【技术实现步骤摘要】
本专利技术涉及图像检测，具体涉及一种混凝土面裂缝检测方法、装置及设备。
技术介绍
1、在建筑工程领域，混凝土结构在施工和使用过程中由于各种原因产生裂缝，如温度变化、荷载作用、材料老化等。混凝土面是否存在裂缝直接影响到建筑物整体结构的安全性和耐久性。因此，及时发现并准确评估裂缝的状态对于维护结构安全至关重要。传统的混凝土面裂缝检测方法通常依赖人工目视检查、超声波检测、红外热成像或使用探针等工具进行检测，这些方法不仅耗时耗力，而且容易受到人为因素的影响，导致检测结果不够准确，检测流程效率低下。
技术实现思路
1、本专利技术针对上述存在的技术不足，提供了一种混凝土面裂缝检测方法、装置及设备。
2、本专利技术通过以下技术方案实现：
3、提供了一种混凝土面裂缝检测方法，所述方法包括以下步骤：
4、步骤s10：获取混凝土面的图像数据；
5、步骤s20：对获取的混凝土面图像数据进行数据预处理；
6、步骤s30：数据预处理完成后将混凝土面图像数据输入基于自注意力机制的卷积神经网络模型，得到混凝土面裂缝检测结果并标注在图像中的对应位置；
7、步骤s40：通过分类器对检测结果进行分类和评估；
8、步骤s50：通过用户界面展示分类和评估结果，并提供裂缝分析报告；
9、优选地，所述步骤s10中获取混凝土面图像数据的步骤包括在光照充足和不同角度下使用1k分辨率及以上的相机或航拍无人机拍摄所需检测的混凝土面，并将所
10、优选地，光照充足是指能够提供足够的光线，使得图像中的物体或细节清晰可见，通过照度计测量现场的光照强度，当照度在150到2000勒克斯之间时，认为现场环境光照充足，勒克斯是国际单位制中用于测量照度（即单位面积上的光通量）的单位。
11、优选地，所述步骤s20中数据预处理步骤包括：
12、图像去噪：使用双边滤波去除混凝土面图像的噪声，如式（1）所示：
13、（1）
14、其中， i( x)为原始混凝土面图像位置 x处的像素值， i’( x)为滤波后混凝土面图像位置 x处的新像素值， i( y)为原始混凝土面图像位置 y处的像素值，是空间高斯核函数，用于衡量位置 y与位置 x的空间距离，是灰度高斯核函数，用于衡量位置 y与位置 x的像素值差异， w是以 x为中心的邻域窗口。
15、具体来说，对于每一个像素点 y，都会计算其与中心像素 x的空间距离和像素值差异，空间高斯核函数会根据计算得到的 y与 x的空间距离给出一个权重，灰度高斯核函数会根据计算得到的 y与 x的像素值差异给出另一个权重，这两个权重的乘积决定了像素 y对新像素值 i’( x)的贡献程度；
16、图像分割：使用sobel边缘检测技术将去除噪声后的混凝土面图像中的混凝土面区域从背景中分离出来，sobel算子公式如式（2）所示，边缘强度公式如式（3）所示：
17、（2）
18、（3）
19、其中， a是原始混凝土面图像， gx是水平方向上的梯度值， gy是垂直方向上的梯度值， g是整体的梯度强度；
20、图像增强：图像分割完成后，使用伽马校正技术，通过调整伽马值控制混凝土面图像的亮度，增强暗部的细节或降低过曝区域的亮度，计算公式如式（4）所示：
21、（4）
22、其中， l( x, y)是原始混凝土面图像的像素值， l’( x, y)是调整后的混凝土面图像的像素值， γ是伽马值；
23、当 γ>1时，混凝土面图像的暗部细节会被增强，亮部细节会被压缩，用于增强图像中的暗部细节；
24、当 γ<1时，混凝土面图像的亮部细节会被增强，暗部细节会被压缩，用于降低图像中过曝区域的亮度；
25、当γ=1时，混凝土面图像不进行任何调整。
26、优选地，所述步骤s30中基于自注意力机制的卷积神经网络模型的训练步骤包括：
27、数据准备和预处理：准备目前混凝土面存在的裂缝图像数据，并进行数据清洗和数据划分，数据清洗包括去除无效值，数据划分用于将数据集划分出训练集、验证集和测试集三个子数据集；
28、归一化处理：将数据集中的数据进行softmax归一化处理，计算公式如式（5）所示：
29、（5）
30、其中，xa是数据集中的第a个元素，n是数据集中元素的总数；
31、构建网络模型：通过基于自注意力机制的卷积神经网络实现，模型包括卷积层、池化层、全连接层和自注意力机制层，使用relu作为激活函数，使用多类交叉熵损失函数作为损失函数，使用adam优化器为模型提供不同的学习率，并采用dropout来防止模型训练中的过拟合现象，同时采用自注意力机制让模型在训练中专注于存在裂缝的区域；
32、模型训练：使用数据准备和预处理中划分出的训练集对模型进行训练，让模型学习混凝土面裂缝图像特征；
33、模型验证：使用数据准备和预处理中划分出的验证集对训练好的模型进行验证，用于调整超参数和防止过拟合的数据；
34、模型测试：使用数据准备和预处理中划分出的测试集对训练好的模型进行测试，当模型成功识别出混凝土面裂缝图像特征时，模型测试成功，将模型上传至主机或云端用于混凝土面裂缝检测。
35、优选地，所述步骤s40中的分类器采用支持向量机对检测出的混凝土面本文档来自技高网...
【技术保护点】
1.一种混凝土面裂缝检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种混凝土面裂缝检测方法，其特征在于，所述步骤S20中数据预处理步骤包括：
3.根据权利要求1所述的一种混凝土面裂缝检测方法，其特征在于，所述步骤S30中基于自注意力机制的卷积神经网络模型的训练步骤包括：
4.根据权利要求1所述的一种混凝土面裂缝检测方法，其特征在于，所述步骤S40中的分类器采用支持向量机对检测出的混凝土面裂缝进行分类，并根据裂缝的长度、宽度和面积占比判断裂缝的严重程度。
5.一种混凝土面裂缝检测装置，其特征在于，所述混凝土面裂缝检测装置包括：
6.一种混凝土面裂缝检测设备，其特征在于，所述混凝土面裂缝检测设备包括：
7.一种计算机程序产品，其特征在于，所述计算机程序产品包括混凝土面裂缝检测程序，所述混凝土面裂缝检测程序被处理器执行时实现如权利要求1至4中任一项所述的混凝土面裂缝检测方法。
【技术特征摘要】
1.一种混凝土面裂缝检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种混凝土面裂缝检测方法，其特征在于，所述步骤s20中数据预处理步骤包括：
3.根据权利要求1所述的一种混凝土面裂缝检测方法，其特征在于，所述步骤s30中基于自注意力机制的卷积神经网络模型的训练步骤包括：
4.根据权利要求1所述的一种混凝土面裂缝检测方法，其特征在于，所述步骤s40中的分类器采用支持向量机对检测...
【专利技术属性】
技术研发人员：伏玉龙，
申请(专利权)人：江苏云锦路面工程有限公司，
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。