一种基于多核分类学习的混凝土裂缝检测方法及装置制造方法及图纸

本申请适用于图像处理技术领域，提供了一种混凝土裂缝的检测方法、检测装置及终端设备，包括：获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本；基于协方差特征提取模型分别对每个训练样本建立样本特征向量；根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。通过上述方法可以有效解决复杂背景下混凝土裂缝检测不精准的问题。

A concrete crack detection method and device based on multi core classification learning

The application is applicable to the field of image processing technology, and provides a concrete crack detection method, detection device and terminal equipment, including: acquiring crack samples and non-crack samples in the preset sample library to obtain training samples; establishing sample feature vectors for each training sample based on covariance feature extraction model. The multi-core classification decision function between the crack sample and the non-crack sample is obtained according to the sample feature vector, and the crack detection is performed on the detected concrete image based on the multi-core classification decision function. The above method can effectively solve the problem of inaccurate detection of concrete cracks under complex background.

【技术实现步骤摘要】
一种基于多核分类学习的混凝土裂缝检测方法及装置
本申请涉及图像处理
，尤其涉及一种基于多核分类学习的混凝土裂缝检测方法及装置。
技术介绍
随着信息技术的飞速发展，利用图像采集设备获取混凝土结构物的表面裂缝信息，构建一种非接触的混凝土裂缝无损检测平台，成为土木工程走向信息智能化的热点研究方向之一。现有的混凝土裂缝检测方法在其各自特定的环境下能够取得良好的检测效果，但是在受到不均匀光照、阴影噪声等影响时，通常检测效果不理想。
技术实现思路
有鉴于此，本申请实施例提供了一种基于多核分类学习的混凝土裂缝检测方法及装置，以解决复杂背景下混凝土裂缝检测不精准的问题。本申请实施例的第一方面提供了一种基于多核分类学习的混凝土裂缝检测方法，包括：获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本；基于协方差特征提取模型分别对每个训练样本建立样本特征向量；根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。本申请实施例的第二方面提供了一种基于多核分类学习的混凝土裂缝检测装置，包括：获取单元，用于获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本；建立单元，用于基于协方差特征提取模型分别对每个训练样本建立样本特征向量；决策单元，用于根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；检测单元，用于基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述方法的步骤。本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。本申请实施例与现有技术相比存在的有益效果是：本申请实施例通过获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本；基于协方差特征提取模型分别对每个训练样本建立样本特征向量；根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。通过上述方法可以有效解决复杂背景下混凝土裂缝检测不精准的问题。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的基于多核分类学习的混凝土裂缝检测方法的实现流程示意图；图2是本申请实施例提供的基于多核分类学习的混凝土裂缝检测装置的示意图；图3是本申请实施例提供的终端设备的示意图；图4是本申请实施例提供的基于多核分类学习的混凝土裂缝检测方法的示意图；图5是本申请实施例提供的部分典型裂缝病害的检测结果对比示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。图1是本申请实施例提供的基于多核分类学习的混凝土裂缝检测方法的实现流程示意图，如图所示，所述方法可以包括以下步骤：步骤S101，获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本。在实际应用中，为了建立裂缝样本与非裂缝样本之间的分类决策函数，首先需要建立一个具有足够多样本的预设样本库。预设样本库中的样本可以通过人工采集获得。将采集的图像划分为若干个不重叠的图像区域，人工将这些图像区域划分为包含裂缝图像区域和不包含非裂缝图像区域，并将包含裂缝图像的区域标记为裂缝样本，将不包含裂缝图像的区域标记为非裂缝样本，之后将标记好的裂缝样本和非裂缝样本存入预设样本库(如图4中的“方块图像集合”)。在需要建立分类决策函数时，从预设样本库中获取裂缝样本和非裂缝样本，得到训练样本。训练样本可以是预设样本库中所有的裂缝样本和非裂缝样本的集合，也可以是从预设样本库中随机抽取一定数量的裂缝样本和非裂缝样本作为训练样本，此处不做具体限定。步骤S102，基于协方差特征提取模型分别对每个训练样本建立样本特征向量。在一个实施例中，所述基于协方差特征提取模型分别对每个训练样本建立样本特征向量，包括：将每个训练样本分别划分为n个面积相等的图像块。按照预设顺序分别对每个训练样本的每个图像块建立图像块特征向量。根据每个训练样本对应的图像块特征向量生成该训练样本的样本特征向量。步骤S102可参见图4中的“图像特征提取”。其中，n为大于或等于1的自然数。当n等于1时，只有一个图像块，即不对训练样本进行划分，直接对该训练样本本身建立样本特征向量。但是在实际应用中，为了进一步强化裂缝样本与非裂缝样本之间的特征区分度，优选的，将每个训练样本划分为多个面积相等的图像块(如图4中将样本划分为4个面积相等的图像块)。预设顺序可以是人为预先设定的，例如：从左到右、从右到左、从上到下等等。示例性的，将样本A划分为4个面积相等的图像块(4个图像块呈田字形分布)，先建立左上角图像块的图像块特征向量，再建立左下角图像块的图像块特征向量，然后再建立右上角图像块的图像块特征向量，最后建立右下角图像块的图像块特征向量。当然，在根据每个训练样本对应的图像块特征向量生成该训练样本的样本特征向量的时候，也是按照建立图像块特征向量的预设顺序生成样本特征向量，可以将该训练样本对应的所有图像块特征向量按照预设顺序进行堆叠生成样本特征向量。需要说明的是，上述只是建立图像块特征向量的一个示例，并不对预设顺序、图像块数量等做具体限定。在一个实施例中，所述按照预设顺序分别对每个训练样本的每个图像块建立图像块特征本文档来自技高网...

