一种基于深度学习的裂缝识别方法技术

本申请中提供了一种基于深度学习的裂缝识别方法，属于图像处理技术领域，具体包括：构建深度卷积对抗网络；获取多张真实裂缝图像样本对深度卷积对抗网络进行训练，得到对抗裂缝图像样本；得到混合裂缝图像样本；对全部混合裂缝图像样本进行标注，并将标注信息文件和混合裂缝图像样本作为训练集；采用训练集对改进YOLOv4神经网络进行训练直至网络收敛，并将收敛后的网络参数保存为裂缝识别模型；将采集到的待检测裂缝图像输入裂缝识别模型，输出识别信息。通过本申请的方案，构建深度卷积对抗网络实现了裂缝的自动化生成，并通过改进YOLOv4神经网络训练得到裂缝识别模型对待检测裂缝图像进行识别，提高了识别效率、精准度和适应性。性。性。

【技术实现步骤摘要】
一种基于深度学习的裂缝识别方法


[0001]本申请涉及图像处理
，尤其涉及一种基于深度学习的裂缝识别方法。

技术介绍

[0002]目前，随着我国经济的稳步提升，基础设施建设的速度和规模都已经达到了一个新的高潮。基础设施在服役过程中，由于长期荷载、地质灾害、人类活动等多种内外在因素的共同影响，难以避免的会出现各类结构病害，其中裂缝出现的频率最高，如果不及时对该类病害进行处理，很有可能会造成渗漏水、混凝土腐蚀、结构承载力下降等危害从而影响结构在运营期间的安全。因此有必要定期对基础设施的裂缝进行检测，掌握裂缝的数量和具体位置，并采取相应的措施进行治理。
[0003]目前，各类基础设施裂缝病害的检测依旧以人工巡检为主，该方法存在着主观性大、精度低、耗费人力与物力等缺点。随着计算机技术的快速发展，基于机器视觉技术的裂缝智能识别方法凭借着智能化、高精度、低成本等优势逐渐成为裂缝识别研究的重点，主要分为基于图像处理技术的裂缝识别方法和基于深度学习的裂缝识别方法两类。
[0004]其中，基于图像处理技术的裂缝识别方法虽然能够快速识别裂缝，但是其识别精度严重受到背景、光照等环境因素的干扰，因此对于复杂多变的环境条件下裂缝的识别准确度仍有待提高。而基于深度学习目标的裂缝识别方法相对来说具有更好的泛用性，但是该类方法依旧存在着以下的不足：模型的训练需要大量的裂缝数据集作为基础；模型往往占据较大的存储空间，导致裂缝图像的识别速度慢，难以满足移动设备对裂缝病害进行实时检测的要求。
[0005]可见，亟需一种高效精准且适应性强的基于深度学习的裂缝识别方法。

