基于深度学习的裂纹检测方法技术

本发明专利技术提出一种基于深度学习的裂纹检测方法，包括以下步骤：步骤S1：训练集、验证集与测试集的采集；按比例随机分成训练集、验证集和测试集；步骤S2：目标分类检测；通过采用迁移学习方法训练卷积神经网络模型；步骤S3：利用拼接算法对待检测图片进行拼接；步骤S4：利用模型进行裂纹检测；采用滑动窗口扫描方法，对拼接后的图片进行扫描，并依次送入训练好的卷积神经网络模型进行分类判断。本发明专利技术能够对裂纹进行准确的识别，且由于采用了迁移学习的方法，能够大大减少训练复杂神经网络所需的数据集，并提供了较好精度性能。

【技术实现步骤摘要】
基于深度学习的裂纹检测方法
本专利技术属于检测方法领域，尤其涉及一种基于深度学习的裂纹检测方法。
技术介绍
许多建筑，如桥梁、大坝和高楼等，随着使用时间的增加，会产生一些结构性的变化，如产生裂纹或者腐蚀等。其中裂纹的产生会降低建筑物的承载力、耐久性和防水性。因此及时发现裂纹并对其进行维护至关重要。而如今一些大型建筑仍需要专业人员进行现场勘查后给出评估结果。这样的检测和维护过程需要花费大量的时间和精力，并且较为枯燥，其勘查结果也容易受到人们主观判断的影响。由此，结构健康监测系统的概念被提出。一些基于震动频率变换来检测裂纹的方法被提出用来代替传统的人工检测方法，根据裂纹产生后引起建筑频率和状态的变换来检测裂纹，但是这些方法需要在建筑物上布置大量的传感器，并且容易受到外部不均匀环境的影响。另外基于传统图像处理的裂纹检测方法也被提出，通过摄像头来采集结构表面的裂纹，能够省去布置大量传感器的繁琐，将采集的图像经过处理后即可检测出裂纹。但是该方法在实际的检测中容易受到光照条件、复杂背景环境等外界条件的影响。
技术实现思路
随着深度学习的不断发展，其在裂纹检测方面的应用也越来越多。其中卷积神经网络能够自动学习图像中的特征，在各种目标分类检测中得到广泛应用。但是训练一个复杂的卷积神经网络需要大量的数据，并且花费较多的时间。本专利技术提出的基于深度学习的裂纹检测方法，其主要思想是采用迁移学习方法，优选通过在预训练好的GoogleNetInceptionV3模型后添加全连接层来实现，并且采用滑动扫描窗口方法实现对不同尺寸图片的检测。本专利技术的目的在于提出一种基于深度学习的裂纹检测方法，能够适应不同条件下的裂纹检测，并且省去布置大量传感器的繁琐，能够自动准确的对裂纹进行识别检测，对于提升日常建筑物裂纹检测的准确率和效率有重要作用。本专利技术首先采集一定数量的数据集，然后将数据集分为两大类：有裂纹和无裂纹；然后采用迁移学习的方法，将数据集送入预训练好的基于深度学习的分类模型中进行优化训练；经过若干轮后，裂纹检测模型训练完成待用；其次针对结构立面远超出相机视场大小的问题，提出基于特征点的拼接算法对具有重叠区域的图片对进行拼接以恢复较大视场的结构表面图；最后，采用滑动窗口扫描方法，利用训练好的模型对拼接后的包含裂纹的图片进行滑动检测分类，从而得到相应的扫描检测图。本专利技术能够对裂纹进行准确的识别，且由于采用了迁移学习的方法，能够大大减少训练复杂神经网络所需的数据集，并提供了较好精度性能。为实现上述目的，本专利技术具体采用以下技术方案：一种基于深度学习的裂纹检测方法，其特征在于，包括以下步骤：步骤S1：训练集、验证集与测试集的采集：采集图像数据集，将采集的图像数据集按比例随机分成训练集、验证集和测试集；步骤S2：目标分类检测：对图像数据采用卷积神经网络进行目标分类检测，通过采用迁移学习方法训练卷积神经网络模型；步骤S3：待检测图片拼接：对待检测对象采集具有重叠区域的图片对，利用拼接算法进行拼接，以构建待检测对象完整的结构图；步骤S4：利用模型进行裂纹检测：采用滑动窗口扫描方法，对拼接后的图片进行扫描，并依次送入训练好的卷积神经网络模型进行分类判断，当判断结果为裂纹时，对应区域的像素值保留；反之，则像素值赋0。优选地，在步骤S2当中，对训练集和验证集的图像数据采用预训练好的卷积神经网络模型进行目标分类检测，通过采用迁移学习方法调整预训练好的卷积神经网络模型；所述预训练好的卷积神经网络模型为GoogleNetInceptionV3，在GoogleNetInceptionV3后添加一层全连接层实现模型的迁移学习；在训练阶段，预训练好的GoogleNetInceptionV3中的参数值保持不变，只对所述全连接层中的参数进行更新。优选地，在步骤S1中，所述训练集、验证集和测试集中均包含有裂纹和无裂纹两种类型的图像数据。优选地，在步骤S1中，所述图像数据集根据0.8、0.1、0.1的比例分为训练集、验证集和测试集。优选地，在步骤S1中，所述图像数据集中，每一图像数据的的分辨率均为256*256像素。优选地，在步骤S3中，利用拼接算法进行拼接，以构建待检测对象完整的结构图的具体方法是：采用ORB算法提取具有重叠区域的图片对中的特征点，并进行粗匹配；然后再利用RANSAC算法去除误匹配后求出单应矩阵H后，进行图像融合。优选地，在步骤S4中，采用滑动窗口扫描方法，对拼接后的图片进行扫描的具体方法是：从拼接后的图片的左上角开始进行扫描，扫描窗口大小为256*256像素，扫描顺序为从左到右、从上到下进行扫描。相较于现有技术，本专利技术及其优选方案具有以下有益效果：与传统的图像处理方法相比，本专利技术提出的基于深度学习的裂纹检测方法有如下几个优点：（1）能够自动学习数据集图像中的特征。传统的图像处理方法需要人为设置阈值，其阈值的设置对于最后结果的影响至关重要，而卷积神经网络能够自动去学习图像中的特征。（2）能够实现对较细裂纹的检测。利用机器学习的特点，通过在训练数据集中加入较细裂纹的数据，对模型进行训练后，模型能够实现对较细裂纹的识别，并且保持较高的准确率。（3）能够适用于不同条件下的裂纹检测。传统的图像处理方法容易受到光照条件变化、背景干扰等外部环境变化的影响，而对于基于深度学习的裂纹检测方法来说，可以在训练集中加入不同条件下的数据集，就可以对其实现检测。（4）能够减少训练所需的数据量和时间。采用迁移学习的方法，充分利用了预训练好的GoogleNetInceptionV3模型，大大减少训练所需的数据集和训练所需的时间。附图说明下面结合附图和具体实施方式对本专利技术进一步详细的说明：图1是本专利技术实施例方法整体流程示意图；图2是本专利技术实施例中采集图像数据集的部分样本及分类示意图；图3是本专利技术实施例中滑动窗口扫描方法示意图；图4是利用本专利技术实施例方法在裂纹较为明显情况下的原图和检测结果图；图5是利用本专利技术实施例方法在存在背景干扰情况下的原图和检测结果图。具体实施方式为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：本实施例方法包括以下步骤：步骤S1：训练集、验证集与测试集的采集：采集图像数据集，将采集的图像数据集按0.8、0.1、0.1的比例随机分成训练集、验证集和测试集；步骤S2：目标分类检测：对训练集和验证集的图像数据采用预训练好的卷积神经网络模型进行目标分类检测，通过采用迁移学习方法微调预训练好的卷积神经网络模型；步骤S3：待检测图片拼接：对待检测对象采集具有重叠区域的图片对，利用拼接算法进行拼接，以构建待检测对象完整的结构图；步骤S4：利用模型进行裂纹检测：采用滑动窗口扫描方法，对拼接后的图片进行扫描，并依次送入训练好的卷积神经网络模型进行分类判断，当判断结果为裂纹时，对应区域的像素值保留；反之，则像素值赋0，扫描完成后，得到最后的检测结果。其中，在步骤S1中，训练集、验证集和测试集中均包含有裂纹和无裂纹两种类型的图像数据。图像数据集中，每一图像数据的的分辨率均为256*256像素。在步骤S2当中，预训练好的卷积神经网络模型为GoogleNetInceptionV3，在GoogleNetInceptionV3后添加一层全连接层实现模型的迁移学习；在训练阶本文档来自技高网...

