基于宽度学习神经网络的桥梁路面裂缝分类识别方法技术

本发明专利技术涉及一种基于宽度学习神经网络的桥梁路面裂缝分类识别方法，属于图像处理和计算机视觉领域。利用宽度学习神经网络同时实现桥梁裂缝位置和裂缝属性的准确识别分类，主要解决目前基于宽度学习神经网络的桥梁裂缝的检测方法无法直接获取裂缝的宽度和长度信息的问题以及将PC端和手机端的结合来进行桥梁裂缝的分类识别，给桥梁裂缝的分类识别带来了更准确、更便捷、可靠性更高的方法，提高了桥梁裂缝检测的效率以及检测结果的准确性和稳定性。

Classification and Recognition of Bridge Pavement Cracks Based on Width Learning Neural Network

【技术实现步骤摘要】
基于宽度学习神经网络的桥梁路面裂缝分类识别方法
本专利技术属于图像处理和计算机视觉领域，涉及基于宽度学习神经网络的桥梁路面裂缝分类识别方法。
技术介绍
桥梁作为道路、公路、铁路等交通系统的枢纽，需要定期的对其健康状况进行检测和评估。通常混凝土结构引起病害的主要表现形式有裂缝、变形、腐蚀等等。而且桥梁通常大多是由混凝土构成，由调查得知，90％以上的混凝土桥梁的损坏是由桥梁裂缝造成的，桥梁表面出现裂缝不仅意味着桥梁内部出现了结构性的损伤，能够有效的反映结构当前的工作状态，而且外界产生的水汽就比较容易进入桥梁内部，从而加速钢筋等内部结构的腐蚀、材料碳化以及材料变形等；及时检测、捕捉、识别分类桥梁表面的裂缝，对于预示或者及时发现工程险情和后期桥梁的修补，控制裂缝的产生、扩展，并根据不同桥梁裂缝进行不同的预防工作，保证桥梁的可靠运营以及延长桥梁的使用寿命具有非常重要的意义。目前的检测方法主要为人工检测、大型桥梁检测车检测为主，存在很多不足之处：(1)安全性低：属于高空作业，而且检测人员需要下到桥梁底下进行检测，安全没有保障；(2)检测效率低：检测效率会受到桥底环境复杂程度和质检工作者的经验和体本文档来自技高网...

【技术保护点】
1.一种基于宽度学习神经网络的桥梁裂缝分类识别方法，其特征在于：该方法包括以下步骤：步骤一、创建宽度学习图像训练集；步骤二、训练宽度学习神经网络模型；步骤三、使用训练好的神经网络模型对待检测图像进行检测并输出预测标签图像；步骤四、根据预测标签图像输出检测结果，包括图像类别、裂缝的坐标信息以及裂缝的像素级宽度值和长度值；步骤五、根据检测结果通过输出病害记录结果，若待检测桥梁路面图像中存在裂缝，则记录图像名称、裂缝的坐标信息以及裂缝的宽度值和长度值；若待检测图像中没有裂缝，则就不需要记录；步骤六、将pc端训练好的模型导入到移动端再到车载系统。

【技术特征摘要】
1.一种基于宽度学习神经网络的桥梁裂缝分类识别方法，其特征在于：该方法包括以下步骤：步骤一、创建宽度学习图像训练集；步骤二、训练宽度学习神经网络模型；步骤三、使用训练好的神经网络模型对待检测图像进行检测并输出预测标签图像；步骤四、根据预测标签图像输出检测结果，包括图像类别、裂缝的坐标信息以及裂缝的像素级宽度值和长度值；步骤五、根据检测结果通过输出病害记录结果，若待检测桥梁路面图像中存在裂缝，则记录图像名称、裂缝的坐标信息以及裂缝的宽度值和长度值；若待检测图像中没有裂缝，则就不需要记录；步骤六、将pc端训练好的模型导入到移动端再到车载系统。2.根据权利要求1所述的一种基于宽度学习神经网络的桥梁裂缝分类识别方法，其特征在于：所述步骤一包括：S11：采集桥梁路面图像：通过移动拍摄设备拍摄桥梁路面表面得到桥梁路面图像；S12：将桥梁路面视频序列转变为图像序列，通过人工筛查桥梁图像选出足够数量张的裂缝图像和非裂缝图像，并且调整图像大小；桥梁路面图像的格式与原始桥梁路面图像需要保持一致；原始图像记为I，宽和高记为(W,H)，调整之后的图像记为I’，宽和高记为(W’,H’)；S13：使用MATLAB软件打开调整大小后的桥梁裂缝图像，并通过MATLAB筛选出裂缝区域记为Rc，非裂缝区域记为Ri；S14：对选出的裂缝区域和非裂缝区域进行不同颜色填充，颜色填充完成后，保存为训练集标签图像，此时图像格式要和原始桥梁裂缝图片格式一致，宽度和高度记为(W’,H’)。3.根据权利要求1所述的一种基于宽度学习神经网络的桥梁裂缝分类识别方法，其特征在于：所述步骤二包括：S21：搭建宽度学习神经网络结构：宽度学习神经网络通过把特征节点层和增强节点层连接形成网络其权重参数通过伪逆来求解，宽度学习神经网络的代价函数选择softmaxloss函数，激活函数选择S型Sigmoid函数；为防止宽度学习神经网络模型过拟合，在代价函数中加入权值衰减weightdecayL1，L2正则化项；S22：选择训练策略：宽度学习神经网络训练使用求L2正则化求伪逆方法进行优化求解，实现加速学习过程；S23：选择机器学习库：使用机器学习框架tensorflow实现以上所述的宽度学习神经网络结构，并根据已选择的训练策略和图像训练集进行训练。4.根据权利要求1所述的一种基于宽度学习神经网络的桥梁裂缝分类识别方法，其特征在于：所述步骤三包括：S31：选择一张桥梁路面图像作为待检测图像，并通过使用双线性插值的方法把待检测图像大小调至(W’，H’)像素，其中待检测图像采集要求要与宽度学习训练集图像保持一致；S32：使用机器学习框架tensorflow实现以上所述的宽度学习神经网络结构模型，对待检测图像进行推理预测，输出预测标签图像Il。5.根据权利要求1所述的一种基于宽度学习神经网络的桥梁裂缝的分类识别方法，其特征在于：所述步骤四包括：S41：把预测标签图像通过使用双三次插值的方法，把其大小调整到桥梁原始图片大小(w,h)，把调整后的预测标签图像记成Q1，它的格式和原始桥梁图像的格式保持一致；S42：运用宽度神经网络分类器在每个图...

【专利技术属性】
技术研发人员：郭黎，卜慎慎，廖宇，李晓艳，李润泽，江鑫，
申请(专利权)人：湖北民族大学，
类型：发明
国别省市：湖北,42