一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法技术

本发明专利技术提供了一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法，将无人机拍摄的照片输入到ConcreteCrackSegNet模型中进行检测，然后通过预测，输出预测到的分割的混凝土裂缝图像；本发明专利技术的ConcreteCrackSegNet模型是根据混凝土裂缝分割的具体特点结合试验提出，混凝土裂缝颜色分界不明显，而且裂缝有一定的连续性的特点，本发明专利技术采集了实际的混凝土裂缝照片，图片集包括了各种分别不明显的裂缝，试验充分考虑了裂缝的不易分辨性以及连续性。本发明专利技术的方法对图片的分割精度高，能够检测出混凝土结构的裂缝损坏，从而可早期监测到混凝土结构裂缝的衍生，为养护部门提出科学的预养护决策提供支持，同时可节省大量的人力物力。同时可节省大量的人力物力。同时可节省大量的人力物力。

【技术实现步骤摘要】
一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法


[0001]本专利技术属于工程检测
，具体涉及一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法。

技术介绍

[0002]裂缝是确保结构的安全性、耐用性和可使用性的主要关注点，其原因是，当裂缝发展和扩展时，它们往往会导致有效载荷区域的减少，导致应力增加，从而导致混凝土或其他结构的破坏。混凝土结构随着时间的推移而老化，裂缝似乎不可避免，并且出现在所有类型的结构中，例如混凝土墙、梁、板和砖墙，以及桥梁、路面结构等，特别是对于混凝土构件，裂缝会产生接触到有害和腐蚀性化学物质以渗透到结构中，从而损害其完整性和美观性。
[0003]实际上，对于所有类型的结构，表面裂缝都是结构损坏和耐久性的关键指标，表面裂缝检测是监测混凝土结构健康的一项重要任务。目视检查建筑构件以检测开裂和评估物理和功能状况至关重要。然而，建筑物中的裂缝检测任务，特别是在发展中国家，通常是手动执行的。因此，需要更多的时间和精力来获得裂缝的测量值并编译或处理相关数据。此外，人工目视检查在成本和准确性方面效率低下，因为它涉及检查员的主观判断。裂纹检测的人工过程费时费力，且受检验人员主观判断的影响。在高层建筑和桥梁的情况下，手动检查也可能难以执行。