【技术保护点】
1.一种基于深度学习的裂纹检测方法，其特征在于，包括以下步骤：步骤S1：训练集、验证集与测试集的采集：采集图像数据集，将采集的图像数据集按比例随机分成训练集、验证集和测试集；步骤S2：目标分类检测：对图像数据采用卷积神经网络进行目标分类检测，通过采用迁移学习方法训练卷积神经网络模型；步骤S3：待检测图片拼接：对待检测对象采集具有重叠区域的图片对，利用拼接算法进行拼接，以构建待检测对象完整的结构图；步骤S4：利用模型进行裂纹检测：采用滑动窗口扫描方法，对拼接后的图片进行扫描，并依次送入训练好的卷积神经网络模型进行分类判断，当判断结果为裂纹时，对应区域的像素值保留；反之，则像素值赋0。

【技术特征摘要】
1.一种基于深度学习的裂纹检测方法，其特征在于，包括以下步骤：步骤S1：训练集、验证集与测试集的采集：采集图像数据集，将采集的图像数据集按比例随机分成训练集、验证集和测试集；步骤S2：目标分类检测：对图像数据采用卷积神经网络进行目标分类检测，通过采用迁移学习方法训练卷积神经网络模型；步骤S3：待检测图片拼接：对待检测对象采集具有重叠区域的图片对，利用拼接算法进行拼接，以构建待检测对象完整的结构图；步骤S4：利用模型进行裂纹检测：采用滑动窗口扫描方法，对拼接后的图片进行扫描，并依次送入训练好的卷积神经网络模型进行分类判断，当判断结果为裂纹时，对应区域的像素值保留；反之，则像素值赋0。2.根据权利要求1所述的基于深度学习的裂纹检测方法，其特征在于：在步骤S2当中，对训练集和验证集的图像数据采用预训练好的卷积神经网络模型进行目标分类检测，通过采用迁移学习方法调整预训练好的卷积神经网络模型；所述预训练好的卷积神经网络模型为GoogleNetInceptionV3，在GoogleNetInceptionV3后添加一层全连接层实现模型的迁移学习；在训练阶段，预训练好的GoogleNetInceptionV3中...

【专利技术属性】
技术研发人员：吴丽君，林旭，陈志聪，纪金树，洪志宸，林培杰，程树英，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35