一种无监督的桥梁裂缝识别方法技术

本发明专利技术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。本发明专利技术效率高，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。

【技术实现步骤摘要】
一种无监督的桥梁裂缝识别方法
本专利技术涉及土木工程与人工智能交互技术，具体涉及一种无监督的桥梁裂缝识别方法。
技术介绍
在建筑、桥梁、道路和隧道等工程结构的建设中，混凝土的用量占比最高。裂缝作为混凝土结构的主要病害之一，不仅会影响美观，也会影响结构的耐久性和承载能力。对混凝土结构进行定时巡检，能够及时发现裂缝，能够尽早的防范并进行养护，能够提高混凝土结构的服役寿命。传统的检测混凝土结构裂缝的方法多采用人工巡检的方法，耗时费力，主观性强，检测精度。基于深度学习的混凝土裂缝识别方法成为当下热点，但是深度学习方法是一种有监督的方法，需要人工事先给每张图片打上标签，对于庞大的数据集可能会效率较低。常用的传统数字图像处理方法包括边缘检测、阈值法、光谱分析法等，这些方法仅对特定情况下的数据集有效，在实际环境中，裂缝的检测易受环境因素干扰，从而使得传统的方法检测误差大，模型泛化能力低。深度学习是近几年新兴的计算机视觉技术，一些学者提出采用通道间注意力机制对多尺度特征图进行赋权的方法对裂缝图像进行了分类，并基于无人机进行桥梁裂缝的检测，提出了新的基于CNN的桥梁裂缝分类算法和目标检测算法，利用检测结果快速定位后再利用传统图像处理算法得到桥梁裂缝特征具体数值。这些方法需要事先对图片的类别进行标注，还是需要人工的介入。因此，提出一种完全的无监督裂缝识别方法，只要获取到数据集，无需对图片进行人工打标签，而是直接裂缝自动标注，在利用深度学习的方法对数据集进行训练，对于实现裂缝完全自动化检测乃至其他桥梁缺陷病害的自动化检测具有重要的意义。
技术实现思路
专利技术目的：针对现有技术对于桥梁裂纹识别的人工标记标签训练法等带来的繁琐问题，本专利技术提供一种无监督的桥梁裂缝识别方法。技术方案：本专利技术所述的一种无监督的桥梁裂缝识别方法，包括以下步骤：(1)获取桥梁混凝土表征图片，包括正常图片和损伤图片，构成数据集，并通过K-Means方法对样本数据集进行聚类并做降维处理，根据聚类后的结果对数据集进行裂缝或正常标注；(2)将比例将数据集划分为训练测试集、验证集和测试集，并利用数据增强的方式对数据集进行扩充；(3)建立具有自动识别裂缝的卷积神经网络模型，对步骤(2)中得到的数据集进行训练，并保存训练好的深度学习分类网络模型与参数，所述的深度学习分类网络模型包括ResNet网络和ResNeXt网络，并将桥梁的裂缝图像转化为二分类问题，所述二分类问题的交叉熵损失函数如下：式中：LBCE为二分类的交叉熵损失；N为图像数目；yi为第i个图像的标签值；Pi为第i个图像的预测概率值；(4)对桥梁进行巡检并获取表面图片，步骤(3)得到的深度学习分类网络模型动识别桥梁混凝土出现裂缝的损伤图片。进一步的，步骤(1)所述的K-Means方法选用PCA作为降维方法，欧式距离作为度量方法，初始k值取2。具体包括如下步骤：(11)对于n张图片的数据集，每张图片的尺寸大小为h×w，将图片按照行展开为h×w维向量xi，(i＝1,2,3...,n)，则整个数据集表示为：X＝{x1,x2,...,xn}(12)对数据集进行去中心化，即每一维特征减去各自的均值，如下式所示；计算协方矩阵cov，如下式所示：(13)利用矩阵特征值分解方法求协方差矩阵的特征值于特征向量，对特征值从大到小排序，选取其中最大的k个，然后将其对应的k个特征向量分别作为行向量组成特征向量矩阵P，将该矩阵P于与原始数据集相乘，便可得到降维后的数据集：然后利用K-Means算法对降维以后的数据集进行聚类分析，从数据集中随机选择k＝2个数据点xi和xj作为初始聚类的中心，后对每一个数据点xk(k≠i,k≠j)，计算其于初始中心的距离，选取与之距离最近的点作为自己的类别，当所有数据点归类完毕后，重新计算中心，将中心点设置为该类别中所有数据点的中心位置，重复上述步骤，直至数据点的类别不再发生改变，这样就可以给数据集中的每一张图片自动打上标签(裂缝/正常)，所述的特征值表示如下：聚类表达式如下：Y＝PX。进一步地，步骤(2)所述训练测试集、验证集和测试集的比例为8:1:1。进一步地，步骤(2)所述的数据增强方法包括随机翻转、随机缩放、随机裁剪、随机亮度和对比度。进一步地，步骤(3)所述的深度学习分类网络模型，主要是ResNet网络和ResNeXt网络，一个ResNet块，定义为：y＝F(x)+x式中：x和y是层的输入和输出向量。函数F表示待学习的残差映射，上式可以在普通网络中通过快捷连接来实现，既不增加额外的参数，也不增加计算复杂度。同时，采用ResNet中使用的重复层策略和Inceptions中使用的分裂-转换-合并策略。一个ResNeXt定义为:F(x)替换为Ti(x)，它表示聚合的转换。这里x和y仍然是层的输入和输出向量。C被称为基数，所有Ti都具有相同的拓扑。损失函数是卷积神经网络优化的目标函数，交叉熵损失作为最常用的损失函数，可以用来衡量样本数据的真实分布与预测分布之间的距离，其本质是最大化对数似然函数，本专利技术的裂缝图像的分类是二分类问题，二分类问题的交叉熵损失函数如下：式中：LBCE为二分类的交叉熵损失；N为图像数目；yi为第i个图像的标签值；Pi为第i个图像的预测概率值。进一步地，步骤(4)所述的在现场利用无人机对桥梁进行巡检得到图片，利用步骤(3)得到的具有自动识别裂缝的卷积神经网络模型，去自动识别步骤(4)得到的图片中是否为裂缝图片。有益效果：相对于传统的人工检测方法和现有的自动化方法如水下机器人、声呐成像等技术，本专利技术所述方法效率高，成本低，自动化程度高，实时识别，更加简洁有效，大大提高了其图片识别的准确率和自动化程度。附图说明图1为本专利技术的流程图；图2为本专利技术使用的网络参数图。具体实施方式下面结合附图对本专利技术作进一步详细说明。如图1和图2所示，一种无监督的桥梁裂缝识别方法，包括以下步骤：1、利用无人机获取桥梁混凝土裂缝以及正常图片，形成数据集；并对数据进行归一化计算，参数为[0.485,0.456,0.406],[0.229,0.224,0.225]，图片大小为1200x1200像素大小。2、利用K-Means方法对数据集进行聚类分析，根据聚类后的结果对数据集进行标注，即裂缝/正常；3、将数据集划分为训练测试集、验证集和测试集；4、利用数据增强的方法对数据集进行扩充，选择了水平翻转、垂直翻转、旋转90°、180°、270°方式进行数据扩增；5、建立深度学习分类网络模型，对步骤(4)中得到的数据集进行训练，并保存训练好的模型与参数；训练的初始学习率设置为0.01，在第50个轮回的迭代之后降到0.001，在第100个轮回的迭代之后降到0.0001。优化函数采用的是Adam，利用梯度的一阶矩估计和二阶矩估计动本文档来自技高网...