技术实现思路

[0004]针对现有技术中存在的缺陷，本专利技术提供一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法，包括如下步骤：
[0005](1)照片拍摄；
[0006]拍摄的混凝土照片，并将图片尺寸转化为(3,512,512)，其中3为通道数，(512,512)为宽度和高度；
[0007](2)标注后的照片输入到ConcreteCrackSegNet模型进行检测；
[0008]所述ConcreteCrackSegNet模型用于接收输入的图片，然后通过预测，输出预测到的分割的混凝土裂缝图像；
[0009]具体的，图片输入后，分两道，一道为空间路径模块，另一道为ResNet特征提取通道；
[0010]图片经过经过一个空间路径模块，大小为(256,64,64)，记为B；
[0011]图片经过ResNet特征提取通道后，在全连接层前的倒数三层输出，大小分别为C(1024,32,32),D(2048,16,16)和E(2048,1,1)；
[0012]特征C通过瓶颈注意力模块，大小还是(1024,32,32)，记为F；F然后输入到注意力改进模块，大小还是(1024,32,32)，记为H；然后H经过一个上采样模块1，大小变为(1024,64,64)，记为J；
[0013]特征D通过卷积块注意力模块，大小还是(2048,16,16)，即为G；
[0014]特征E大小为(2048,1,1)；将G和E相乘，结果的大小为(2048,16,16)，记作I；I经过一个上采样模块2，大小变为(2048,64,64)，记作K；
[0015]J和K在通道维度上进行向量拼接，得到的结果为(3072,64,64)，拼接结果记作L，L紧跟着一个归一化注意力模块，输出大小还是(3072,64,64)，记作M；
[0016]上述B和M通过一个特征融合模块，输出大小为(2,64,64)，记为N；
[0017]输出N经过一个上采样模块，大小为(2,512,512)，记为O；后面接着一个卷积模块，输出大小还是(2,512,512)；记为P；然后通过预测，输出预测到的分割的混凝土裂缝图像。
[0018]在上述方案的基础上，所述的ConcreteCrack SegNet模型由以下方法训练：
[0019](1)采集桥梁混凝土结构和高速公路的混凝土照片，其中有部分照片包含有裂缝病害；
[0020](2)使用LabelMe标注裂缝病害的包围框多边形，保存以后，就可以生成一个json文件；
[0021](3)标注好的图像数据集共计5000张，按照6:2:2的比例，把图像数据集划分为训练集、验证集和测试集，所以得到训练集3000张，验证集1000张，测试集1000张；
[0022](4)将图片输入到ConcreteCrackSegNet模型，通过模型和损失函数，进行模型训练；
[0023](5)模型训练的过程中，会读取验证集的数据，进行模型的参数调整；
[0024](6)我们设定1000个代(epoch)作为最大训练代，当训练未到达最大训练代时，继续训练，直到完成1000个代；
[0025](7)训练中性能最好的模型被保存，作为最佳模型。
[0026]本专利技术还提供一种一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的混凝土裂缝的检测方法的步骤。
[0027]本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的混凝土裂缝的检测方法的步骤。
[0028]本专利技术的ConcreteCrackSegNet模型是根据混凝土裂缝分割的具体特点结合试验提出，混凝土裂缝颜色分界不明显，而且裂缝有一定的连续性的特点，本专利技术采集了实际的混凝土裂缝照片，图片集包括了各种分别不明显的裂缝，试验充分考虑了裂缝的不易分辨性以及连续性。本专利技术的方法对图片的分割精度高，能够检测出混凝土结构的裂缝损坏，从而可早期监测到混凝土结构裂缝的衍生，为养护部门提供预养护决策提供支持，同时可节省大量的人力物力。
附图说明
[0029]通过阅读下文的具体实施方式的详细描述，本专利技术的优点和益处对于本领域普通技术人员将变得清楚明了。附图是说明性的，并不认为是对本专利技术的限制。在附图中：
[0030]图1为本专利技术的流程图；
[0031]图2为ConcreteCrackSegNet模型网络结构示意图；
[0032]图3为模型中空间路径模块结构示意图；
[0033]图4为模型中注意力改进模块结构示意图；
[0034]图5为模型中归一化注意力模块结构示意图；
[0035]图6为模型中特征融合某块结构示意图；
[0036]图7为本专利技术的方法实际的检测效果图。
具体实施方式
[0037]为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳实施方式。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。
[0038]如图1所示，基于ConcreteCrackSegNet的混凝土裂缝检测方法包括以下步骤：
[0039]1.通过无人机拍照、工业相机等方式，采集桥梁混凝土结构和高速公路的混凝土照片，其中有部分照片包含有裂缝病害；
[0040]2.使用LabelMe软件来标注照片，Label本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法，其特征在于，包括如下步骤：(1)照片拍摄；拍摄的混凝土照片，并将图片尺寸转化为(3,512,512)，其中3为通道数，(512,512)为宽度和高度；(2)标注后的照片输入到ConcreteCrackSegNet模型进行检测；所述ConcreteCrackSegNet模型用于接收输入的图片，然后通过预测，输出预测到的分割的混凝土裂缝图像；具体的，图片输入后，分两道，一道为空间路径模块，另一道为ResNet特征提取通道；图片经过经过一个空间路径模块，大小为(256,64,64)，记为B；图片经过ResNet特征提取通道后，在全连接层前的倒数三层输出，大小分别为C(1024,32,32),D(2048,16,16)和E(2048,1,1)；特征C通过瓶颈注意力模块，大小还是(1024,32,32)，记为F；F然后输入到注意力改进模块，大小还是(1024,32,32)，记为H；然后H经过一个上采样模块1，大小变为(1024,64,64)，记为J；特征D通过卷积块注意力模块，大小还是(2048,16,16)，即为G；特征E大小为(2048,1,1)；将G和E相乘，结果的大小为(2048,16,16)，记作I；I经过一个上采样模块2，大小变为(2048,64,64)，记作K；J和K在通道维度上进行向量拼接，得到的结果为(3072,64,64)，拼接结果记作L，L紧跟着一个归一化注意力模块，输出大小还是(3072,64,64)，记作M；上述B和M通过一个特征融合模块，输出大小为(2,64,64)，记为N；输出N经过一个上采样模块，大小为(2,512,512)，记为O；后面接着一个卷积模块，输出大小还是(2,512,512)；记为P；然后通过预测，输出预测到的分割的混凝土裂缝图像。2.根据权利要求1所述的混凝土裂缝的检测方法，其特征在于，所述空间路径模块包含三个卷积单元，每个卷积单元都由一个卷积核为3、步长为2的卷积函数，后面接着一个批归一化和激活函数组成。3.根据权利要求1所述的混凝土裂缝的检测方法，其特征在于，在瓶颈注意力(BAM)模块中，输入特征图瓶颈注意力(BAM)模块产生的特征图为优化的特征图输出为：的特征图输出为：代表元素级别的乘法；M(F)的计算公式为：M(F)＝σ(M
c
(F)+M
s
(F))其中，是通道的注意力，是空间注意力，二者构成两个处理分支。σ是sigmoid函数。在相加前，二者都被尺寸会被变形为4.根据权利要求1所述的混凝土裂缝的检测方法，其特征在于，在卷积块注意力(CBAM)模块，输入特征图卷积块注意力模块会顺序地产生一个一维的通道注意
力图和一个两维的空间注意力计算公式如下：计算公式如下：那么F
″
就是优化的最终输出特征图。5.根据权利要求1所述的混凝土裂缝的检测方法，其特征在于，在注意力改进模块，输入S1首先经过一个平均池化层，尺寸大小变为原来的1/32，记为S2，然后经过一个1
×
1的卷积层，大小不变，输出记作S3；最后，将原来的输入S1和S3相乘，结果大小还是和S1一样，保持和原来的输入大小一样。6.根据权...

【专利技术属性】
技术研发人员：万海峰，李娜，曲慧，王常峰，曲淑英，任金来，孙启润，程浩，黄磊，
申请(专利权)人：烟台大学，
类型：发明
国别省市：