The present invention relates to a crack detection method for bridge crack image under complex background. Firstly, according to the principle of depth convolution generation network, a crack image generation model for bridge pavement is proposed and used to expand the data set. Secondly, according to the crack characteristics, a crack image segmentation model for bridge pavement based on semantic segmentation is constructed. Finally, the cracks in the crack image are extracted by using the bridge pavement crack image segmentation model. Data set expansion effectively alleviates the under-fitting phenomenon caused by insufficient training data, and the accuracy and recall rates are increased by 79.4% and 74.7%, respectively. Compared with the existing semantics segmentation algorithms, the proposed algorithm has lower parameters, less training time, higher accuracy, recall rate and F1 score, and achieves 92% or more. Compared with existing bridge pavement crack detection and segmentation algorithms, this algorithm is more suitable for bridge pavement crack detection and segmentation under complex background, and has stronger recognition effect and better generalization ability.
【技术实现步骤摘要】
一种复杂背景下桥梁裂缝图像裂缝检测方法
本专利技术属于计算机视觉
，具体涉及一种复杂背景下桥梁裂缝图像裂缝检测方法。
技术介绍
交通运输是经济发展的基本需要和先决条件，现代社会的生存基础和文明标志，工业发展的基础设施和重要纽带，关系着国家经济的发展，承载着社会进步的命脉。据《2017年国民经济和社会发展统计公报》统计，在2017年，我国新改建高速公路里程6796公里，新建高速铁路投产里程2182公里，建成了世界上最大的高速公路网、高铁运营网，国际影响力显著增强。而在现代交通建设中，已开工建设的高速铁路中桥梁占线路比例达到50％，其中，京沪高速铁路桥梁占线路比竟高达81.5％。我国公路桥梁的管理中一直是重视建设，忽视养护，并且随着交通事业的不断进步，高速公路交通流量的迅速增长给高速公路桥梁的运营安全带来巨大的压力，这样的压力会导致加快桥梁与道路老化的速度，造成安全隐患。桥梁的质量安全关系国计民生，关系千家万户。因此，桥梁的维护和管理成为保障桥梁安全运营的关键。已有研究表明，大部分的混凝土桥梁的损坏由裂缝导致，因此对混凝土桥梁裂缝的检测与分割非常重要。采取有效手段对桥梁路面裂缝进行检测与分割，对确保公共交通的安全和正常运行起着十分重要的作用，长期以来已受到了国内外学术界、工程界的广泛关注。从传统的图像处理技术到如今深度学习的迅速发展，国内外的学者不断将新的技术用于桥梁路面裂缝的检测和分割，并且取得了一些优秀的研究成果。传统的图像处理算法中，基于阈值分割的路面裂缝分割算法是研究最早、最简单易用的分割算法。其中，OhH等人提出了迭代的阈值分割算法[OhH,G...
【技术保护点】
1.一种复杂背景下桥梁裂缝图像裂缝检测方法，其特征在于：包括以下步骤：步骤1，将采集的原始桥梁裂缝图像进行几何变换、空间滤波、线性变换后再通过生成子模型和判别子模型进行数据集扩增；所述生成子模型依次包括全连接层、维度转换层、第一转置卷积层、第二转置卷积层、第三转置卷积层、第四转置卷积层和第五转置卷积层；第一转置卷积层、第二转置卷积层、第三转置卷积层、第四转置卷积层和第五转置卷积层的卷积核大小均为5x5，步幅均为2，卷积核数目依次为512、256、128、64、3；所述判别子模型依次包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层和Sigmoid激活函数层；第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层的卷积核大小均为5x5，步幅均为2，卷积核数目依次为64、128、256、512、1024、2048；所述第七卷积层的卷积核大小为1x1；步骤2，将扩增后的图像输入分割模型进行训练，具体方法如下：步骤2.1，将扩增后的图像进行一次5x5的卷积；步骤2.2：将卷积结果输入包含4个layers层的DenseBlock；步骤2.3：将...
【技术特征摘要】
1.一种复杂背景下桥梁裂缝图像裂缝检测方法，其特征在于：包括以下步骤：步骤1，将采集的原始桥梁裂缝图像进行几何变换、空间滤波、线性变换后再通过生成子模型和判别子模型进行数据集扩增；所述生成子模型依次包括全连接层、维度转换层、第一转置卷积层、第二转置卷积层、第三转置卷积层、第四转置卷积层和第五转置卷积层；第一转置卷积层、第二转置卷积层、第三转置卷积层、第四转置卷积层和第五转置卷积层的卷积核大小均为5x5，步幅均为2，卷积核数目依次为512、256、128、64、3；所述判别子模型依次包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层和Sigmoid激活函数层；第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层的卷积核大小均为5x5，步幅均为2，卷积核数目依次为64、128、256、512、1024、2048；所述第七卷积层的卷积核大小为1x1；步骤2，将扩增后的图像输入分割模型进行训练，具体方法如下：步骤2.1，将扩增后的图像进行一次5x5的卷积；步骤2.2：将卷积结果输入包含4个layers层的DenseBlock；步骤2.3：将步骤2.2结果进行TransitionDown操作，降低裂缝图像分辨率；步骤2.4：将DenseBlock的layers层数量依次设置为5层、7层、10层，依次重复4次步骤2与步骤2.3；步骤2.5：将步骤2.4的结果输入由12个layers组成的Bottleneck，完成全部下采样，并进行多个特征的连接操作；步骤2.6：将上层输出结果输入由TransitionUp和DenseBlock组成的上采样通道，DenseBlock对应下采样中的layers层数为10层；步骤2.7：将步骤2.6中DenseBlock的layers层数依次设为7、5、4，重复4次步骤2.6；步骤2.8：对步骤2.7的输出结果进行1x1卷积操作；步骤2.9：将步骤2.8结果输入softmax层进行判断，输出裂缝与非裂缝的概率；步骤3：所述步骤2训练完成后，将待检测裂缝图像输入训练完成的分割模型进行裂缝提取。2.根据权利要求1所述的一种复杂背景下桥梁裂缝图像裂缝检测方法，其特征在于：所述第一转置卷积层...
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。