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 ...
【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...
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。