一种基于改进的U-net的混凝土表面裂缝检测方法技术

本发明专利技术公开了一种基于改进的U‑net的混凝土表面裂缝检测方法，包括：获取待检测图像；利用预先训练好的基于改进的U‑net裂缝检测模型对待检测图像中的像素进行分类，得到分类结果；所述分类结果包括背景像素和裂缝像素。本发明专利技术提供一种基于改进的U‑net网络结构的裂缝自动化检测方法，能够实现完全依靠深度模型自动提取裂缝特征，实现混凝土裂缝的自动快速检测。

【技术实现步骤摘要】
一种基于改进的U-net的混凝土表面裂缝检测方法
本专利技术涉及混凝土表面裂缝识别
，具体涉及一种基于改进的U-net模型的混凝土表面裂缝检测方法。
技术介绍
混凝土路面的损毁形式一般以裂缝的形式出现，早期的裂缝检测主要是以人工检测作为主体形式，人工检测一般通过专业设备到现场对裂缝的宽度以及损毁程度进行采集，那么人工检测就存在以下缺点：1、人工检测不仅工作量大，对裂缝存在主观判断影响裂缝检测结果，从而影响裂缝检测的准确率与精确率，导致不能及时控制路面病害。2、人工检测需要人员到现场采集路面情况，则会对交通造成一定影响，同时也不能保证人员的安全。3、人工检测耗时耗钱。传统的以人工检测作为主要方式裂缝检测已经不能够适应现代社会的发展需求。同时随着计算机技术的不断发展，硬件与软件技术不断突破，使得数字化裂缝提取技术的实现成为可能。由于裂缝提取又存在一定的难度，一般裂缝的灰度值小于其背景像素，但是在图像的采集过程中，一般会存在阴影遮蔽，甚至是存在光照不足的情况，诸如此类的噪声干扰，给裂缝的精确提取造成了一定的难度和影响。因此，研究并设计出能够精确、高效提取裂缝的算法具有重大的理论意义及应用价值。随着科学技术的发展，深度学习发展迅速，深度学习技术也开始逐渐被应用到了裂缝检测中。国内外的专家学者提出了一系列检测方法，ZhangL.等人采用了深度卷积神经网络学习算法对路面裂缝进行自动检测，该方法在强噪声环境(包括车辆和树影等)中具有很好的识别效果。YunLiu等人提出了一种使用多种卷积特征的边缘检测方法，该网络充分利用目标对象的多尺度和多级信息，通过融合所有卷积特征使训练图像接近目标图像。YangXincong等人通过全卷积神经网络来分割不同类型的裂缝，用单一像素表示预测裂缝骨架，该方法更够很好的识别图像裂缝。公开号为CN106910186A的专利文献，公开了一种基于CNN深度学习的桥梁裂缝检测方法，但是该方法使用的神经网络模板只有16像素大小，并不能满足不同宽度裂缝的检测需求。公开号为CN107133960A的专利文献，公开了一种基于全卷积神经网络(FullyConvolutionalNetworks，FCN)的图像裂缝分割方法，但是该方法忽略了裂缝的细节特征，没有对像素之间的关系没有充分考虑。总的来说，裂缝状况是各类型结构健康状态评估的主要指标之一，人工勾画裂缝费时费力，传统的基于数字图像处理的裂缝检测技术适用性差、难以在复杂的工程环境中应用，基于深度学习的裂缝检测已经取得了一定的成果，但距离实际工程应用仍然有很大的提升空间。总之，裂缝评价指标是裂缝维护的只要参考依据，传统的人工检测效率低下，传统的基于数字图像处理的裂缝检测技术适用性差、难以在复杂的工程环境中应用，基于深度学习的裂缝检测领域研究成果还不太多，仍然有很大的提升空间。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于改进的U-net的混凝土表面裂缝检测方法，用于解决现有技术的缺陷。为实现上述目的及其他相关目的，本专利技术提供一种基于改进的U-net的混凝土表面裂缝检测方法，包括：获取待检测图像；利用预先训练好的基于改进的U-net裂缝检测模型对待检测图像中的像素进行分类，得到分类结果；所述分类结果包括背景像素和裂缝像素。可选地，所述改进的U-net裂缝检测模型包括：下采样模块，用于提取所述待检测图像中的特征信息，并逐步将特征信息由低维映射至高维；上采样模块，用于逐步将特征信息由高维映射至低维，并且在将特征信息由高维映射至低维过程中，将与特征信息由低维映射至高维的过程中同维度相同的图像进行融合。可选地，所述上采样模块包括：第一卷积单元，包括依次连接的多个第一卷积组；所述第一卷积组包括：第一卷积子单元，用于对输入图像进行卷积操作；第一池化子单元，用于对所述第一卷积子单元输出的特征图进行池化操作；采样子单元，用于对所述第一池化子单元输出的特征图进行上采样；第一融合子单元，用于对所述第一卷积子单元输出的特征图与所述采样子单元输出的特征图进行融合；第二卷积子单元，用于对所述第一融合层输出的特征图进行卷积操作。可选地，所述上采样模块还包括第三卷积单元，与所述第一卷积单元连接，包括：Dropout层；分别连接在Dropout层输入端和输出端的卷积层。可选地，所述第二卷积单元包括：第二融合子单元，用于对在下采样过程中和上采集过程中具有相同维度的图像进行融合；第三卷积子单元，用于对所述第二融合层输出的特征图进行卷积操作。可选地，所述下采样模块对待检测图像进行五次采样，所述上采样模块用于对相应的特征图进行五次采样。可选地，在卷积过程中，通过零填充，使卷积过程尺度不变，卷积过程步长为1。可选地，卷积后的特征图的大小通过下式计算：其中，N表示经过卷积后的特征图的大小，O表示原图的大小，F表示卷积核大小，P表示填充数。如上所述，本专利技术的一种基于改进的U-net的混凝土表面裂缝检测方法，具有以下有益效果：本专利技术提供一种基于改进的U-net网络结构的裂缝自动化检测方法，能够实现完全依靠深度模型自动提取裂缝特征，实现混凝土裂缝的自动快速检测。附图说明图1为本专利技术一实施例一种基于改进的U-net的混凝土表面裂缝检测方法的流程图；图2为本专利技术一实施例0填充图像卷积示意图；图3为本专利技术一实施例改进前的U-net网络示意图；图4为本专利技术一实施例的改进的U-net网络示意图；图5为本专利技术一实施例中的不同复杂环境背景下裂缝检测对比分析图，(1)为待检测图像，(2)为目标图像，(3)为运用改进前的U-net生成的图像，(4)为运用改进后的U-net生成的图像；图6为本专利技术一实施例中的不同复杂环境背景下裂缝检测对比分析图，(1)为待检测图像，(2)为目标图像，(3)为运用改进前的U-net生成的图像，(4)为运用改进后的U-net生成的图像；图7为本专利技术一实施例中的不同复杂环境背景下裂缝检测对比分析图，(1)为待检测图像，(2)为目标图像，(3)为运用改进前的U-net生成的图像，(4)为运用改进后的U-net生成的图像；图8为本专利技术一实施例中的不同复杂环境背景下裂缝检测对比分析图，(1)为待检测图像，(2)为目标图像，(3)为运用改进前的U-net生成的图像，(4)为运用改进后的U-net生成的图像。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可本文档来自技高网...

