一种基于复杂噪声图像深度学习的混凝土裂缝识别方法技术

本发明专利技术公开了一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，涉及图像识别技术领域。首先，通过迁移学习获得裂缝类型识别网络与裂缝位置识别网络；随后，采用综合滤波方法对训练集的图像进行预处理，将多种背景转化为只含有裂缝的二值化图像，极大地削弱了噪声影响且增加了该本发明专利技术的通用性；最终，分别利用含有正常和严重背景噪声的裂缝图像测试有、无图像预处理优化的裂缝类型识别网络和裂缝位置识别网络。本发明专利技术能够在多种噪声影响下以较高精度对图像进行裂缝识别，包括对裂缝的类型和位置的识别。

A concrete crack recognition method based on deep learning of complex noise image

【技术实现步骤摘要】
一种基于复杂噪声图像深度学习的混凝土裂缝识别方法
本专利技术涉及图像识别
，特别是涉及一种基于复杂噪声图像深度学习的混凝土裂缝识别方法。
技术介绍
混凝土建筑，包括桥梁、大坝等民用基础设施，在其运营期间由于环境、荷载、材料等因素的变化会产生损伤，损伤以裂缝为典型特征。目前传统的民用基础设施诊断方法主要依靠人的检查。然而，这种检查有其局限性。首先，由于检查人员的主观感知、视觉能力和知识的不同，结果有很大的差异。其次，由于人工检查费时费力，导致常规检查不够频繁，不能及时发现结构损伤，产生危险隐患。与传统的结构损伤检测方法相比，采用数字图像处理技术的裂缝检测具有高效、高精度、客观性好等优势。传统的图像裂缝提取方法包括阈值分割法、边缘检测法等，在实际的建筑物工况下拥有的复杂背景噪声影响下，裂缝识别效果不佳。而新兴起的人工智能裂缝识别方法，需要根据不同的背景使用不同的特征提取方法，增加裂缝识别难度。
技术实现思路
本专利技术实施例提供了一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，可以解决现有技术中存在的问题。本专利技术提供了一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，包括以下步骤：步骤1，采集混凝土裂缝图像，建立裂缝类型识别图像数据集和裂缝位置识别图像数据集，其中所述裂缝类型识别图像数据集包括裂缝类型识别图像训练集，所述裂缝位置识别图像数据集包括裂缝位置识别图像训练集；步骤2，以Alexnet结构为基础进行迁移学习，建立裂缝类型识别网络，以Cifar10模型为基础建立裂缝位置识别网络；步骤3，使用综合滤波方法依次对所述裂缝类型识别图像训练集和裂缝位置识别图像训练集中的图像进行预处理；步骤4，使用预处理后的裂缝类型识别图像训练集和裂缝位置识别图像训练集中的图像分别训练裂缝类型识别网络和裂缝位置识别网络，得到训练好的裂缝类型识别网络和裂缝位置识别网络；步骤5，将待识别的裂缝图像输入训练好的裂缝类型识别网络和裂缝位置识别网络，分别对裂缝类型和裂缝位置进行识别。本专利技术中的一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，具有以下优点：(1)本专利技术不仅可以识别混凝土图像中裂缝的种类，还能将图像中的裂缝进行定位；(2)本专利技术通过混凝土裂缝图像的预处理优化算法，可以识别严重背景噪声干涉下的裂缝。复杂噪声干扰的情况包括裂缝图像中的强光影响，相机晃动造成的模糊，建筑表面的混凝土随着阳光暴晒，雨水腐蚀的影响产生凹凸褶皱，和人为的干涉下产生污渍(油漆、沥青等)与日常磨损等，采用本专利技术中的方法可以避免使用深度学习进行裂缝识别时，由于每一种背景情况都要分别进行特征提取导致的算法识别效率降低，精度下降的问题。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术中方法的流程图；图2为五种裂缝的示意图；图3为混凝土裂缝图像的裂缝元和背景元示意图；图4为各种图像裂缝提取的预处理算法效果比较，其中(a)为原图，(b)为线性增强滤波法的效果，(c)为迭代阈值分割法的效果，(d)为比特平面分层的效果，(e)为本专利技术预处理的效果；图5为本专利技术中预处理优化的滑动窗口裂缝定位算法和传统滑动窗口定位算法在光照噪声下裂缝定位的效果对比，其中(a)为原图，(b)为传统滑动窗口定位算法的效果，(c)为本专利技术中预处理优化后的滑动窗口裂缝定位算法的效果；图6为本专利技术中预处理优化的滑动窗口裂缝定位算法和传统滑动窗口定位算法在模糊噪声下裂缝定位的效果对比，其中(a)为原图，(b)为传统滑动窗口定位算法的效果，(c)为本专利技术中预处理优化后的滑动窗口裂缝定位算法的效果；图7为褶皱背景下裂缝定位的效果对比，其中(a)为传统滑动窗口定位算法的效果，(b)为本专利技术中预处理优化后的滑动窗口裂缝定位算法的效果；图8为凹凸磨损背景下裂缝定位的效果对比，其中(a)为传统滑动窗口定位算法的效果，(b)为本专利技术中预处理优化后的滑动窗口裂缝定位算法的效果；图9为背景裂缝颜色相近情况下裂缝定位效果对比，其中(a)为传统滑动窗口定位算法的效果，(b)为本专利技术中预处理优化后的滑动窗口裂缝定位算法的效果；图10为污渍背景下裂缝定位效果对比，其中(a)为传统滑动窗口定位算法的效果，(b)为本专利技术中预处理优化后的滑动窗口裂缝定位算法的效果。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参照图1，本专利技术提供了一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，该方法包括以下步骤：步骤1，数据集准备：采集混凝土裂缝图像，根据裂缝图像建立裂缝类型识别图像数据集和裂缝位置识别图像数据集，该步骤具体内容如下：所述裂缝类型识别图像数据集的建立过程为：采集的裂缝图像分辨率为1024×1024像素，将裂缝图像的分辨率转换为227×227像素，建立裂缝类型识别图像数据集，将这些图像中一部分作为裂缝类型识别图像训练集，另一部分作为裂缝类型识别图像测试集。本实施例中裂缝类型分为五种，分别为横向裂缝、纵向裂缝、左斜裂缝、右斜裂缝和网状裂缝，如图2所示，分类后所述裂缝类型识别图像训练集中有五种裂缝类型的图片共1500张，裂缝类型识别图像测试集中有五种裂缝类型的图片577张。所述裂缝位置识别图像数据集的建立过程如图3所示，具体为：a.使用大小为32×32像素的固定大小窗口在大小为1024×1024像素的裂缝图像上不重叠的进行滑动，每次滑动得到一张切片图像；b.把不包含裂缝的切片图像作为背景元，把包含裂缝的切片图像作为裂缝元，采用背景元和裂缝元建立裂缝位置识别图像数据集。对切片图像按照背景和裂缝分类后，将分类后的图像中的一部分作为裂缝位置识别图像训练集，另一部分作为裂缝位置识别图像测试集。本实施例中所述裂缝位置识别图像训练集中裂缝元和背景元共6500张图片，其中裂缝元1500张，背景元5000张，所述裂缝位置识别图像测试集中裂缝元600张，背景元3922张。步骤2，构建混凝土裂缝识别网络模型。a.裂缝类型识别网络以Alexnet结构为基础进行迁移学习，得到裂缝类型识别网络，该网络的具体结构如下：b.裂缝位置识别网络以Cifar10模型为基础，得到裂缝位置识别网络具体结构如下：本专利技术的两个网络结构中，dropout层参数设置为0.5，学习率呈阶梯下降，即初始学习率0.001，每经8过个周期，学习速率乘以一个本文档来自技高网...

