本申请公开了一种结构表观裂缝检测方法、装置及系统。其中，方法包括利用携带图像标签的裂缝数据集训练裂缝检测模型；裂缝数据集的各样本图像为被裁剪的图像块，且图像块裂缝有像素级标注。将由携带测距仪且可移动的图像采集设备所采集的待检测结构表观的高分辨率图像分割为多个图像块；将各图像块输入至裂缝检测模型，以识别各图像块是否包括裂缝并提取裂缝特征信息，得到高分辨率图像的各像素级分割图；自动拼接各像素级分割图，得到待检测结构的裂缝分割图。根据裂缝分割图所确定的裂缝实际物理尺寸与自动读取的裂缝规范宽度限值，自动评估裂缝对待检测结构的危险程度。本申请可以精准、高效地从含复杂背景的高分辨率图像中提取裂缝特征信息。提取裂缝特征信息。提取裂缝特征信息。
【技术实现步骤摘要】
一种结构表观裂缝检测方法、装置及系统
[0001]本申请涉及建筑工程
，特别是涉及一种结构表观裂缝检测方法、装置及系统。
技术介绍
[0002]可以理解的是，桥梁、道路、隧道、堤坝、房屋等建筑在经过地震作用或者使用年限过长或者产生不均匀沉降时，可能会逐渐变形甚至出现建筑裂缝，裂缝的存在可能会导致整个建筑结构失稳或者破坏倒塌，影响整个建筑结构的安全使用。虽然裂缝在混凝土结构中是很常见的，但当裂缝的尺寸超过一定限值时，会严重影响建筑物的正常使用和正常承载。在对建筑物结构进行安全鉴定评估或者裂缝修复过程中，都需要对建筑物结构存在的裂缝进行准确的评估和测量。
[0003]在过去十几年中，基于视觉的结构损伤检测方法在监测民用基础设施方面受到了极大的关注。在结构周期性检查过程中，裂缝信息为建筑工程的安全性及耐久性评估提供了重要依据，因此准确地检测分析裂缝对建筑物的合理维护具有重要意义。一套自主裂缝检测系统有助于减少操作中的人为参与，降低成本，从而提高检测系统的可靠性和效率。基于计算机视觉的裂缝检测技术具有简单易操作、非接触式和对观测数据的解释更直观等优势，其已被广泛应用于实际工程现场。计算机视觉算法可分为图像检测与图像分割，将其应用在结构表观裂缝检测中，需要进行裂缝检测和裂缝分割，裂缝检测的目的是对结构表观图像中的裂缝进行分类和定位，裂缝分割的目的是从结构表观背景中准确提取裂缝。对结构表观裂缝进行分割能够准确地得到其裂缝的形态走势及尺寸信息，可以用于后期结构状态评估。
[0004]但是，在现实环境中拍摄的结构图像背景极其复杂，图像中包含多种干扰信息，不利于裂缝信息的提取。并且拍摄的图像一般为高分辨率图像，在移动端即使配备高性能的图形处理器（也即GPU），直接测试如此高分辨率的图像也会引起内存不足。
[0005]鉴于此，如何从含复杂背景的高分辨率图像中准确提取裂缝特征信息，是所属领域技术人员需要解决的技术问题。
技术实现思路
[0006]本申请提供了一种结构表观裂缝检测方法、装置及系统，可以精准、高效地从含复杂背景的高分辨率图像中提取裂缝特征信息。
[0007]为解决上述技术问题，本专利技术实施例提供以下技术方案：本专利技术实施例一方面提供了一种结构表观裂缝检测方法，包括：预先利用携带图像标签的裂缝数据集训练裂缝检测模型；获取待检测结构表观的当前高分辨率图像，并将所述高分辨率图像分割为多个待处理图像块；将各待处理图像块输入至所述裂缝检测模型，得到所述高分辨率图像的各像素级
分割图；自动拼接各像素级分割图，得到所述待检测结构的裂缝分割图；根据所述裂缝分割图确定所述裂缝的实际物理尺寸，与自动读取所述裂缝所在结构的应用场景的裂缝规范宽度限值，自动评估所述裂缝对所述待检测结构造成的危险；其中，所述当前高分辨率图像为由包括图像采集器、测距仪和移动平台的图像采集设备所采集，所述图像采集器和所述测距仪搭载在所述移动平台；所述移动平台按照预设移动路径进行移动，所述图像采集器在随着所述移动平台的移动过程中采集所述待检测结构表观的高分辨率图像，所述测距仪用于记录所述图像采集器所采集的每一帧图像与所述待检测结构间的实际物理距离；所述裂缝数据集的各样本图像为被裁剪的图像块，且对携带裂缝图像块标签的图像块的裂缝进行像素级标注；所述图像标签为裂缝图像块标签或背景图像块标签；所述裂缝检测模型用于识别待处理图像块是否为裂缝图像并提取所述裂缝图像的裂缝特征信息。