【技术保护点】
1.一种基于改进的U-net的混凝土表面裂缝检测方法，其特征在于，包括：/n获取待检测图像；/n利用预先训练好的基于改进的U-net裂缝检测模型对待检测图像中的像素进行分类，得到分类结果；所述分类结果包括背景像素和裂缝像素。/n

【技术特征摘要】
1.一种基于改进的U-net的混凝土表面裂缝检测方法，其特征在于，包括：
获取待检测图像；
利用预先训练好的基于改进的U-net裂缝检测模型对待检测图像中的像素进行分类，得到分类结果；所述分类结果包括背景像素和裂缝像素。


2.根据权利要求1所述的基于改进的U-net的混凝土表面裂缝检测方法，其特征在于，所述改进的U-net裂缝检测模型包括：
下采样模块，用于提取所述待检测图像中的特征信息，并逐步将特征信息由低维映射至高维；
上采样模块，用于逐步将特征信息由高维映射至低维，并且在将特征信息由高维映射至低维过程中，将与特征信息由低维映射至高维的过程中同维度相同的图像进行融合。


3.根据权利要求2所述的基于改进的U-net的混凝土表面裂缝检测方法，其特征在于，所述上采样模块包括：
第一卷积单元，包括依次连接的多个第一卷积组；
所述第一卷积组包括：
第一卷积子单元，用于对输入图像进行卷积操作；
第一池化子单元，用于对所述第一卷积子单元输出的特征图进行池化操作；
采样子单元，用于对所述第一池化子单元输出的特征图进行上采样；
第一融合子单元，用于对所述第一卷积子单元输出的特征图与所述采样子单元输出的特征图进行融合；
第二卷积子单元，用于对所述第一融合层输出的特征图进...

【专利技术属性】
技术研发人员：瞿中，谢钇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50