

申请号：CN201911188477.6

申请日：2019-11-28

Applicant: 东南大学 ,  江苏东印智慧工程技术研究院有限公司 ,  东衢智慧交通基础设施科技(江苏)有限公司

Inventor： 侯士通 ,  吴刚 ,  董斌 ,  蒋剑彪

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于深度学习的水下桥墩病害图像分辨率增强方法，包括如下步骤：准备好低分辨率水下桥墩照片以及高分辨率水下桥墩照片，包括有病害与无病害图片；运用图像数据增强方法，扩充数据集的数量；将数据集划分为训练集与验证集，建立深度学习中的WDSR网络模型，将高分辨率的照片作为标签，进行训练，得到训练模型；输入低分辨率的水下病害照片，经过训练好的WDSR模型自动处理，即可得到较高分辨率的水下病害照片。本发明效率高，成本低，相对于传统的图像分辨率增强算法更具有明显的自动化优势。

公开(公告)号：CN111161155A

公开(公告)日：2020-05-15

申请号：CN201911188327.5

申请日：2019-11-28

Applicant: 东南大学 ,  江苏东印智慧工程技术研究院有限公司

Inventor： 吴刚 ,  侯士通 ,  董斌

IPC: G06T5/00 ,  G06T5/20

Abstract: 本发明提供了一种基于深度学习的水下桥墩病害图像能见度增强方法，包括如下步骤：准备好低能见度水下桥墩照片以及高能见度水下桥墩照片，包括有病害与无病害图片；运用图像数据增强方法，扩充数据集的数量；将数据集划分为训练集与验证集，建立深度学习中的RetinexNet网络模型，将高能见度的照片作为标签，进行训练，得到训练模型；输入低能见度的水下病害照片，经过训练好的RetinexNet模型自动处理，即可得到较高能见度的水下病害照片。本发明效率高，成本低，相对于传统的图像亮度通道增强算法更具有明显的自动化优势。

公开(公告)号：CN110853041A

公开(公告)日：2020-02-28

申请号：CN201911100071.8

申请日：2019-11-12

Applicant: 东南大学

Inventor： 侯士通 ,  吴刚 ,  董斌

IPC: G06T7/10 ,  G06T5/00 ,  G06N3/04

Abstract: 本发明提供一种基于深度学习与声呐成像的水下桥墩构件分割方法，利用水下侧声声呐设备获取准备水下桥墩扫描图片；运用图像增强方法，增加数据集的数量；对数据集进行标注，将桥墩、桩基和河床分别用不同颜色进行多边形标记，并记录下多边形顶点坐标；将数据集划分为训练与验证集：建立深度学习语义分割网络中的Mask RCNN模型，进行训练，得到训练模型；水面上控制侧声声呐设备沿着水下桥墩部分进行扫描，获取扫描图片，利用训练好的Mask RCNN模型进行水下桥墩进行构件自动化分割。采用本发明效率高，成本低，相对于传统的人工潜水法以及声呐人工筛选法更具有明显的自动化和高效准确的优势。