【技术保护点】
1.一种基于多核分类学习的混凝土裂缝检测方法，其特征在于，包括：获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本；基于协方差特征提取模型分别对每个训练样本建立样本特征向量；根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。

【技术特征摘要】
1.一种基于多核分类学习的混凝土裂缝检测方法，其特征在于，包括：获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本；基于协方差特征提取模型分别对每个训练样本建立样本特征向量；根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。2.如权利要求1所述的基于多核分类学习的混凝土裂缝检测方法，其特征在于，所述基于协方差特征提取模型分别对每个训练样本建立样本特征向量，包括：将每个训练样本分别划分为n个面积相等的图像块；按照预设顺序分别对每个训练样本的每个图像块建立图像块特征向量；根据每个训练样本对应的图像块特征向量生成该训练样本的样本特征向量。3.如权利要求2所述的基于多核分类学习的混凝土裂缝检测方法，其特征在于，所述按照预设顺序分别对每个训练样本的每个图像块建立图像块特征向量，包括：通过公式分别将所述图像块上的每个像素点表示为像素点特征向量；根据所述像素点特征向量，并通过公式P＝{pi},i＝1,...,K建立与所述像素点对应的图像块的特征集合；根据所述特征集合，并通过公式计算与所述特征集合对应的图像块的协方差矩阵；根据所述协方差矩阵，并通过公式r＝L[log(C)]计算得到与所述协方差矩阵对应图像块的图像块特征向量；其中，所述p表示像素点特征向量，所述(x,y)表示像素点的位置坐标，所述I(x,y)表示像素点的灰度值，所述|Ix|、|Iy|分别表示像素点在x方向、y方向的灰度差分绝对值，所述表示像素点的图像灰度梯度绝对值，所述arctan|Iy|/|Ix|表示像素点的图像梯度角度，所述P表示图像块的特征集合，所述pi表示第i个像素点的像素点特征向量，所述K表示图像块中像素点的个数，所述C表示图像块的协方差矩阵，所述μ表示像素点特征向量的均值，所述r表示图像块特征向量，所述L[·]表示列堆叠运算过程，所述log(·)表示对数运算过程。4.如权利要求3所述的基于多核分类学习的混凝土裂缝检测方法，其特征在于，所述根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数，包括：获取预先设置的m个不同的核函数，并通过分类决策函数分别计算每个核函数对应的单核分类决策函数；根据每个核函数对应的单核分类决策函数，并通过公式生成所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；其中，所述分类决策函数为所述sign(·)表示符号函数，所述N表示训练样本的个数，所述θk表示拉格朗日乘子法引入的正则化参数，所述yk表示第k个训练样本对应的人工标定结果，所述K(·)表示核函数，所述b表示最优分类超平面参数，所述F(x)表示多核分类决策函数，所述βi表示第i个单核分类决策函数对应的权重因子，所述Ji(x)表示第i个单核分...

【专利技术属性】
技术研发人员：王保宪，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：河北,13