技术实现思路

[0006]有鉴于此，本申请提供一种基于深度学习的裂缝识别方法，至少部分解决现有技术中存在识别效率、精准度和适应性较差的问题。
[0007]本申请提供了一种基于深度学习的裂缝识别方法，包括：步骤1、构建深度卷积对抗网络，其中，所述深度卷积对抗网络包括生成器和判别器；步骤2、获取多张真实裂缝图像样本对所述深度卷积对抗网络进行训练，得到与每张所述真实裂缝图像样本分布相近的对抗裂缝图像样本；步骤3、将每张所述真实裂缝图像样本与其对应的对抗裂缝图像样本根据一比一比例混合，得到混合裂缝图像样本；步骤4、对全部所述混合裂缝图像样本进行标注，并将标注信息文件和混合裂缝图像样本作为训练集；步骤5、采用所述训练集对改进YOLOv4神经网络进行训练直至网络收敛，并将收敛后的网络参数保存为裂缝识别模型；
步骤6、将采集到的待检测裂缝图像输入所述裂缝识别模型，输出所述待检测裂缝图像中裂缝的识别信息。
[0008]根据本申请的一种具体实现方式，所述生成器和所述判别器的损失函数根据Wasserstein距离设计，其中，所述Wasserstein距离定义为，为所述真实裂缝图像样本分布，为所述对抗裂缝图像样本分布，x为所述真实裂缝图像样本，y为所述对抗裂缝图像样本，为联合分布下所述真实裂缝图像样本与所述对抗裂缝图像样本之间距离的期望。
[0009]根据本申请的一种具体实现方式，所述生成器包括六个卷积核大小为4
×
4的反卷积层，其中，前五个所述反卷积层之后均设置批标准化Batch Nomalization函数和Relu激活函数，最后一个所述反卷积层之后设置Tanh激活函数。
[0010]根据本申请的一种具体实现方式，所述判别器包括六个卷积核大小为4
×
4的卷积层，其中前五个所述卷积层之后均设置批标准化Batch Nomalization函数以及LeakyRelu激活函数，最后一个所述卷积层之后设置Sigmod激活函数。
[0011]根据本申请的一种具体实现方式，所述对抗裂缝图像样本的尺寸为128
×
128。
[0012]根据本申请的一种具体实现方式，步骤2所述的，获取多张真实裂缝图像样本对所述深度卷积对抗网络进行训练，得到与每张所述真实裂缝图像样本分布相近的对抗裂缝图像样本，包括：步骤2.1、初始化所述生成器和所述判别器的参数；步骤2.2、随机生成n个大小为100维的噪声，将全部所述噪声输入至所述生成器中，输出n个随机裂缝图像样本；步骤2.3、抽取n个所述真实裂缝图像样本与n个所述随机裂缝图像样本输入所述判别器中，输出图像真伪判别的概率P，并计算所述判别器的损失函数值和所述生成器的损失函数值；步骤2.4、固定所述生成器的参数，误差反向传播，采用SGD优化算法对所述判别器的参数进行更新，使得所述判别器的损失函数值符合预设标准，更新后将所述判别器的权重参数截断至区间[
‑
a，a]；步骤2.5、重复步骤2.1~2.4共k次后，固定所述判别器的参数，重复步骤3.1~3.3共j次，之后再将所得误差反向传播，采用SGD优化算法对所述生成器的参数进行更新，使得所述生成器的损失函数值符合预设标准；步骤2.6、循环重复步骤2.1~2.5，直至判别概率趋近于0.5，保存此时所述生成器的参数；步骤2.7、利用训练后的生成器生成与每张所述真实裂缝图像样本分布相近的对抗裂缝图像样本。
[0013]根据本申请的一种具体实现方式，所述判别器的损失函数值的计算公式为，所述生成器的损失函数值的计算公式
为，其中，为所述真实裂缝图像样本，为所述随机裂缝图像样本。
[0014]根据本申请的一种具体实现方式，所述改进YOLOv4神经网络包括：图像输入模块，用于对裂缝图像进行尺寸归一化；EfficientNet主干特征提取网络，用于对裂缝图像进行特征提取，输出有效特征层；特征加强模块，包括SPP模块和PANet模块，用于对主干特征网络提取的裂缝特征层进行加强，并输出加强特征层，其中，特征加强模块中的卷积层包括标准卷积和深度可分离卷积；预测模块，依据加强特征层所包含信息进行判断预测，得到预测的结果。