【技术保护点】
1.一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，包括以下步骤：/n步骤1，采集混凝土裂缝图像，建立裂缝类型识别图像数据集和裂缝位置识别图像数据集，其中所述裂缝类型识别图像数据集包括裂缝类型识别图像训练集，所述裂缝位置识别图像数据集包括裂缝位置识别图像训练集；/n步骤2，以Alexnet结构为基础进行迁移学习，建立裂缝类型识别网络，以Cifar10模型为基础建立裂缝位置识别网络；/n步骤3，使用综合滤波方法依次对所述裂缝类型识别图像训练集和裂缝位置识别图像训练集中的图像进行预处理；/n步骤4，使用预处理后的裂缝类型识别图像训练集和裂缝位置识别图像训练集中的图像分别训练裂缝类型识别网络和裂缝位置识别网络，得到训练好的裂缝类型识别网络和裂缝位置识别网络；/n步骤5，将待识别的裂缝图像输入训练好的裂缝类型识别网络和裂缝位置识别网络，分别对裂缝类型和裂缝位置进行识别。/n

【技术特征摘要】
1.一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，包括以下步骤：
步骤1，采集混凝土裂缝图像，建立裂缝类型识别图像数据集和裂缝位置识别图像数据集，其中所述裂缝类型识别图像数据集包括裂缝类型识别图像训练集，所述裂缝位置识别图像数据集包括裂缝位置识别图像训练集；
步骤2，以Alexnet结构为基础进行迁移学习，建立裂缝类型识别网络，以Cifar10模型为基础建立裂缝位置识别网络；
步骤3，使用综合滤波方法依次对所述裂缝类型识别图像训练集和裂缝位置识别图像训练集中的图像进行预处理；
步骤4，使用预处理后的裂缝类型识别图像训练集和裂缝位置识别图像训练集中的图像分别训练裂缝类型识别网络和裂缝位置识别网络，得到训练好的裂缝类型识别网络和裂缝位置识别网络；
步骤5，将待识别的裂缝图像输入训练好的裂缝类型识别网络和裂缝位置识别网络，分别对裂缝类型和裂缝位置进行识别。


2.如权利要求1所述的基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，步骤1中采集混凝土裂缝图像后，将裂缝图像进行分辨率转换，然后建立所述裂缝类型识别图像数据集，将裂缝类型识别图像数据集中的一部分图像作为裂缝类型识别图像训练集，另一部分图像作为裂缝类型识别图像测试集。


3.如权利要求1所述的基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，步骤1中使用窗口在裂缝图像上不重叠的进行滑动，每次滑动得到一张切片图像；把不包含裂缝的切片图像作为背景元，包含裂缝的切片图像作为裂缝元，采用背景元和裂缝元建立裂缝位置识别图像数据集；将裂缝位置识别图像数据集中的一部分图像作为裂缝位置识别图像训练集，另一部分图像作为裂缝位置识别图像测试集。


4.如权利要求1所...

【专利技术属性】
技术研发人员：曹茂森，姚宇，付荣华，曹玉茜，韦黎，李大洋，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32