【技术实现步骤摘要】
本专利技术属于机器视觉和深度学习，具体地涉及基于机器视觉的工程结构裂缝检测与测量方法。
技术介绍
1、在实际的检测过程中，根据不同的需求，检测人员采集到的裂缝信息也有所差异。例如，判断路面或桥面是否需要维修，则需要测量裂缝的长度信息。再如，在隧道检测中，测量裂缝的宽度信息有助于判断隧道衬砌的稳定性。此外，分析结构破坏机理时需要测量裂缝角度；评估结构总体健康状态时需要记录裂缝的空间分布形式，等等。因此，根据具体的检测需求设计特定的裂缝检测方法是很有必要的。
2、根据不同的需求的检测任务，研究者们提出了多种多样的裂缝检测方法，比如裂缝分类。从本质上来说，这种分类任务进行不同粒度等级的分类工作。以图像块为基本单位，裂缝分类将图像块划分为包含裂缝的图像或不包含裂缝的两类图像集合。以100×100像素的图像块为例，分割模型需要执行10000次二分类任务，从计算效率的角度出发，在实际工程裂缝检测任务中，基于图像尺度层面的分类任务在裂缝检测过程效率较低。且在现阶段的实际工程应用中，一般采用基于机器视觉的裂缝检测方法，但其方法还存在一些技术难点。其中，突出的问题可以归纳为三个方面：1）裂缝检测精度不高；2）裂缝检测效率不足；3）难以平衡检测精度和检测效率。
技术实现思路
1、针对
技术介绍
中存在的不足之处，综合考虑了遥感船舶图像的特性，本专利技术提出了一种基于机器视觉的工程结构裂缝检测与测量方法，其步骤如下：
2、步骤s1，采集工程结构原始图像数据，对工程结构原始图像数据离散
3、步骤s2，将图像块集成数据集，并对数据集进行预处理；
4、步骤s3，利用resnet-50作为基础神经网络构建裂缝分类模型，来提取图像特征值，用于识别图像块的裂缝情况；
5、步骤s4，对裂缝分类模型进行训练；
6、步骤s5，通过裂缝分类模型识别出裂缝图像，基于transformer架构构建segformer分割模型，用于对裂缝图像进行分割，得到裂缝掩码图；
7、步骤s6，评估裂缝分类模型和segformer分割模型；
8、步骤s7，采用正交骨架线法对裂缝掩码图进行分析，获得裂缝的轮廓线、骨架线，并计算裂缝长度。
9、优选地，所述步骤s1中离散化的过程如下：采用滑动窗口模型将高分辨率的工程结构原始图像进行离散化，使其离散成若干个64×64像素的小尺寸图像块。
10、优选地，所述步骤s2中数据集预处理的过程如下：
11、首先，对图像块进行降噪处理，使用高斯滤波器对图像块进行平滑处理，减少高频噪声，高斯滤波的参数设置为，表示滤波器的标准差较小，能够有效去除图像中的细小噪声，高斯滤波器的计算公式如下：
12、；
13、另外，使用3x3窗口大小的中值滤波器对图像进行处理，通过替换中心像素的值为窗口内像素的中值，消除突变噪声，中值滤波器的计算公式如下：
14、；
15、最后，采用数据增强方法，增强裂缝的各种特征。
16、优选地，所述步骤s3中构建裂缝分类模型的过程如下：
17、1）将预处理后的64×64像素的小尺寸图像块输入到resnet-50神经网络中接收原始数据的输入层中，每个图像块包含三个颜色通道，维度为64×64×3，即每个图像块为64×64像素的三通道rgb图像，使用小尺寸图像块可较好地适应裂缝检测的需求；
18、2）借助resnet-50神经网络中卷积层提取图像块中的局部特征，为特征提取的初步阶段，其中，卷积层采用3x3大小和深度为64的卷积核，再采用非线性relu激活函数来提取非线性特征，relu激活函数可保留正的特征值，同时去除冗余信息，使神经网络能够更好地处理复杂的非线性数据；
19、3）采用resnet-50神经网络中3个残差块来提取图像块中的特征信息，每个残差块包含两个3x3的卷积层和一个恒等映射，并通过残差连接来解决梯度消失问题，即每个残差块通过跳跃连接将输入直接加到输出上来进行残差连接，使得神经网络能够训练更深的层次；
20、4）通过包含128个神经元的全连接层，并使用relu激活函数对特征进行非线性变换和组合,进一步整合了从残差块提取的特征，为分类任务做准备；
21、5）resnet-50神经网络中的输出层包含2个神经元，分别对应裂缝和非裂缝的分类，再通过softmax激活函数输出每个类别的概率，构建裂缝分类模型；
22、6）使用交叉熵损失函数进行误差拟合，用交叉熵损失函数来衡量模型预测的概率分布与真实标签的概率分布之间的差异，以优化模型的分类性能，交叉熵损失函数的计算公式如下：
23、；
24、其中，n为样本数量，为样本标签，是模型预测的概率。