[0008]可选的，所述根据所述裂缝分割图确定裂缝的实际物理尺寸，包括：对所述裂缝分割图的裂缝进行骨架提取，得到骨架及轮廓信息；根据所述骨架及轮廓信息得到所述裂缝以像素为单位的裂缝特征值；根据所述裂缝特征值、所述高分辨率图像的采集设备与所述待检测结构表观的距离信息和相机参数计算得到所述裂缝的实际物理尺寸。
[0009]可选的，所述将各待处理图像块输入至所述裂缝检测模型，得到所述高分辨率图像的各像素级分割图之前，还包括：预先利用携带结构类型标签的结构表观数据集，训练得到结构表观类型识别模型；所述结构表观数据集包括多张不同结构表观图像样本数据；所述结构表观类型识别模型用于识别所述待检测结构所属结构类型；将所述高分辨率图像输入至所述结构表观类型识别模型，得到所述待检测结构对应的结构类型。
[0010]可选的，所述根据所述裂缝分割图确定所述裂缝的实际物理尺寸，与自动读取所述裂缝所在结构的应用场景的裂缝规范宽度限值，自动评估所述裂缝对所述待检测结构造成的危险，包括：根据所述待检测结构对应的结构类型，自动读取所述裂缝所在结构的应用场景的裂缝规范宽度限值；通过比对所述实际物理尺寸和所述裂缝规范宽度限值，自动输出所述待检测结构的裂缝损伤等级和危险程度。
[0011]可选的，所述利用携带图像标签的裂缝数据集训练裂缝检测模型，包括：获取多幅所述待检测结构的高分辨样本图像、多幅与所述待检测结构表观背景相似的结构的高分辨样本图像；将各高分辨样本图像进行裁剪，得到多个样本图像块；按照是否有裂缝对各样本图像块进行分类，并根据分类结果为各样本图像块设置相应的图像标签，生成裂缝分类数据集；获取所述裂缝分类数据集中图像标签为所述裂缝图像块标签的目标图像块；对各目标图像块中的裂缝进行像素级标注，并将标注后的目标图像块进行二值化
转化处理，生成裂缝分割数据集。
[0012]可选的，所述裂缝检测模型包括裂缝识别网络模型和裂缝分割网络模型，所述裂缝识别网络模型输出图像标签，所述利用携带图像标签的裂缝数据集训练裂缝检测模型，包括：预先构建包括输入层、特征提取层、特征识别层和输出层的识别网络结构；将所述裂缝分类数据集的各样本图像块输入至所述识别网络结构的输入层，基于交叉熵损失函数训练所述识别网络结构，以得到所述裂缝识别网络模型；其中，所述特征提取层包括第一卷积层、第二卷积结构、第三卷积结构、第四卷积结构和第五卷积结构；所述第二卷积结构包括最大池化层和多个卷积层；所述第三卷积结构、所述第四卷积结构和所述第五卷积结构均包括多个卷积层；所述特征识别层包括平均池化层、全连接层和激活函数层。
[0013]可选的，所述裂缝检测模型包括裂缝识别网络模型和裂缝分割网络模型，所述裂缝分割网络模型输出标记裂缝像素的语义分割图；所述利用携带图像标签的裂缝数据集训练裂缝检测模型，包括：预先搭建基于U型网络的裂缝分割网络，所述裂缝分割网络还包括密集空洞卷积模块与尺度感知金字塔融合模块；将所述裂缝分割数据集输入至所述裂缝分割网络，所述裂缝分割网络利用预先训练好的特征编码器，在编解码过程中基于注意力门控机制对所述裂缝分割数据集的各目标图像块的图像特征进行处理，采用二分类交叉熵损失与相似度损失组成的联合损失函数训练所述裂缝分割网络，以得到所述裂缝分割网络模型。