【技术保护点】
1.一种无监督的桥梁裂缝识别方法，其特征在于，包括以下步骤：/n(1)获取桥梁混凝土表征图片，包括正常图片和损伤图片，构成数据集，并通过K-Means方法对样本数据集进行聚类并做降维处理，根据聚类后的结果对数据集进行裂缝或正常标注；/n(2)将比例将数据集划分为训练测试集、验证集和测试集，并利用数据增强的方式对数据集进行扩充；/n(3)建立具有自动识别裂缝的卷积神经网络模型，对步骤(2)中得到的数据集进行训练，并保存训练好的深度学习分类网络模型与参数，所述的深度学习分类网络模型包括ResNet网络和ResNeXt网络，并将桥梁的裂缝图像转化为二分类问题，所述二分类问题的交叉熵损失函数如下：/n

【技术特征摘要】
1.一种无监督的桥梁裂缝识别方法，其特征在于，包括以下步骤：
(1)获取桥梁混凝土表征图片，包括正常图片和损伤图片，构成数据集，并通过K-Means方法对样本数据集进行聚类并做降维处理，根据聚类后的结果对数据集进行裂缝或正常标注；
(2)将比例将数据集划分为训练测试集、验证集和测试集，并利用数据增强的方式对数据集进行扩充；
(3)建立具有自动识别裂缝的卷积神经网络模型，对步骤(2)中得到的数据集进行训练，并保存训练好的深度学习分类网络模型与参数，所述的深度学习分类网络模型包括ResNet网络和ResNeXt网络，并将桥梁的裂缝图像转化为二分类问题，所述二分类问题的交叉熵损失函数如下：



式中：LBCE为二分类的交叉熵损失；N为图像数目；yi为第i个图像的标签值；Pi为第i个图像的预测概率值；
(4)对桥梁进行巡检并获取表面图片，步骤(3)得到的深度学习分类网络模型动识别桥梁混凝土出现裂缝的损伤图片。


2.根据权利要求1所述的无监督的桥梁裂缝识别方法，其特征在于，步骤(1)通过PCA做降维处理，采用欧式距离作为度量方法，初始k值取2，具体如下：
(11)对于n张图片的数据集，每张图片的尺寸大小为h×w，将图片按照行展开为h×w维向量xi，(i＝1,2,3...,n)，整个数据集表示为：
X＝{x1,x2,...,xn}；
(12)对数据集进行去中心化，即每一维特征减去各自的均值，如下式所示；计算协方矩阵cov，如下式所示：



(13)利用矩阵特征值分解方法求协方差矩阵的特征值与特征向量，对特征值从大到小排序，选取其中最大的k个，然后将其对应的k个特征向量分别作为行向量组...

【专利技术属性】
技术研发人员：董斌，吴刚，张华，李征，
申请(专利权)人：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，
类型：发明
国别省市：江苏;32