【技术实现步骤摘要】
本文涉及图像识别领域，尤指一种基于分区卷积的裂缝识别方法和装置。
技术介绍
1、随着深度学习技术的发展，基于卷积神经网络技术的裂缝图像识别为建筑结构的健康监测带来了革命性的进步，然而在大尺寸图像中识别短小裂缝时依然存在挑战，原因在于大图像的处理提高了计算成本、处理复杂度和图像识别时间，而且短小裂缝的识别受限于网络的分辨率和感受野；以某一渡槽为例，基于无人机拍摄的高分辨率渡槽图像进行裂缝识别，单张图像的像素尺寸较大，裂缝预测时间超过了60秒，同时由于渡槽裂缝的宽度大多为几毫米，长度大多为几十厘米，裂缝面积在单张图像中的像素占比很小，采用各种卷积神经网络模型进行裂缝预测，如vggnet(全称visual geometry group network)、resnet(全称residual network)、u-net和yolo(全称you only look once)，预测效果均不理想。
2、为了解决上述问题，目前主要采用两种方法来对大尺寸图像中的短小裂缝进行识别。第一种方法是提高卷积神经网络模型的泛化能力，在进行模型训练时引入大尺寸的图像训练样本以增强模型处理不同尺寸图像的能力，通过增加卷积层的深度或增加卷积核的大小，以便捕捉更广泛的裂缝特征信息，并应用多尺度图像处理技术，运行神经网络考虑图像的多个不同尺寸以提高对复杂场景的适应性，但是该方法的缺点在于训练模型时需要标注大量的大尺寸图像，训练数据集的制作时间成倍增加，需要重新训练模型，进一步增加了时间成本，并且需要改变模型的结构，容易导致计算量过大和过拟合的问题。第二种
技术实现思路
1、本申请提供了一种基于分区卷积的裂缝识别方法和装置，直接对图像的张量进行拆分，对灰度矩阵进行拼接，减少了图像格式转换次数，提高了裂缝识别效率，在进行张量拆分时，便于扩大分割区域，保证裂缝等特征不会被分割成过小的部分，裂缝识别精度高。
2、一方面，本申请实施例提供了一种基于分区卷积的裂缝识别方法，包括：
3、将包含裂缝的原始图像输入图像分割模块，按照张量拆分尺寸进行张量拆分，输出q个大小相同的拆分张量，q>1；
4、分别将每一个所述拆分张量输入预先训练好的卷积神经网络模型，对每一个所述拆分张量进行独立计算，输出每一个所述拆分张量分别对应的灰度矩阵，其中，所述卷积神经网络模型用于对所述原始图像进行裂缝预测；
5、将输出的所有灰度矩阵进行拼接，获得与所述原始图像对应的裂缝预测灰度矩阵；
6、将所述原始图像与所述裂缝预测灰度矩阵进行融合和可视化处理，获得裂缝分布图。
7、另一方面，本申请实施例还提供了一种基于分区卷积的裂缝识别装置，包括处理器和存储器：
8、所述存储器，用于保存基于分区卷积的裂缝识别程序；
9、所述处理器，用于读取所述基于分区卷积的裂缝识别程序，并进行如上述实施例所述的基于分区卷积的裂缝识别方法。
10、与相关技术相比，本申请实施例的基于分区卷积的裂缝识别方法和装置，直接对图像的张量进行智能拆分，对灰度矩阵进行拼接，减少了图像格式转换次数，提高了裂缝识别效率，对拆分张量进行分区卷积进一步克服了大图像处理运算速度慢的问题，进一步提高了裂缝识别效率，在进行张量拆分时，能够兼顾卷积神经网络模型的感受野，确保拆分的每个区域都得到充分的特征提取和分析，又扩大了分割区域，保证裂缝等特征不会被分割成过小的部分，裂缝识别精度高、可靠性强，克服了基于大尺寸图像识别短小裂缝的困难，为建筑工程监测提供了有效的工具。
11、本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于分区卷积的裂缝识别方法，其特征在于，包括：
2.如权利要求1所述的基于分区卷积的裂缝识别方法，其特征在于：
3.如权利要求1所述的基于分区卷积的裂缝识别方法，其特征在于，在所述将包含裂缝的原始图像输入图像分割模块，按照张量拆分尺寸进行张量拆分之前，还包括：
4.如权利要求3所述的基于分区卷积的裂缝识别方法，其特征在于，所述获取所述卷积神经网络模型的训练图片尺寸，并基于所述训练图片尺寸对所述原始图像进行张量拆分测试，确定所述张量拆分尺寸，包括：
5.如权利要求4所述的基于分区卷积的裂缝识别方法，其特征在于，所述对每一张所述测试图像进行张量拆分和灰度计算，包括：
6.如权利要求1所述的基于分区卷积的裂缝识别方法，其特征在于，所述分别将每一个所述拆分张量输入预先训练好的卷积神经网络模型，对每一个所述拆分张量进行独立计算，输出每一个所述拆分张量分别对应的灰度矩阵，包括：
7.如权利要求1或5所述的基于分区卷积的裂缝识别方法，其特征在于，所述将输出的所有灰度矩阵进行拼接，包括：
8.如权利要求7
9.如权利要求8所述的基于分区卷积的裂缝识别方法，其特征在于，所述采用三次样条插值方法进行插值，获得该重叠像素点的灰度值，包括：
10.一种基于分区卷积的裂缝识别装置，包括处理器和存储器，其特征在于：
...【技术特征摘要】
1.一种基于分区卷积的裂缝识别方法，其特征在于，包括：
2.如权利要求1所述的基于分区卷积的裂缝识别方法，其特征在于：
3.如权利要求1所述的基于分区卷积的裂缝识别方法，其特征在于，在所述将包含裂缝的原始图像输入图像分割模块，按照张量拆分尺寸进行张量拆分之前，还包括：
4.如权利要求3所述的基于分区卷积的裂缝识别方法，其特征在于，所述获取所述卷积神经网络模型的训练图片尺寸，并基于所述训练图片尺寸对所述原始图像进行张量拆分测试，确定所述张量拆分尺寸，包括：
5.如权利要求4所述的基于分区卷积的裂缝识别方法，其特征在于，所述对每一张所述测试图像进行张量拆分和灰度计算，包括：
6.如权利要求1所述...
【专利技术属性】
技术研发人员：黄跃群，袁祯，刘涛，周柏林，刘耀儒，周文杰，李金友，彭煜，谭权峰，
申请(专利权)人：湖南省水利发展投资有限公司，
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。