基于图像处理和深度学习的墙面裂缝检测方法技术

本发明专利技术公开了一种基于图像处理和深度学习的墙面裂缝检测方法，所述方法包括如下步骤：步骤

【技术实现步骤摘要】
基于图像处理和深度学习的墙面裂缝检测方法


[0001]本专利技术属于图像处理
，涉及一种墙面裂缝检测方法，具体涉及一种基于图像处理和深度学习的墙面裂缝检测方法
。

技术介绍

[0002]随着社会经济和科学技术的发展，高质量工程设施的需求也推高到了一个前所未有的高度
。
传统人工建造
、
巡检
、
记录作业方式已远远无法满足当前社会发展和工程建造的需要，安全
、
高效
、
绿色
、
智能
、
经济等方面的需求使得土木工程质量检测领域对于高精尖技术要求逐步提升
。
[0003]混凝土设施在运营使用的过程中会不可避免地受到各类复杂因素的干扰，降低混凝土结构强度，最终导致混凝土表面产生不同形状的损伤，降低混凝土设施的使用寿命，并产生安全隐患，且尤以混凝土裂缝为常见显著的损伤
。
在人工智能技术爆发式发展的时代中，多技术多尺度多层次实时监测技术结合深度学习能够在传统的检测方法基础上进一步提升检测准确性
、
安全性和检测效率，是当前工程检测技术的重点发展方向
。