25、优选地，所述步骤s4中对裂缝分类模型进行训练的过程如下：采用adam作为优化器进行裂缝分类模型的训练，训练过程中对部分超参数进行设置，分别为：学习率设定为0.001，批量大小设为32，训练周期设为200轮；其中，训练数据集划分训练数据集和验证数据集，并按照比例划分，划分后的训练数据集和验证数据集的比例为8:2，保证模型的泛化能力。
26、优选地，所述步骤s5中基于transformer架构构建segformer分割模型的过程如下：
27、1）利用裂缝分类模型识别小尺寸图像块范围内是否包含裂缝信息，当识别的工程结构原始图像块不包含裂缝信息，则该图像块为背景图像；当识别的工程结构原始图像块包含裂缝信息，则该图像块视为图像区域内的部分像素点，也称为裂缝像素或裂缝图像；当图像块的尺寸较小时，可认为该图像块范围内均包含裂缝信息；
28、2）借助编码器将输入的裂缝图像分割为多个小块，每个小块在局部范围内进行多头自注意力和前馈神经网络处理，能够有效地提取图像块中的特征；然后通过层级结构逐步整合局部特征，从而获取整体图像的全局信息；将局部特征随后传递到解码器阶段，解码器对每个像素进行分类，并将其分为裂缝像素和背景像素；对分割后的图像块进行裂缝识别，生成裂缝形态信息的裂缝掩码图；
29、3）采用交叉熵损失函数与dice损失函数的组合损失函数拟合裂缝分割模型的误差，交叉熵损失函数的计算公式如下：
30、；
31、其中，为像素的个数，为类别的数量，是第个像素在类别上的真实标签，为第个像素被预测为类别的概率；
32、dice损失函数的计算公式如下：
33、；
34、其中，是第个像素的真实标签，是第个像素被预测为正类的概率；
35、组合损失函数是交叉熵损失函数和dice损失函数的加权和，组合损失函数的计算公式如下：
36、；
37、其中，为权重系数，用于平衡交叉熵损失和dice损失的贡献。
38、优选地，所述步骤s6中评估的过程如下：
本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，所述步骤S1中离散化的过程如下：采用滑动窗口模型将高分辨率的工程结构原始图像进行离散化，使其离散成若干个64×64像素的小尺寸图像块。
3.根据权利要求1所述的基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，所述步骤S2中数据集预处理的过程如下：
4.根据权利要求1所述的基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，所述步骤S3中构建裂缝分类模型的过程如下：
5.根据权利要求1所述的基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，所述步骤S4中对裂缝分类模型进行训练的过程如下：采用Adam作为优化器进行裂缝分类模型的训练，训练过程中对部分超参数进行设置，分别为：学习率设定为0.001，批量大小设为32，训练周期设为200轮；其中，训练数据集划分训练数据集和验证数据集，并按照比例划分，划分后的训练数据集和验证数据集的比例为8:2，保证模型的泛化能力。
6.根
7.根据权利要求1所述的基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，所述步骤S6中评估的过程如下：
8.根据权利要求1所述的基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，所述步骤S7中计算正交骨架线法的过程如下：
...【技术特征摘要】
1.一种基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，所述步骤s1中离散化的过程如下：采用滑动窗口模型将高分辨率的工程结构原始图像进行离散化，使其离散成若干个64×64像素的小尺寸图像块。
3.根据权利要求1所述的基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，所述步骤s2中数据集预处理的过程如下：
4.根据权利要求1所述的基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，所述步骤s3中构建裂缝分类模型的过程如下：
5.根据权利要求1所述的基于机器视觉的工程结构裂缝检测与测量方法，其特征在于，所述步骤s4中对裂缝分类模型进行训练的过程如下：采用a...
【专利技术属性】
技术研发人员：王军武，杜雨，黄渤，邱晨，
申请(专利权)人：武汉理工大学三亚科教创新园，
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。