【技术实现步骤摘要】
本专利技术属于混凝土裂缝级联识别，特别是涉及基于矩形样本与标准化的混凝土裂缝级联识别算法。
技术介绍
1、裂缝区别于其他面状物体，裂缝的特征更偏向于线状，传统的混凝土裂缝级联识别技术使用正方形样本，导致裂缝在图片中像素的占比也相对较低。同时，传统的混凝土裂缝级联识别技术采用先验信息强化和级联检测的思想，裂缝检测算法在裂缝漏识别率上控制的较为理想，但是仍然存在较高的误识别率。虽然降低漏识别率是裂缝检测的首要目标，但是过高的误识别率仍然会给后续人工的工作增加负担，仍然需要进一步优化检测技术，在保证低漏识别率的基础上进一步降低误识别率。
技术实现思路
1、技术方案：为了解决上述的技术问题，本专利技术提供的基于矩形样本与标准化的混凝土裂缝级联识别算法，具体方法是通过使用长度方向与裂缝走向一致的矩形切片作为样本进行网络训练；所述网络训练是通过将alexnet和resnet34网络级联为裂缝识别网络，先利用alexnet深度网络将所有待分类样本区分为非线状物与线状物两大类，再利用resnet34网络将所有在第一次分类中被识别为线状物的样本中区分为裂缝、疑似裂缝与非裂缝三类。
2、作为改进，方法的具体步骤为：
3、s1、通过相机进行图像获取；
4、s2、将所获取的图像以128*128pixel作为项目切片尺寸进行切片；
5、s3、将所得切片改进为目标矩形样本；
6、s4、目标矩形样本通过alexnet网络；
7、s5、将通过
8、s6、将样本填充完成后的目标样本通过resnet34网络。
9、作为改进，骤s3中，将所得切片改进为目标矩形样本的步骤如下：
10、s3-1、提取切片的边缘；
11、s3-2、计算切片的质心和主方向角；
12、s3-3、以质心为中心，设定步长为尺寸重新截取切片，这样能使裂缝尽量处于切片的轴线附近；
13、s3-4、根据步骤s3-2得到的主方向角旋转经过步骤s3-3得到的切片至水平，将所获取图像的裂缝走势统一至水平；
14、s3-5、减小上述图像的竖直方向大小，增加上述图像的水平方向大小；所获取图像尺寸由128*128转化成为128*60。
15、作为改进，步骤s4中，将目标矩形样本通过alexnet网络的步骤如下：
16、s4-1、利用alexnet网络的灰度梯度相似性原则将目标矩形样本分为线状物与非线状物；
17、s4-2、若s4-1中目标矩形样本为线状物则进行步骤s5；若s4-1中目标矩形样本为非线状物则判别为非裂缝进行输出。
18、作为改进，步骤s5中，将通过目标矩形样本进行样本填充的步骤包括：在尺寸为128*60的目标矩形样本的上下分别填充0像素，使得目标矩形样本的尺寸为128*128。
19、作为改进，步骤s6中，将样本填充完成后的目标样本通过resnet34网络的步骤如下：
20、s6-1、将通过resnet34网络的填充完成的目标样本进行识别，若目标样本的线状物经识别为裂缝，则将该目标样本添加裂缝标记；若目标样本的线状物经识别为不是裂缝，则将该目标样本添加非裂缝标记；若目标样本的线状物经识别无法判断是否为裂缝，则将该目标样本添加疑似裂缝标记；
21、s6-2、将添加裂缝标记的目标样本进行再判别，将不符合判别条件的目标样本的裂缝标记更改为非裂缝标记。
22、作为改进，在步骤s6-2中，将添加裂缝标记的目标样本进行再判别，将不符合判别条件的目标样本的裂缝标记更改为非裂缝标记的步骤如下：
23、s6-2-1、去除目标样本的孤立标注；
24、s6-2-2、搭桥，若某非标注点a的8邻域内有两个不相邻的标注点，则把a转变为标注点，用以改善断续情况；
25、s6-2-3、在处理后的mark_map中提取连通域；
26、s6-2-4、计算每个连通域的面积a、长细比rf；
27、s6-2-5、设置判断条件：若一条连通域的面积a大于等于4个像素，而且其长细比rf大于3，则认为该连通域是裂缝，否则不是裂缝；
28、s6-2-6、若一张mark_map里含有裂缝连通域，则认为对应的目标样本里含有裂缝，否则认为不含有裂缝
29、有益效果，与现有技术相比，本专利技术是通过矩形样本来代替传统的正方形样本进行网络训练，矩形样本能够在水平方向更大限度地展示裂缝走势和曲折特征，并且能够减少竖直方向的背景像素，提高裂缝信息在样本中的占比，同时也能避免神经网络在训练过程中学习到除裂缝外的特征；裂缝检测算法采用先验信息强化和级联检测的思想，降低了裂缝漏识别率，resnet34网络能够很好地应对网络退化问题，从而能够更好地解决裂缝误识别率问题。
本文档来自技高网...【技术保护点】
1.基于矩形样本与标准化的混凝土裂缝级联识别算法，其特征在于：具体方法是通过使用长度方向与裂缝走向一致的矩形切片作为样本进行网络训练；所述网络训练是通过将Alexnet和Resnet34网络级联为裂缝识别网络，先利用AlexNet深度网络将所有待分类样本区分为非线状物与线状物两大类，再利用Resnet34网络将所有在第一次分类中被识别为线状物的样本中区分为裂缝、疑似裂缝与非裂缝三类。
2.根据权利要求1所述基于矩形样本与标准化的混凝土裂缝级联识别算法，其特征在于：方法的具体步骤为：
3.根据权利要求1所述基于矩形样本与标准化的混凝土裂缝级联识别算法，其特征在于：步骤S3中，将所得切片改进为目标矩形样本的步骤如下：
4.根据权利要求1所述基于矩形样本与标准化的混凝土裂缝级联识别算法，其特征在于：步骤S4中，将目标矩形样本通过Alexnet网络的步骤如下：
5.根据权利要求1所述基于矩形样本与标准化的混凝土裂缝级联识别算法，其特征在于：步骤S5中，将通过目标矩形样本进行样本填充的步骤包括：
6.根据权利要求1所述基于矩形样本
7.根据权利要求6所述基于矩形样本与标准化的混凝土裂缝级联识别算法，其特征在于：在步骤S6-2中，将添加裂缝标记的目标样本进行再判别，将不符合判别条件的目标样本的裂缝标记更改为非裂缝标记的步骤如下：
...【技术特征摘要】
1.基于矩形样本与标准化的混凝土裂缝级联识别算法，其特征在于：具体方法是通过使用长度方向与裂缝走向一致的矩形切片作为样本进行网络训练；所述网络训练是通过将alexnet和resnet34网络级联为裂缝识别网络，先利用alexnet深度网络将所有待分类样本区分为非线状物与线状物两大类，再利用resnet34网络将所有在第一次分类中被识别为线状物的样本中区分为裂缝、疑似裂缝与非裂缝三类。
2.根据权利要求1所述基于矩形样本与标准化的混凝土裂缝级联识别算法，其特征在于：方法的具体步骤为：
3.根据权利要求1所述基于矩形样本与标准化的混凝土裂缝级联识别算法，其特征在于：步骤s3中，将所得切片改进为目标矩形样本的步骤如下：
4.根...
【专利技术属性】
技术研发人员：张欢，史春乐，尹初，潘大荣，袁辉，赵启林，李子涵，
申请(专利权)人：昆山市房屋安全鉴定管理站，
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。