混凝土表面裂纹的检测方法、系统、设备和介质技术方案

本发明专利技术公开了一种混凝土表面裂纹的检测方法、系统、设备和介质，其中检测方法，包括以下步骤：构建图像集，图像集包括若干裂纹图像，裂纹图像包括裂纹区域和对应的标注信息；构建轻量化卷积神经网络模型；基于图像集对轻量化卷积神经网络模型进行训练以得到目标模型；基于目标模型识别混凝土表面图像中的裂纹。本发明专利技术基于轻量化卷积神经网络模型训练以得到的目标模型识别混凝土表面图像中的裂纹，有效提升识别准确率。升识别准确率。升识别准确率。

【技术实现步骤摘要】
混凝土表面裂纹的检测方法、系统、设备和介质


[0001]本专利技术属于混凝土表面裂纹检测
，尤其涉及一种混凝土表面裂纹的检测方法、系统、设备和介质。

技术介绍

[0002]轨道交通是加快城市转型发展的重要基础设施，在缓解城市拥堵和快速跨区通勤方面发挥着无可替代的作用。随着近年来中国主要城市轨道交通网络的加速发展，城市轨道交通总里程数逐年增势迅猛，在便捷化城市人群生活工作的同时，却给轨道交通的日常巡检与维护带来了巨大挑战，这其中就包括了对大量轨枕的健康状态监测。轨枕是用来支撑、固定钢轨并将向道床传递钢轨压力的轨道重要部件，轨枕的健康状态对行车安全起着至关重要的作用，关乎列车以及运载乘客的生命安全。由此可见，对轨枕的健康状态进行及时、准确的监测和反馈，对城市轨道交通的安全运营有着十分重要的意义。
[0003]城市轨道交通的轨枕主要采用混凝土材料，表面裂纹是可视化反映轨枕健康状态的一种关键表征。目前对于这种轨枕裂纹的传统巡检方式主要依靠人力，然而随着轨道交通里程数的不断增长，依靠人眼视觉对巨量轨枕进行检查变得愈发困难。目前工业上主要采用的是人工视觉的检测方法，容易受到各种不确定因素的影响，因此该方法存在效率低，准确度差等问题。随着卷积神经网络的不断发展，基于卷积神经网络的一些目标识别网络被提出。但是，这些方法大都被用于自然界的物体识别，裂纹在纵向尺度上属于微小目标，极容易在深度学习提取特征阶段消失且混凝土表面图像通常受光照。污渍等影响，图像背景复杂，且裂纹的种类多，尺度小，检测难度高，将其应用于混凝土表面裂纹检测存在定位不准确，存在漏判误判严重的问题。
[0004]目前，基于深度学习的混凝土轨枕裂纹检测方法(例如，专利申请CN110044905A涉及的一种双块式轨枕的裂纹检测方法)，其将输入图像固定网格化划分为多个小的矩形图片块，然后利用深度神经网络对每个图片块分别进行裂纹判断，输出各图片块中存在裂纹的概率，然后结合人工底层特征系数最终加权得到裂纹所在的所有图片块区域。其具体实施方式为：
[0005]1)在轨枕图片数据集上对深度神经网络进行训练，得到用于判别轨枕是否存在裂纹的深度神经网络模型；
[0006]2)利用待检测双块式轨枕自身定位孔定位其凹槽区域，以双块式轨枕的凹槽区域为感兴趣区域，提取矩形检测图片；
[0007]3)提取上述矩形检测图片的底层特征，以底层特征中存在的非零像素点数量除以其像素总数得到加权系数w；
[0008]4)对矩形检测图片进行网格化划分得到图片块，将图片块输入训练好的深度神经网络模型，得到每个图片块存在裂纹的概率p；
[0009]5)设定概率阈值，将得到的每个图片块存在裂纹的概率p乘以加权系数，得到最终每个图片块存在裂纹的最终概率，将最终概率大于概率阈值的图片块判定为有裂纹。
[0010]上述基于深度学习的轨枕裂纹检测方法，主要通过对输入轨枕图像进行网格化切分，利用深度神经网络对各切分图片块是否存在裂纹进行分类，通过统计所有图片块存在裂纹的概率完成对整幅图像是否存在裂纹的最终判别。其存在以下缺点：
[0011]1)模型权重文件体积大，不利于部署在终端检测设备上；
[0012]2)对输入图像的人为网格化切分容易造成单图片块缺乏全局或周围局部信息，使得算法模型单独对各图像块进行裂纹判别时的准确率下降；
[0013]3)由于裂纹的尺度跨越范围大且不稳定，实际应用时，网格化切分的尺度需要结合具体应用场景进一步试验确定，切分的尺度差异容易对后续裂纹识别的准确率造成直接影响；
[0014]4)模型输出结果仅为可能存在裂纹的各个网格化图片块区域，不能给出裂纹在图像中更加精准的位置信息。

