一种基于深度学习的裂缝识别方法技术

本发明专利技术公开了一种基于深度学习的裂缝识别方法，利用深度卷积神经网络同时实现裂缝位置和裂缝属性的准确识别，提出了带分支的深度卷积神经网络，在网络主干上将卷积层和反卷积层进行组合实现端到端的裂缝位置预测，在网络分支上，实现对其属性的识别；为了克服裂缝样本标注费时费力的难题，设计了仿真裂缝绘制算法实现了仿真裂缝的自动绘制和标注，从而大大减轻了人工标注的工作量，并且为深度学习提供了大数据量的训练样本，避免深度网络模型的过拟合，提高了真实裂缝训练时的收敛性和收敛效率；其识别正确率大幅提升，通用性更强，可靠性更高，能够满足工业检测的需求。

【技术实现步骤摘要】
一种基于深度学习的裂缝识别方法
本专利技术涉及图像线状目标识别领域，具体涉及一种基于深度学习的裂缝识别方法。技术背景裂缝是一种线状目标，在公路路面、建筑墙面、隧道顶面、金属表面等位置经常出现。一方面，裂缝作为一种初期的损害，及时修补或修复不仅能减小安全隐患，还能节约维修的成本；另一方面，传统的人工识别方法识别裂缝费时费力，不能满足现代化的工业需求。因此裂缝的自动化识别和及时修补具有重要的经济意义。通常使用光学摄像或激光扫描的方式获取裂缝光学图像或距离图像，然后利用图像处理算法识别图像中的裂缝。然而，当裂缝图像中包含较强的噪声时，裂缝目标在图像中将呈现较差的连续性和较低的对比度，传统的裂缝识别方法提取的裂缝往往不完整，裂缝识别的错误率较高，不能满足工业检测的需求。因此，如何提高裂缝识别的准确度是一个亟待解决的问题。
技术实现思路
本专利技术针对现有技术的不足，提供了一种基于深度学习的裂缝识别方法，用于更准确地裂缝定位和属性估计。为了实现上述目的，本专利技术所设计的一种基于深度学习的裂缝识别方法，其特征在于，包括以下步骤：s1构建仿真裂缝数据集；s2构建真实裂缝数据集；s3构建深度卷积神本文档来自技高网...

【技术保护点】
一种基于深度学习的裂缝识别方法，其特征在于，包括以下步骤：s1构建仿真裂缝数据集；s2构建真实裂缝数据集；s3构建深度卷积神经网络模型；s4利用步骤s1构建的仿真裂缝数据集对步骤s3所构建的深度卷积神经网络进行训练；s5将步骤s4训练所得参数作为深度卷积神经网络模型的初始化参数，利用步骤s2构建的真实裂缝数据集对深度卷积神经网络模型继续进行训练；s6利用步骤s5所训练的深度神经网络模型和初始化参数对待识别的影像进行裂缝识别。

【技术特征摘要】
1.一种基于深度学习的裂缝识别方法，其特征在于，包括以下步骤：s1构建仿真裂缝数据集；s2构建真实裂缝数据集；s3构建深度卷积神经网络模型；s4利用步骤s1构建的仿真裂缝数据集对步骤s3所构建的深度卷积神经网络进行训练；s5将步骤s4训练所得参数作为深度卷积神经网络模型的初始化参数，利用步骤s2构建的真实裂缝数据集对深度卷积神经网络模型继续进行训练；s6利用步骤s5所训练的深度神经网络模型和初始化参数对待识别的影像进行裂缝识别。2.根据权利要求1所述的基于深度学习的裂缝识别方法，其特征在于：所述步骤s1中具体包括：s11构建仿真裂缝数据集Dataset1，即利用计算机生成一定数量的空白图像，利用线条绘制算法在空白图像上绘制裂缝线和噪声；s12构建仿真裂缝数据集Dataset2，选取一定数量的路面影像，路面影像中不包含裂缝，利用线条绘制算法在每一幅路面图像上绘制裂缝线条；所述步骤s4中具体包括：s41利用步骤s11构建的仿真裂缝数据集Dataset1对步骤s3所构建的深度卷积神经网络进行训练；s42将步骤s41训练所得参数作为本步骤的初始化参数，利用步骤s12构建的仿真裂缝数据集Dataset2对所构建的深度卷积神经网络模型继续进行训练。3.根据权利要求2所述的基于深度学习的裂缝识别方法，其特征在于：所述步骤s3中构建的深度卷积神经网络模型包含一个主干网络和一个分支网络两部分；所述主干网络由一个输入层、若干个卷积层、池化层和反卷积层构成，所述分支网络由若干个卷积层、池化层、全连接层和一个输出层构成，其中主干网络的最后一个卷积层输出两个特征图。4.根据权利要求3所述的基于深度...

【专利技术属性】
技术研发人员：邹勤，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42