裂纹检测系统 该项目使用 Python 的 OpenCV 库和深度学习来检测裂纹区域，并根据裂纹百分比警告驾驶员所需的速度限制。 描述 介绍页面：描述项目的页面 登录页面：用于登录网站 注册页面：用于注册到网站 索引页：这是我们输入前方道路图像的主页 输出页：在索引页上输入图像后，输出的道路被裂缝覆盖的百分比如下所示 使用 ResNet50（卷积神经网络）预训练的深度学习模型用于预测图像中的裂缝 输出显示裂纹百分比并使用此百分比警告 spped 限制。 使用的技术栈 HTML - 前端 CSS - 前端 BootStrap - 前端 Javascript - 前端 Django - 后端 Python - 深度学习模型 PostgreSQL - 数据库 安装和设置步骤 克隆存储库 git clone https://github.com/ak2502/crack-detection.git

瑕疵检测代码-matlab 基于ELM的裂缝检测 基于MATLAB的裂纹检测的MATLAB实现。 先决条件 在4GB GTX960M上训练15-16小时后获得了结果。 该代码已通过Matlab2016b进行了测试。 Crack.m：将原始图片确定为小块。 spare_elm_autoencoder.m：用于ELM的备用自动编码器。 数据集 方法 通过滑动窗和随机旋转将收集的混凝土裂缝图像进行分割和扩展 稀疏的自动编码特征提取网络可以快速学习裂缝的特征。 接下来，使用在线顺序极限学习机来识别裂纹缺陷的特征 结果

FL01-crack-detection-master-分类.zip

路面裂缝检测：数据集和模型 该项目用于分享我们最近在路面裂缝检测方面的工作。 具体工作内容请读者参考论文“Feature Pyramid and Hierarchical Boosting Network for Pavement Crack Detection”（FPHB），T-ITS 2019。论文见或 。 论文中使用的路面裂缝数据集、各数据集上的裂缝检测结果、训练模型、裂缝标注工具存储在 、 和提取代码：jviq。 如果你觉得这个项目对你有用，欢迎留下star。 (^^) 安装 安装Caffe的先决条件 克隆存储库 git clone https://github.com/fyangneil/pavement-crack-detection.git 构建咖啡 cd $ROOT_DIR /pavement-crack-detection make -j8 & make pycaf

裂纹分割 在这里，我提出了针对路面和混凝土材料的裂纹分割问题的解决方案。 在本文中，我描述了我尝试使用的方法，数据集并演示了结果。 我的方法基于UNet网络，并在两种流行的体系结构上学习迁移：VGG16和Resnet101。 结果表明，在实际情况中可能发生的各种情况下，大型的裂纹分割数据集有助于提高模型的性能。 内容 推理结果预览 以下是几个测试用例的结果。 有关更多测试案例的结果，请参见./test_results文件夹下的图像。 概述 裂纹分割是结构研究中的重要任务。 例如，在桥梁调查项目中，控制对象完成工作以使其在桥梁周围飞行以拍摄不同桥梁表面的图片。 然后，计算机将对图片进行处理，以检测桥梁表面上可能被损坏的潜在区域。 模型越准确，处理这些图像所需的人工就越少。 否则，操作员将不得不检查每个图像，这很无聊且容易出错。 此任务中的一个挑战是该模型对噪声和其他物体（例如裂缝上的苔藓，标

Research on a Least Squares Thresholding Algorithm for Pavement Crack Detection

裂缝检测，深度学习，图像处理，比较好的参考论文可以好好学习