技术实现思路

[0004]为了解决当前墙面裂缝人工检测耗时长
、
效率低
、
精度差的问题，本专利技术提供了一种基于图像处理和深度学习的墙面裂缝检测方法，通过实时采集墙面裂缝图像，通过机器视觉技术对墙面裂缝进行识别
。
[0005]本专利技术的目的是通过以下技术方案实现的：一种基于图像处理和深度学习的墙面裂缝检测方法，包括如下步骤：步骤
S1、
图像捕获：利用全画幅数码单反相机捕捉建筑结构物墙面的高分辨率图像；步骤
S2、
图像预处理：校正步骤
S1
捕获的图像的角度，并获得墙面结构的正面视图，将图像尺寸统一放缩至大小为
448
×
448
像素，并通过图像平移
、
旋转
、
镜像
、
拼接的方式进行图像增广，达到数据增强的目的；步骤
S3、
图像特征标注：使用
LabelImg
软件对步骤
S2
预处理后的图像进行标注，给每个图像打上标签，生成用于目标检测的特征文件，构建墙面裂缝数据集；步骤
S4、
模型训练：将步骤
S3
构建的墙面裂缝数据集导入
yolo v5
模型中，通过设置训练参数，以预训练权重为基础，使用墙面裂缝数据集进行训练，在测试集上进行性能验证，得到具有墙面裂缝检测功能的网络权重；步骤
S5、
裂缝检测：将步骤
S4
中训练得到的权重文件加载至
yolo v5
网络，并输入新的图像数据进行裂缝检测
。
[0006]相比于现有技术，本专利技术具有如下优点：传统的人工目视检测方法存在效率低下，主观性强，无法长时间连续工作等问题，本专利技术提供的基于图像处理和深度学习的墙体裂缝检测方法具有准确
、
高效
、
非接触无损
伤
、
连续工作时间长等优点，是理想的工程质量检测方法
。
该方法使用自建的墙面裂缝数据集，对
yolo v5
进行多次迭代训练，从而得到具有高度鲁棒性的墙面裂缝识别网络（或模型），其能够准确识别输入图像中的墙体裂缝，同时可抑制污垢或接缝等错误结果，兼具高准确率和高识别率，支持实时反馈墙面裂缝检测结果
。
附图说明
[0007]图1为墙面裂缝检测流程示意图；图2为
LabelImg
软件特征标注过程图
。
具体实施方式
[0008]下面结合附图对本专利技术的技术方案作进一步的说明，但并不局限于此，凡是对本专利技术技术方案进行修改或者等同替换，而不脱离本专利技术技术方案的精神和范围，均应涵盖在本专利技术的保护范围中
。
[0009]本专利技术提供了一种基于图像处理和深度学习的墙面裂缝检测方法，所述方法通过实时采集墙面裂缝图像，对图像进行预处理（视角校正
、
裁剪区域
、
图像放缩
、
数据增广）和特征标定，获得具有足够数量的图像数据集，将其导入
yolo v5
模型中进行训练，在准确率和
Loss
值趋于稳定后，得到新的训练权重，并将其加载到
yolo
模型的检测模块，设置好合理参数后即可实现墙面裂缝的检测
。
如图1所示，具体包括如下步骤：步骤一
、
图像捕获：利用全画幅数码单反相机对拟检测建筑结构物墙面的高分辨率图像，保证拍摄到各种条件下各类型的墙面裂缝图片（横向裂缝
、
纵向裂缝
、
斜向裂缝
、
网状裂缝等），为了保证数据集的多样性和模型的泛化性，采集了不同光照条件和污染程度的裂缝图片，使用相机捕获的图像可以识别小至
0.2
毫米宽的裂缝
。
[0010]步骤二
、
图像预处理：校正步骤
S1
捕获的图像的角度，并获得墙面结构的正面视图，将图像尺寸统一放缩至大小为
448
×
448
像素，并通过图像的平移
、
旋转
、
镜像和拼接的方式达到数据增强的目的，具体步骤如下：步骤二一
、
视角校正：由相机获取的原始图像可能由于拍摄视角的不同产生不同程度的畸变，手动校正部分已捕获的图像的角度，并获得墙面结构的正面视图
。
[0011]步骤二二
、
重置分辨率：将大尺寸
、
高分辨率图像均裁剪为8个不重叠的图像区域，并使用
opencv
将图像区域统一放缩至大小为
448
×
448
像素，以减小计算成本
。
[0012]步骤二三
、
数据增强：使用
opencv
实现图像的平移
、
旋转
、
镜像和拼接，达到数据增强的目的，保证训练数据集所需足够的数据量，防止在划分数据集时出现训练集数据量不够导致训练过拟合
。
[0013]步骤三
、
图像特征标注：使用
LabelImg
软件，将对图像特征标注的标签设置为
yolo
标签格式，将裂缝图像逐个用矩形框框选出裂缝范围，保存的文件为包含目标类别
、
矩形检测框和检测目标位置信息的
.txt
格式文本文件，构建好墙面裂缝数据集，并按照4：1的比例将墙面裂缝数据集划分为训练集与测试集
。Labe本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像处理和深度学习的墙面裂缝检测方法，其特征在于所述方法包括如下步骤：步骤
S1、
图像捕获：利用全画幅数码单反相机捕捉建筑结构物墙面的高分辨率图像；步骤
S2、
图像预处理：校正步骤
S1
捕获的图像的角度，并获得墙面结构的正面视图，将图像尺寸统一放缩至大小为
448
×
448
像素，并通过图像平移
、
旋转
、
镜像
、
拼接的方式进行图像增广，达到数据增强的目的；步骤
S3、
图像特征标注：使用
LabelImg
软件对步骤
S2
预处理后的图像进行标注，给每个图像打上标签，生成用于目标检测的特征文件，构建墙面裂缝数据集；步骤
S4、
模型训练：将步骤
S3
构建的墙面裂缝数据集导入
yolo v5
模型中，通过设置训练参数，以预训练权重为基础，使用墙面裂缝数据集进行训练，在测试集上进行性能验证，得到具有墙面裂缝检测功能的网络权重；步骤
S5、
裂缝检测：将步骤
S4
中训练得到的权重文件加载至
...

【专利技术属性】
技术研发人员：陈宏伟，邱瑞，李周明，李宝忠，李卫国，戈树波，王建峰，
申请(专利权)人：中铁十七局集团有限公司，
类型：发明
国别省市：