技术实现思路

[0015]本专利技术要解决的技术问题是为了克服现有技术中混凝土表面裂纹检测的准确度较低的缺陷，提供一种混凝土表面裂纹的检测方法、系统、设备和介质。
[0016]本专利技术是通过下述技术方案来解决上述技术问题：
[0017]本专利技术提供一种混凝土表面裂纹的检测方法，包括以下步骤：
[0018]构建图像集，图像集包括若干裂纹图像，裂纹图像包括裂纹区域和对应的标注信息；
[0019]构建轻量化卷积神经网络模型；
[0020]基于图像集对轻量化卷积神经网络模型进行训练以得到目标模型；
[0021]基于目标模型识别混凝土表面图像中的裂纹。
[0022]较佳地，构建轻量化卷积神经网络模型的步骤包括：
[0023]根据图像集统计裂纹目标外形尺度分布；
[0024]以SSD(Single Shot MultiBox Detector，单次检测器)为基础模型，以MobilenetV2(一种轻量级网络)网络作为基础模型的主干网络构架，抽取MobilenetV2网络中的若干层作为输出特征层；
[0025]基于裂纹目标外形尺度分布，针对每一个输出特征层分别获取目标检测先验框的尺度范围与长短比，从而构建轻量化卷积神经网络模型。
[0026]较佳地，基于裂纹目标外形尺度分布，针对每一个输出特征层分别获取目标检测先验框的尺度范围与长短比，包括：
[0027]获取第i输出特征层对应的特征图的最小短边长minsize
i
和最大短边长为(minsize
i
+minsize
i+1
)/2，基于最小短边长minsize
i
将裂纹目标外形尺度分布划分为若干区间。
[0028]较佳地，基于裂纹目标外形尺度分布，针对每一个输出特征层分别获取目标检测先验框的尺度范围与长短比，还包括：
[0029]对每个区间对应的输出特征层中的目标检测先验框的长短比进行分析，以获得区间内的长短比的最大值和最小值，如果最小值小于2，则取1作为区间对应的输出特征层的目标检测先验框的最小长短比RATIOS
i,0
，如果最小值不小于2，则对最小值向下取偶，作为
区间对应的输出特征层的目标检测先验框的最小长短比RATIOS
i,0
，对最大值向上取偶，作为区间对应的输出特征层的目标检测先验框的最大长短比RATIOS
i,n
，取RATIOS
i,0
、RATIOS
i,n
及RATIOS
i,0
与RATIOS
i,n
之间的所有偶数作为输出特征层的长短比序列。
[0030]较佳地，抽取MobilenetV2网络中的若干层作为输出特征层，包括：
[0031]抽取MobilenetV2网络的第13层、第18层、第19层和第20层作为输出特征层。
[0032]较佳地，第13层的目标检测先验框的最小短边长取[16,24]，第13层的目标检测先验框的长短边比序列为[1,2,4,6,8,10,12,1/2,1/4,1/6,1/8,1/10,1/12]；
