一种基于多层超限学习网络的混凝土裂缝检测方法技术

本发明专利技术适用于图像处理技术领域，提供了一种混凝土裂缝检测器的训练方法、训练装置及终端设备，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；有效提高了混凝土裂缝检测的效率和精度。

A concrete crack detection method based on multilayer overrun learning network

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术实施例第一方面提供的所述方法的步骤。本专利技术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专利技术实施例第一方面提供的所述方法的步骤。本专利技术实施例与现有技术相比存在的有益效果是：本专利技术实施例通过获取样本图像，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；有效提高了混凝土裂缝检测的效率和精度。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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是本专利技术实施例提供的基于多层超限学习网络的混凝土裂缝检测方法的实现流程示意图；图2是本专利技术实施例提供的基于多层超限学习网络的混凝土裂缝检测装置的示意图；图3是本专利技术实施例提供的终端设备的示意图；图4是本专利技术实施例提供的基于多层超限学习网络的混凝土裂缝检测方法的示意框图；图5是本专利技术实施例提供的基于多层超限学习网络的混凝土裂缝检测的训练过程示意图；图6是本专利技术实施例提供的利用基于多层超限学习网络的混凝土裂缝检测方法得到的实验结果图。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，以便透彻理解本专利技术实施例。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专利技术。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专利技术的描述。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，在此本专利技术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专利技术。如在本专利技术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，在本专利技术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]”。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。图1是本专利技术实施例提供的基于多层超限学习网络的混凝土裂缝检测的实现流程图，图4是本专利技术实施例提供的基于多层超限学习网络的混凝土裂缝检测方法的示意框图，图5是本专利技术实施例提供的基于多层超限学习网络的混凝土裂缝检测的训练过程示意图；结合图4和图5，可以更清楚、直观地了解本专利技术中的方法；如图1所示，所述方法可以包括以下步骤：步骤S101，获取样本图像，并对所述样本图像进行预处理。可选的，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。在实际应用中，可以通过单通道转换法将样本彩色图像转换成灰度图像。示例性的，Y＝0.3R+0.596G+0.11B，其中，G表示彩色图像的绿色分量，R表示彩色图像的红色分量，B表示彩色图像的蓝色分量，Y表示转换后的灰度值。标准化图像的标签数据可以是由人工进行标定的，标签数据可以分为裂缝和非裂缝，将每张标准化图像和其对应的标签数据存入样本图像库中。可选的，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。示例性的，将灰度图像按照2D平面网格划分为Z个不重叠的图像块区域，这Z个不重叠的图像块区域可以分为有裂缝的图像块区域和不含裂缝的图像块区域两类，由此得到裂缝图像块和非裂缝图像块。进一步将得到的图像块进行90度(预设角度)的图像旋转，由此获取更多模式的图像块；为了适应不同尺寸大小的图像块，将得到的每一张图像块的尺寸调整为50*50(预设尺寸)。需要说明的是，上述只是对如何对灰度图像进行标准化处理得到标准化图像的一个示例，示例中的图像块的个数、预设角度、预设尺寸只是一个示例，并不对数值做具体限定。步骤S102，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。可选的，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。示例性的，从样本图像库中随机抽取N/2个裂缝图像块和N/2个非裂缝图像块，经过标准化后，将每个50*50尺寸的图像块进行向量化，得本文档来自技高网...

【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