[0015]根据本申请中的一种具体实现方式，步骤5所述的，采用所述训练集对改进YOLOv4神经网络进行训练直至网络收敛，并将收敛后的网络参数保存为裂缝识别模型，包括：步骤5.1、在所述输入模块中对训练数据集进行预处理；步骤5.2、将处理后的数据集输入至所述改进YOLOv4网络中的主干特征提取模块进行特征提取并得到三个尺寸分别为52
×
52、26
×
26、13
×
13的有效特征层；步骤5.3、将所述有效特征层输入至所述改进YOLOv4神经网络中的特征加强模块进行特征加强并输出得到三个尺寸分别为52
×
52、26
×
26、13
×
13加强特征层；步骤5.4、将所述加强特征层输入至所述改进YOLOv4网络中的预测模块，输出得到预测结果，并计算预测误差Loss_Y；步骤5.5、误差反向传播，所述改进YOLOv4神经网络基于梯度下降法对自身结构参数进行调整；步骤5.6、循环重复上述步骤5.1~5.5，直至预测误差趋于收敛，完成网络训练，并将收敛后的网络参数保存为所述裂缝识别模型；其中，步骤5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的裂缝识别方法，其特征在于，包括：步骤1、构建深度卷积对抗网络，其中，所述深度卷积对抗网络包括生成器和判别器；步骤2、获取多张真实裂缝图像样本对所述深度卷积对抗网络进行训练，得到与每张所述真实裂缝图像样本分布相近的对抗裂缝图像样本；步骤3、将每张所述真实裂缝图像样本与其对应的对抗裂缝图像样本根据一比一比例混合，得到混合裂缝图像样本；步骤4、对全部所述混合裂缝图像样本进行标注，并将标注信息文件和混合裂缝图像样本作为训练集；步骤5、采用所述训练集对改进YOLOv4神经网络进行训练直至网络收敛，并将收敛后的网络参数保存为裂缝识别模型；步骤6、将采集到的待检测裂缝图像输入所述裂缝识别模型，输出所述待检测裂缝图像中裂缝的识别信息。2.根据权利要求1所述的方法，其特征在于,所述生成器和所述判别器的损失函数根据Wasserstein距离设计，其中，所述Wasserstein距离定义为，为所述真实裂缝图像样本分布，为所述对抗裂缝图像样本分布，x为所述真实裂缝图像样本，y为所述对抗裂缝图像样本，为联合分布下所述真实裂缝图像样本与所述对抗裂缝图像样本之间距离的期望。3.根据权利要求2所述的方法，其特征在于,所述生成器包括六个卷积核大小为4
×
4的反卷积层，其中，前五个所述反卷积层之后均设置批标准化Batch Nomalization函数和Relu激活函数，最后一个所述反卷积层之后设置Tanh激活函数。4.根据权利要求3所述的方法，其特征在于,所述判别器包括六个卷积核大小为4
×
4的卷积层，其中前五个所述卷积层之后均设置批标准化Batch Nomalization函数以及LeakyRelu激活函数，最后一个所述卷积层之后设置Sigmod激活函数。5.根据权利要求1所述的方法，其特征在于,所述对抗裂缝图像样本的尺寸为128
×
128。6.根据权利要求4所述的方法，其特征在于,步骤2所述的，获取多张真实裂缝图像样本对所述深度卷积对抗网络进行训练，得到与每张所述真实裂缝图像样本分布相近的对抗裂缝图像样本，包括：步骤2.1、初始化所述生成器和所述判别器的参数；步骤2.2、随机生成n个大小为100维的噪声，将全部所述噪声输入至所述生成器中，输出n个随机裂缝图像样本；步骤2.3、抽取n个所述真实裂缝图像样本与n个所述随机裂缝图像样本输入所述判别器中，输出图像真伪判别的概率P，并计算所述判别器的损失函数值和所述生成器的损失函数值；步骤2.4、固定所述生成器的参数，误差反向传播，采用SGD优化算法对所述判别器的参数进行更新，使得所述判别器的损失函数值符合预设标准，更新后将所述判别器的权重参
数截断至区间[
‑
a，a]；步骤2.5、重复步骤2.1~2.4共k次后，固定所述判别器的参数，重复步骤3.1~3.3共j次，之后再将所...

【专利技术属性】
技术研发人员：周中，张俊杰，李守文，胡江锋，邓卓湘，龚琛杰，鲁四平，
申请(专利权)人：中南大学，
类型：发明
国别省市：