[0014]本专利技术实施例另一方面提供了一种结构表观裂缝检测装置，包括：模型训练模块，用于预先利用携带图像标签的裂缝数据集训练裂缝检测模型；其中，所述裂缝数据集的各样本图像为被裁剪的图像块，且对携带裂缝图像块标签的图像块的裂缝进行像素级标注；本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种结构表观裂缝检测方法，其特征在于，包括：预先利用携带图像标签的裂缝数据集训练裂缝检测模型；获取待检测结构表观的当前高分辨率图像，并将所述高分辨率图像分割为多个待处理图像块；将各待处理图像块输入至所述裂缝检测模型，得到所述高分辨率图像的各像素级分割图；自动拼接各像素级分割图，得到所述待检测结构的裂缝分割图；根据所述裂缝分割图确定裂缝的实际物理尺寸，与自动读取所述裂缝所在结构的应用场景的裂缝规范宽度限值，自动评估所述裂缝对所述待检测结构造成的危险；其中，所述高分辨率图像为由包括图像采集器、测距仪和移动平台的图像采集设备所采集，所述图像采集器和所述测距仪搭载在所述移动平台；所述移动平台按照预设移动路径进行移动，所述图像采集器在随着所述移动平台的移动过程中采集所述待检测结构表观的高分辨率图像，所述测距仪用于记录所述图像采集器所采集的每一帧图像与所述待检测结构间的实际物理距离；所述裂缝数据集的各样本图像为被裁剪的图像块，且对携带裂缝图像块标签的图像块的裂缝进行像素级标注；所述图像标签为裂缝图像块标签或背景图像块标签；所述裂缝检测模型用于识别待处理图像块是否为裂缝图像并提取所述裂缝图像的裂缝特征信息。2.根据权利要求1所述的结构表观裂缝检测方法，其特征在于，所述根据所述裂缝分割图确定裂缝的实际物理尺寸，包括：对所述裂缝分割图的裂缝进行骨架提取，得到骨架及轮廓信息；根据所述骨架及轮廓信息得到所述裂缝以像素为单位的裂缝特征值；根据所述裂缝特征值、所述高分辨率图像的采集设备与所述待检测结构表观的距离信息和相机参数计算得到所述裂缝的实际物理尺寸。3.根据权利要求1所述的结构表观裂缝检测方法，其特征在于，所述将各待处理图像块输入至所述裂缝检测模型，得到所述高分辨率图像的各像素级分割图之前，还包括：预先利用携带结构类型标签的结构表观数据集，训练得到结构表观类型识别模型；所述结构表观数据集包括多张不同结构表观图像样本数据；所述结构表观类型识别模型用于识别所述待检测结构所属结构类型；将所述高分辨率图像输入至所述结构表观类型识别模型，得到所述待检测结构对应的结构类型。4.根据权利要求3所述的结构表观裂缝检测方法，其特征在于，所述根据所述裂缝分割图确定所述裂缝的实际物理尺寸，与自动读取所述裂缝所在结构的应用场景的裂缝规范宽度限值，自动评估所述裂缝对所述待检测结构造成的危险，包括：根据所述待检测结构对应的结构类型，自动读取所述裂缝所在结构的应用场景的裂缝规范宽度限值；通过比对所述实际物理尺寸和所述裂缝规范宽度限值，自动输出所述待检测结构的裂缝损伤等级和危险程度。5.根据权利要求1至4任意一项所述的结构表观裂缝检测方法，其特征在于，所述利用携带图像标签的裂缝数据集训练裂缝检测模型，包括：
获取多幅所述待检测结构的高分辨样本图像、多幅与所述待检测结构表观背景相似的结构的高分辨样本图像；将各高分辨样本图像进行裁剪，得到多个样本图像块；按照是否有裂缝对各样本图像块进行分类，并根据分类结果为各样本图像块设置相应的图像标签，生成裂缝分类数据集；获取所述裂缝分类数据集中图像标签为所述裂缝图像块标签的目标图像块；对各目标图像块中的裂缝进行像素级标注，并将标注后的目标图像块进行二值化转化处理，生成裂缝分割数据集。6.根据权利要求5所述的结构表观裂缝检测方法，其特征在于，所述裂缝检测模型包括裂缝识别网络模型和裂缝分割网络模型，所述裂缝识别网络模型输出图像标签，所述利用携带图像标签的裂缝数据集训练裂缝检测模型，包括：预先构建包括输入层、特征提取层、特征识别层和输出层的识别网络结构；将所述裂缝分类数据集的各样本图像块输入至所述识别网络结构的输入层，基于交叉熵损失函数训练所述识别网络结构，以得到所述裂缝识别网络...
【专利技术属性】
技术研发人员：邓露，香超，曹然，史鹏，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。