The invention is applicable to the field of image processing technology, providing a training method, training device and terminal equipment for a concrete crack detector, including obtaining sample images, preprocessing the sample image, extracting the features of the pre processed sample image based on the preset feature extraction model and obtaining the features. The presupposition detector is trained on the basis of the characteristic data, and the trained presupposition detector is obtained. The detection image is detected by the presupposed detector after the training, and the efficiency and precision of the concrete crack detection can be improved effectively.
【技术实现步骤摘要】
一种基于多层超限学习网络的混凝土裂缝检测方法
本专利技术属于图像处理
,尤其涉及一种基于多层超限学习网络的混凝土裂缝检测方法。
技术介绍
裂缝是影响混泥土结构强度的最常见安全隐患之一,准确、及时地发现混凝土裂缝对维护混凝土机构安全与寿命意义重大。常用的混凝土裂缝检测方式有人工检测、超声波检测、基于图像处理的检测方法。现有的混凝土裂缝检测方式检测精度较低,且检测效率低。
技术实现思路
有鉴于此,本专利技术实施例提供了一种基于多层超限学习网络的混凝土裂缝检测方法,以解决现有技术中混凝土裂缝检测的精度低、效率低的问题。本专利技术实施例的第一方面提供了一种基于多层超限学习网络的混凝土裂缝检测方法,包括:获取样本图像,并对所述样本图像进行预处理;基于预设特征提取模型对预处理后的样本图像进行特征提取,得到特征数据;基于所述特征数据对预设检测器进行训练,得到训练后的预设检测器;利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测。本专利技术实施例的第二方面提供了一种基于多层超限学习网络的混凝土裂缝检测装置,包括:预处理单元,用于获取样本图像,并对所述样本图像进行预处理;特征提取单元,用于基于预设特征提取模型对预处理后的样本图像进行特征提取,得到特征数据;训练单元,用于基于所述特征数据对预设检测器进行训练,得到训练后的预设检测器;检测单元,用于利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测。本专利技术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专利技 ...
【技术保护点】
1.一种基于多层超限学习网络的混凝土裂缝检测方法,其特征在于,包括:获取样本图像,并对所述样本图像进行预处理;基于预设特征提取模型对预处理后的样本图像进行特征提取,得到特征数据;基于所述特征数据对预设检测器进行训练,得到训练后的预设检测器;利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测。
【技术特征摘要】
1.一种基于多层超限学习网络的混凝土裂缝检测方法,其特征在于,包括:获取样本图像,并对所述样本图像进行预处理;基于预设特征提取模型对预处理后的样本图像进行特征提取,得到特征数据;基于所述特征数据对预设检测器进行训练,得到训练后的预设检测器;利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测。2.如权利要求1所述的基于多层超限学习网络的混凝土裂缝检测方法,其特征在于,所述对所述样本图像进行预处理,包括:将所述样本图像转换成灰度图像;对所述灰度图像进行标准化处理得到标准化图像;获取所述标准化图像的标签数据,并利用所述标准化图像和所述标签数据构建样本图像库。3.如权利要求2所述的基于多层超限学习网络的混凝土裂缝检测方法,其特征在于,所述对所述灰度图像进行标准化处理得到标准化图像,包括:对所述灰度图像进行分块处理,得到至少一个图像块;对所述图像块分别进行预设角度的旋转,得到旋转后的图像块;将旋转前的图像块的尺寸和所述旋转后的图像块的尺寸均调整为预设尺寸,得到标准化图像。4.如权利要求3所述的基于多层超限学习网络的混凝土裂缝检测方法,其特征在于,所述基于预设特征提取模型对预处理后的样本图像进行特征提取,得到特征数据,包括:从所述样本图像库中随机抽取至少两个标准化图像,得到训练图像;对所述训练图像分别进行向量化处理,得到图像训练样本数据;将所述图像训练样本数据输入到所述预设特征提取模型,得到特征数据。5.如权利要求4所述的基于多层超限学习网络的混凝土裂缝检测方法,其特征在于,所述将所述图像训练样本数据输入到所述预设特征提取模型,得到特征数据,包括:将所述图像训练样本数据输入到所述预设特征提取模型中的第一层超限学习特征提取网络,得到第一输出权重;基于第一预设公式对所述第一输出权重进行优化,得到优化后的第一输出权重,并根据所述优化后的第一输出权重计算所述第一层超限学习特征提取网络的输出,得到所述图像训练样本数据的第一特征数据;将所述第一特征数据输入到所述预设特征提取模型中的第二层超限学习特征提取网络,得到第二输出权重;基于第一预设公式对所述第二输出权重进行优化,得到优化后的第二输出权重,并根据所述优化后的第二输出权重计算所述第二层超限学习特征提取网络的输出,得到所述图像训练样本数据的第二特征数据;其中,所述第一预设公式为:式中,所述β1为输出权重,所述H1=G(W1,b1,X)为超限学习网络的隐层输出矩阵,所述X为超限学习网络的输入,所述(W1,b1)为超限学习网络的输入隐层节点参数,所述μ为正则化参数;对第一输出权重进行优化时,所述β1为第一输出权重,所述H1=G(W1,b1,X)为第一层超限学习特征提取网络的隐层...
【专利技术属性】
技术研发人员:王保宪,赵维刚,张兆夕,杜彦良,张广远,
申请(专利权)人:石家庄铁道大学,
类型:发明
国别省市:河北,13
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。