【技术实现步骤摘要】
一种基于空洞卷积的自动化裂缝检测方法
本专利技术涉及结构健康检测与评估领域，尤其是涉及一种基于空洞卷积的多尺度分层特征提取的自动化道路、桥梁的裂缝检测方法。
技术介绍
随着中国经济的快速发展，中国公路网的普及和建设得到了迅速发展，路面的完好率和平整度是确保行车车辆在高速路上行驶的重要因素。裂缝是道路受损的重要标志，如果路面出现凹凸不平和裂缝等情况，会严重影响道路的寿命以及驾驶人的安全，需要定期的对其健康状况做出评估，因此对道路和桥梁裂缝进行检测有着至关重要的作用。目前，道路桥梁的裂缝检测方法主要是基于传统的图像处理算法和人眼识别。单单依靠人眼进行裂缝检测与识别，效率不高。采用图像处理方法，主要是针对同一材质和纹理背景图像进行裂缝检测，无法对彩色图像直接进行裂缝检测。基于深度学习框架的道路裂缝检测可以实现对彩色图像的裂缝检测处理，可以实现端到端的图像处理，无需卷积神经网路的滑块处理。因此，基于深度学习框架的道路裂缝检测方法，可以实现道路裂缝的自动化检测。因此，如何提高路面裂缝检测的监测效率和效果，是路面裂缝检测领域需要
【技术保护点】
1.一种基于空洞卷积的自动化裂缝检测方法，其特征在于，包括以下步骤：/nS1、创建道路裂缝图像的训练集和测试集；/nS2、创建包含编码器、解码器、空洞卷积模块和跳跃连接结构的深度卷积神经网络；/nS3、利用创建好的训练集训练深度卷积神经网络；/nS4、利用测试集对训练好的深度卷积神经网络模型测试，并输出裂缝图像。/n
【技术特征摘要】
1.一种基于空洞卷积的自动化裂缝检测方法，其特征在于，包括以下步骤：
S1、创建道路裂缝图像的训练集和测试集；
S2、创建包含编码器、解码器、空洞卷积模块和跳跃连接结构的深度卷积神经网络；
S3、利用创建好的训练集训练深度卷积神经网络；
S4、利用测试集对训练好的深度卷积神经网络模型测试，并输出裂缝图像。
2.根据权利要求1所述的基于空洞卷积的自动化裂缝检测方法，其特征在于，所述步骤S1还包括：
使用相机拍摄裂缝图像，或者利用公共的裂缝图像数据集，将所得裂缝图像分为训练集和测试集。
3.根据权利要求2所述的基于空洞卷积的自动化裂缝检测方法，其特征在于，所述步骤S1还包括：
将所采集到的不同结构表面裂缝图像，构建裂缝图像数据库，对构建的裂缝图像库进行数据增强，扩充数据集，将扩充后的裂缝图像库中的裂缝图像的裂缝区域实施人工标签标注，然后将裂缝图像库中的图像分为训练集和测试集。
4.根据权利要求3所述的基于空洞卷积的自动化裂缝检测方法，其特征在于，所述步骤S2具体包括：
S21、搭建深度神经网络结构模型：确定所述深度卷积神经网络卷中编码器和解码器层个数，以及每个部分卷积层所含有的特征图的数量、池化层的层数、池化层中采样核的大小和训练步长、反卷积层的层数和每个反卷积层所含有的特征图数量，跳跃连接的连接方式以及空洞卷积模块中空洞比率的大小；
S22、选择深度神经网络的训练策略：所述深度神经网络训练中代价函数的选择为交叉熵损失函数、以及激活函数Rel...
【专利技术属性】
技术研发人员：范衠，陈颖，李冲，卞新超，崔岩，
申请(专利权)人：汕头大学，
类型：发明
国别省市：广东;44
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。