智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真模型及运行结果

Yolov5实现道路裂缝检测-附件资源

[英语] 该演示展示了如何使用一类 SVM 检测裂纹图像。 在异常检测中，正常图像可以得到很多，而异常图像不是经常得到的； 我们无法获得足够数量的异常数据训练图像。 在这种情况下，分类器仅使用正常图像进行训练，当模式与其学习的模式不同时，会检测到异常图像。 如果有足够数量的异常图像可用，则可以使用深度学习区分裂纹/正常图像。 对于演示，请检查此文件（ https://jp.mathworks.com/matlabcentral/fileexchange/75418-classify-crack-image-using-deep-learning-and-explain-why ）。 在这个演示中，我们使用了 L Zhang [1] 介绍的混凝土裂缝图像数据集。 数据可在 [2] 处获得。 此代码的一部分是从位于此处 [3] 的深度学习评估工具包中获得的。 [日本人]このデモでは、１クラ

沥青路面图像噪声污染多,随机性较强。针对传统路面图像在进行滤波、边缘检测等裂缝识别过程中,不能较好地识别裂缝信息且存在大量类似于裂缝的噪声污染问题,基于matlab的路面裂缝检测识别系统设计，灰度处理，路面图像增强，路面图像分割，图像分割预处理，阈值分割;形态学处理:膨胀+腐蚀，路面裂缝分类，特征提取，路面裂缝参数计算，图像滤波（均值滤波，中值滤波），图像二值化，GUI设计，代码亲测可用，有很高的参考价值

MATLAB裂缝检测[bp神经网络，GUI界面]

人工智能导论课的课程作业。随着交通路面的飞机数量急剧上升，安全驾驶被广泛关注，能否及时检测到机场跑道路面是否存在裂缝成为一项安全技术。文章阐述Yolov5的工作原理，对道路裂缝进行网络建模以及训练后获取预测的结果，采用公式（均精度和平均召回率）对其进行评估，对已有标签的数据进行预处理，整理获得相关的训练集和测试集。试验表明基于Yolov5的交通路面裂缝检测满足人们对准确性和实用性的需求。

Yolov5实现道路裂缝检测-附件资源

基于matlab的裂缝检测系统。功能：框定裂缝，标定面积，长度，类型。

针对传统桥梁裂缝检测算法不能准确提取裂缝的问题，提出了一种复杂背景下基于图像处理的桥梁裂缝检测算法。根据深度卷积生成式对抗网络原理，利用桥梁裂缝图像生成模型，对数据集进行扩增。针对裂缝特征构建基于语义分割的桥梁裂缝图像分割模型，利用桥梁裂缝图像分割模型提取高分辨率裂缝图像中的裂缝。研究结果表明，与现有算法相比，所提算法在复杂道路场景中具有更好的检测效果和更强的泛化能力。

基于matlab的公路裂缝检测系统。可以框定裂缝位置，面积，长度，类型。方法可以是形态学，神经网络等。