买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种基于旋转边界框目标检测算法的混凝土表面裂缝检测和量化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117152533B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311210880.0，技术领域涉及：G06V10/764；该发明授权一种基于旋转边界框目标检测算法的混凝土表面裂缝检测和量化方法是由安永辉;孔令学;侯川川;欧进萍设计研发完成，并于2023-09-18向国家知识产权局提交的专利申请。

本一种基于旋转边界框目标检测算法的混凝土表面裂缝检测和量化方法在说明书摘要公布了：本发明公开了一种基于旋转边界框目标检测算法的混凝土表面裂缝检测和量化方法，包括裂缝旋转角度和相应类别裂缝数量的量化，适用于混凝土表面病害智能检测。步骤如下：采集混凝土表面裂缝图像；制定基于旋转边界框的混凝土表面裂缝标记准则；构建混凝土裂缝数据库；优化水平边界框目标检测方法FasterR‑CNN，构建旋转边界框目标检测方法的混凝土表面裂缝检测和量化模型；设置超参数，初始化模型并进行训练；直至模型损失函数收敛，根据最佳精确度评价指标保存网络权重参数。本发明的方法不仅有较好的鲁棒性，且能更细化地对混凝土裂缝进行自动化检测、裂缝旋转角度识别、分类和相应类别裂缝数量统计，有效提升了检测的精细度和效率。

本发明授权一种基于旋转边界框目标检测算法的混凝土表面裂缝检测和量化方法在权利要求书中公布了：1.一种基于旋转边界框目标检测算法的混凝土表面裂缝检测和量化方法，其特征在于，步骤如下： S1、通过开源混凝土表面数据集，采集混凝土表面裂缝图像； S2、基于旋转边界框的预测参数与裂缝分布复杂度，制定基于旋转边界框的混凝土表面裂缝标记准则； 基于旋转边界框的混凝土表面裂缝标记准则： S2.1、预测参数是旋转边界框中心点的x轴坐标、y轴坐标、宽度、高度和旋转角度； S2.1.1、旋转边界框中心点的x轴坐标、y轴坐标、宽度、高度与Faster-RCNN的水平边界框定义相同； S2.1.2、旋转角度是以旋转边界框中心点坐标为旋转中心，x轴水平向右，y轴竖直向下，以水平边界框长边沿着x轴方向为旋转起点，即此时旋转角度为0°；水平边界框经过旋转后，以旋转边界框的长边为终点，其旋转方向以顺时针为正方向，控制在0°至90°；以逆时针为负方向，控制在0°至-90°，以此旋转角度定义为旋转边界框的旋转角度；该方法称为长边LE方法； S2.2、裂缝分布复杂度是将复杂分布的裂缝视为由多个单一裂缝组成，以单一裂缝的总体数量范围衡量同一混凝土构件表面裂缝分布的复杂度；复杂裂缝中，单一裂缝之间的交叉点作为起止点，确保用最小面积的旋转边界框包络单一裂缝； S3、对采集的混凝土表面裂缝图像进行数据预处理，并依据步骤S2的基于旋转边界框的混凝土表面裂缝标记准则，构建用于训练基于旋转边界框目标检测算法的混凝土表面裂缝数据库； S3.1、对步骤S1所采集的混凝土表面裂缝图像进行对比度和亮度的数据增强，扩充训练集数据； S3.2、对步骤S3.1数据增强后的图像统一缩放为1024×1024像素进行预处理； S3.3、将步骤S3.2得到的混凝土表面裂缝图像，按照步骤S2制定的基于旋转边界框的混凝土表面裂缝标记准则，使用roLabelImg软件进行混凝土表面裂缝标记； S3.4、将步骤S3.3得到的基于旋转边界框标记准则标记的混凝土表面裂缝图像按照9：1的比例随机划分训练集和验证集；训练集用于旋转边界框裂缝检测方法的训练，验证集用于旋转边界框裂缝检测方法训练过程的鲁棒性测试； S4、基于水平边界框目标检测算法Faster-RCNN以及相关检测规范，并依据步骤S2.1定义的预测参数和参考检测规范建立的后处理分类策略，构建基于旋转边界框目标检测算法的混凝土表面裂缝检测和量化方法的RFR-P深度学习模型；其中量化方法是对裂缝旋转角度的量化和总体裂缝数量的量化；该RFR-P深度学习模型包括主干结构、脖颈结构、头部结构以及后处理策略结构； S4.1、主干结构采用包含5个卷积层的ResNet50结构，用于综合考虑特征提取的深度和模型参数的数量，实现不同层级的特征提取； S4.2、脖颈结构采用特征金字塔网络FPN自顶向下地对主干结构提取的不同层级语义信息的特征图进行融合； S4.3、头部结构分为区域建议网络RPN和旋转感兴趣区域R-RoI；区域建议网络RPN根据特征金字塔网络FPN不同层级的卷积结果生成不同高宽比和不同特征图尺寸的候选框；为了去除同一个目标存在多个候选框，对于生成的候选框进行非极大值抑制NMS处理以去除多余候选框；旋转感兴趣区域R-RoI将区域建议网络RPN输出的水平边界框参数先送入感兴趣区域分配模块RoIAlign进行检测裂缝中心点到原图像的映射；接着分别通过增加了对旋转角度预测的边界框回归模块BoundingBoxRegression实现步骤S2.1中旋转边界框参数的预测，并通过边界框分类模块BoundingBoxClassification进行裂缝的识别； S4.4、为保证水平边界框转换为旋转边界框的唯一性，克服旋转角度的周期性，采用以步骤S2.1.2所述的长边LE方法为基准进行旋转，以消除旋转角度的周期性； S4.5、为了实现基于旋转边界框旋转角度的裂缝形态分类，根据《公路桥梁技术状况评定标准JTGTH21—2011》中对于裂缝的形态量化标准，分为横向裂缝、斜裂缝和纵向裂缝； S5、调整超参数，应用迁移学习方法，将上述建立的基于旋转边界框的混凝土表面裂缝数据集带入RFR-P深度学习模型进行训练； S5.1、训练过程中超参数的设定，包括初始学习率、训练轮数、批次数量、momentum和weightdecay；应用迁移学习方法，将上述建立的基于旋转边界框的混凝土表面裂缝数据集带入RFR-P深度学习模型进行训练； S5.2、判断在训练过程中，损失函数是否随迭代增加而趋于收敛；若满足收敛，则进入步骤S5.3；若不满足收敛，则返回S5.1，调整参数后继续训练； S5.3、验证集结果和精度指标是否满足要求；若预测结果图像展示与标记接近且精确度评价指标满足要求，则进入步骤S6；若不满足，则返回S5.1，调整参数后继续训练； S6、完成RFR-P深度学习模型的训练，保存最佳测试结果的训练权重参数；对于满足步骤S5.3的训练模型，保存最佳评价指标的权重参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。