【技术实现步骤摘要】
一种基于CNN和SVM的挡土墙裂缝识别方法
本专利技术涉及挡土墙裂缝识别领域，特别涉及基于一种基于CNN和SVM的挡土墙裂缝识别方法。
技术介绍
挡土墙是指支承路基填土或山坡土体、防止填土或土体变形失稳的构造物。挡土墙的存在减少了水土流失和滑坡，对自然风貌保护和人民财产安全保障有重大意义。随着时间的推进和风雨的洗刷，挡土墙难免会发生裂缝现象，裂缝对挡土墙的性能有很大程度的削弱，所以准确的识别出挡土墙裂缝有待解决。目前多采用人工定期检查的方法，然而存在极大的主观性，人工检查耗时耗力，人工成本高，工作效率低下。而且，有些挡土墙的地理位置崎岖陡峭，不利于检查员行走和肉眼观测，容易导致漏检。
技术实现思路
为了解决上述存在问题，本专利技术提出一种基于CNN和SVM的挡土墙裂缝识别方法，基于无人机采集的图像，采用智能算法能够准确地识别出挡土墙的裂缝，有助于挡土墙的修补，减少人工检查成本，提高效率。为达此目的：本专利技术提出一种基于CNN和SVM的挡土墙裂缝识别方法，具体步骤如下，步骤1：采用...
【技术保护点】
1.一种基于CNN和SVM的挡土墙裂缝识别方法，具体步骤如下，其特征在于,/n步骤1：采用装备有单目摄像机的无人机采集获取一定数量的挡土墙图片，将收集的图片分别标注为有无裂缝样本类别并建立MYSQL数据库进行存储；/n步骤2：对挡土墙裂缝识别MYSQL数据库的图片进行图像数据预处理和数据增强；/n步骤3：建立基于CNN和SVM的挡土墙裂缝识别算法模型；/n步骤4：并将步骤2处理好的数据放入算法模型中进行训练，得到最优的挡土墙裂缝识别算法训练模型；/n步骤5：采用装备有单目摄像机的无人机实时采集挡土墙图片，并通过云端网络上传至上位机；/n步骤6：上位机基于步骤2的图像预处理方...
【技术特征摘要】
1.一种基于CNN和SVM的挡土墙裂缝识别方法，具体步骤如下，其特征在于,
步骤1：采用装备有单目摄像机的无人机采集获取一定数量的挡土墙图片，将收集的图片分别标注为有无裂缝样本类别并建立MYSQL数据库进行存储；
步骤2：对挡土墙裂缝识别MYSQL数据库的图片进行图像数据预处理和数据增强；
步骤3：建立基于CNN和SVM的挡土墙裂缝识别算法模型；
步骤4：并将步骤2处理好的数据放入算法模型中进行训练，得到最优的挡土墙裂缝识别算法训练模型；
步骤5：采用装备有单目摄像机的无人机实时采集挡土墙图片，并通过云端网络上传至上位机；
步骤6：上位机基于步骤2的图像预处理方法进行前处理，并利用预训练好的模型对挡土墙的照片进行裂缝识别，并将相关的识别结果通过云端网络上传至终端显示屏。
2.根据权利要求1所述的一种基于CNN和SVM的挡土墙裂缝识别方法，其特征在于；
所述步骤2中的挡土墙图像预处理方法为，在挡土墙彩色图像的RGB各分量上分别做灰度直方图均衡化，然后再将三个分量合并，得到对比度增强的挡土墙图像；采用高斯滤波器对挡土墙图像进行平滑滤波处理，保留图像边缘、轮廓等细节信息；在挡土墙图像中，采用邻域像素的平均灰度值代替中心像素灰度调整图像分辨率，以减小图像尺寸。
3.根据权利要求1所述的一种基于CNN和SVM的挡土墙裂缝识别方法，其特征在于；
所述步骤2中的挡土墙图像裂缝样本数据增强的方法为，对标签类别为有裂缝挡土墙的图像分别进行旋转90°、180°和270°，左右镜像，垂直翻转操作，以扩增数据库中有裂缝挡土墙的图像样本数量，减少数据不平衡。
4.根据权利要求1所述的一种基于CNN和SVM的挡土墙裂缝识别方法，其特征在于；
所述步骤3中所述基于CNN和SVM的挡土墙裂缝识别算法模型的CNN模块，由2个卷积层，2个池化层以及一个全连接层组成，网络计算流程为第一卷积层→第一池化层→第二卷积层→第二池化层→全连接层；
每个卷积层的表达式为
式中，为n层卷积上第l个卷积核的输出，σ(·)为非线性激活函数，本发明选用RULE函数，为n层第l个卷积核的权重系数，为n-1层第m个特征输出，是偏置项；
两个池化层均采用最大池化策略，最大池化的表达式为：
其中，为池化层的输出特征向量，为第l-1卷积层的输出特...
【专利技术属性】
技术研发人员：王逸之，陈维娜，顾姗姗，胡兴柳，杨忠，满朝媛，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32
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。