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。...

【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...

【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