[0033]第18层的目标检测先验框的最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混凝土表面裂纹的检测方法，其特征在于，包括以下步骤：构建图像集，所述图像集包括若干裂纹图像，所述裂纹图像包括裂纹区域和对应的标注信息；构建轻量化卷积神经网络模型；基于所述图像集对所述轻量化卷积神经网络模型进行训练以得到目标模型；基于所述目标模型识别混凝土表面图像中的裂纹。2.如权利要求1所述的混凝土表面裂纹的检测方法，其特征在于，所述构建轻量化卷积神经网络模型的步骤包括：根据所述图像集统计裂纹目标外形尺度分布；以SSD为基础模型，以MobilenetV2网络作为所述基础模型的主干网络构架，抽取所述MobilenetV2网络中的若干层作为输出特征层；基于所述裂纹目标外形尺度分布，针对每一个所述输出特征层分别获取目标检测先验框的尺度范围与长短比，从而构建所述轻量化卷积神经网络模型。3.如权利要求2所述的混凝土表面裂纹的检测方法，其特征在于，所述基于所述裂纹目标外形尺度分布，针对每一个所述输出特征层分别获取目标检测先验框的尺度范围与长短比，包括：获取第i输出特征层对应的特征图的最小短边长minsize
i
和最大短边长为(minsize
i
+minsize
i+1
)/2，基于所述最小短边长minsize
i
将所述裂纹目标外形尺度分布划分为若干区间。4.如权利要求3所述的混凝土表面裂纹的检测方法，其特征在于，所述基于所述裂纹目标外形尺度分布，针对每一个所述输出特征层分别获取目标检测先验框的尺度范围与长短比，还包括：对每个所述区间对应的所述输出特征层中的所述目标检测先验框的长短比进行分析，以获得所述区间内的所述长短比的最大值和最小值，如果所述最小值小于2，则取1作为所述区间对应的所述输出特征层的所述目标检测先验框的最小长短比RATIOS
i,0
，如果所述最小值不小于2，则对所述最小值向下取偶，作为所述区间对应的所述输出特征层的所述目标检测先验框的最小长短比RATIOS
i,0
，对所述最大值向上取偶，作为所述区间对应的所述输出特征层的所述目标检测先验框的最大长短比RATIOS
i,n
，取RATIOS
i,0
、RATIOS
i,n
及RATIOS
i,0
与RATIOS
i,n
之间的所有偶数作为所述输出特征层的长短比序列。5.如权利要求4所述的混凝土表面裂纹的检测方法，其特征在于，所述抽取所述MobilenetV2网络中的若干层作为输出特征层，包括：抽取所述MobilenetV2网络的第13层、第18层、第19层和第20层作为所述输出特征层。6.如权利要求5所述的混凝土表面裂纹的检测方法，其特征在于，所述第13层的所述目标检测先验框的所述最小短边长取[16,24]，所述第13层的所述目标检测先验框的长短边比序列为[1,2,4,6,8,10,12,1/2,1/4,1/6,1/8,1/10,1/12]；所述第18层的所述目标检测先验框的所述最小短边长取[32,48]，所述第18层的所述目标检测先验框的长短边比序列为[1,2,4,6,8,10,12,14,1/2,1/4,1/6,1/8,1/10,1/12,1/14]；所述第19层的所述目标检测先验框的所述最小短边长取[64,96]，所述第19层的所述
目标检测先验框的长短边比序列为[1,2,4,6,8,1/2,1/4,1/6,1/8]；所述第20层的所述目标检测先验框的所述最小短边长取[128,192]，所述第20层的所述目标检测先验框的长短边比序列为[1,2,4,1/2,1/4]。7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1
‑<...

【专利技术属性】
技术研发人员：毛晴，漆昇翔，董亚明，杨家荣，
申请(专利权)人：上海电气集团股份有限公司，
类型：发明
国别省市：