基于深度学习算法的地下结构裂纹病害判别方法技术

本发明专利技术公开了一种基于深度学习算法的地下结构裂纹病害判别方法，包括如下步骤：基于Mask R

【技术实现步骤摘要】
基于深度学习算法的地下结构裂纹病害判别方法


[0001]本专利技术涉及裂纹判别，具体涉及一种基于深度学习算法的地下结构裂纹病害判别方法。

技术介绍

[0002]随着地下工程建设的不断推进，越来越多的地下结构将步入检测维修阶段，未来地下结构维护和管理任务将极其艰巨。在定期检查中，裂纹(即裂缝)检查处于首要位置。裂纹检查项目包括位置、长度、宽度和发展情况。传统的裂缝检测主要依靠人力完成，测量员必须贴近裂缝表面，当受到空间限制时必须依靠脚手架等工具的帮助才能完成，效率低下、人力物力成本较高、测量准确性较低，无法满足未来大规模地下结构安全检测的任务需求。

技术实现思路

[0003]专利技术目的：本专利技术的目的是提供一种基于深度学习算法的地下结构裂纹病害判别方法，解决现有裂纹检测依靠人工，效率低下，准确性低的问题。
[0004]技术方案：本专利技术所述的基于深度学习算法的地下结构裂纹病害判别方法，包括以下步骤：
[0005](1)收集地下结构裂纹图像作为数据集，对图像进行预处理，采用交叉验证法将数据集划分为训练集和验证集；
[0006](2)采用训练集的数据训练Mask R
‑
CNN模型，通过学习训练集上裂缝特征不断调整连接权参数，直到达到设置的训练次数，则停止训练，得到Mask R
‑
CNN模型及其连接权参数，通过该模型在验证集上的损失函数值来确定算法的超参数；
[0007](3)采用最终Mask R
‑
CNN模型检测待测的裂缝图像，从待测的裂缝图像随机采样出子图像，分别使用Mask R
‑
CNN模型进行检测，并采用非极大抑制的方法进行筛选是否有裂缝，并输出裂缝掩膜图像；
[0008](4)对裂缝掩膜图像进行二值化处理，利用骨架提取算法得到裂缝的骨架图像，统计骨架图像中像素值非0的像素点个数，得到裂缝的像素长度，获取裂缝骨架图像中像素非0点的坐标，将每个非0像素点看作离散点进行二次函数拟合，得到裂缝骨架的二次函数表达式，根据得到的二次函数表达式求曲线上点的法线方程，统计法线与裂缝掩膜相交部分非0像素点个数即为裂缝像素宽度，计算裂缝平均像素宽度参数值，根据裂缝平均像素宽度参数值和像素长度得到裂缝的面积；
[0009](5)根据计算得到的裂纹几何特征确定地下结构裂纹病害等级。
[0010]优选的是，所述步骤(1)中图像预处理包括放大、旋转、裁剪去除噪声保留裂缝部分，将数据按8：2划分测试集，再利用k折交叉验证法划分为训练集和验证集。
[0011]所述步骤(2)中损失函数包括RPN网络的两个损失函数，MRCNN的两个损失函数，以及MASK分支的损失函数，具体如下：
[0012]L＝L
rc
+L
rb
+L
cls
+L
box
+L
mask
，
[0013]式中L
rc
表示RPN网络的分类损失函数；L
rb
表示RPN网络边界框回归损失函数；L
cls
表示目标分类损失函数；L
box
表示预测框回归损失函数；L
mask
表示生成掩模图像损失函数。
[0014]其中RPN部分和MRCNN部分的分类损失使用交叉熵损失函数，而回归损失均采用SmoothL1函数；MASK分支的损失函数采用掩膜二进制交叉熵损失函数；
[0015]目标分类损失函数和RPN网络分类损失函数使用对数损失函数即：
[0016][0017]式中y表示验证是否属于分类的二进制参数；p表示目标属于分类的概率；
[0018]预测框回归损失函数和RPN预测框回归损失函数选择L1范数损失函数，其中范围为(
‑
1，+1)，具体如下：
[0019][0020]式中表示预测抓取框位置，P
i
表示标注抓取框位置；
[0021]掩模图损失函数采用的是MASK分支对应的二值掩模图，其中每个RoI输出的维度为k*m2，k个类别的掩模图的分辨率为m*m，L
mask
表示平均二值交叉熵损失，其计算过程如下：
[0022][0023]式中y
ij
表示大小为m*m区域内像素(i,j)的标签；表示在相同位置上第K分类掩模像素预测值。
[0024]所述步骤(3)具体为：采用大小为K
×
K的滑动窗口按照每次移动m个步长对待测图像进行从上到下、从左到右的滑动；对每个窗口内的图像进行检测，可得到Mask R
‑
CNN对窗口内图像的分类概率，当分类概率较高则认为该窗口内存在裂缝部分；对每个窗口都进行检测后，会得到不同窗口检测到裂缝的概率，最后采用非极大值抑制的方法筛选出概率分类最大的框，得到最终裂缝检测结果。
[0025]所述步骤(4)中具体为：对Mask R
‑
CNN输出的图像去除边框，提取裂缝掩膜图像；对提取的裂缝掩膜图像进行二值化处理，利用图像细化方法对裂缝骨架进行提取，得到裂缝的骨架图像；统计裂缝的骨架图像中像素值非0的像素点个数，得到裂缝的像素长度；将每个非0像素点看作离散点进行二次函数y＝a0+a1x+a2x2拟合，其中a0，a1，a2为二次函数系数；根据得到的二次函数表达式求曲线上点的法线方程，统计法线与裂缝掩膜相交部分非0像素点个数即为裂缝像素宽度，计算得到裂缝平均像素宽度参数值，根据裂缝平均像素宽度参数值和像素长度得到裂缝的面积。
[0026]所述步骤(5)中根据裂纹类型、单位面积裂纹数量、最大裂纹宽度、最大裂纹长度来评定裂纹病害等级，具体如下：
[0027]若满足有2条以上危险裂纹、每平米面积裂纹数大于等于10、最大裂纹宽度大于等于3.2mm、最长裂纹长度10m以上中的任意一个条件，判定裂纹病害等级为1级；
[0028]若满足仅有一条危险裂纹、每平米面积裂纹数6～9、最大裂纹宽度0.8～3.2mm、最长裂纹长度5～10m中任意两个条件及以上，判定裂纹病害等级为2级；
[0029]若满足裂纹类型全为普通裂纹、每平米面积裂纹数3～5、最大裂纹宽度0.5～0.8mm、最长裂纹长度1～5m中任意3个条件及以上，判定裂纹病害等级为3级；
[0030]若满足裂纹类型全为普通裂纹、每平米面积裂纹数小于等于2、最大裂纹宽度小于等于0.5mm、最长裂纹长度0～1m中任意3个条件及以上，判定裂纹病害等级为4级。
[0031]有益效果：采用基于深度学习智能算法的图像识别技术可以有效的实现地下结构的裂纹病害检测智能化，具有远距离、无接触、快速便捷、准确度高的优点，结合裂纹病害与结构安全的相关性分析，可以实现对地下结构健康状态的判别，本专利技术可应用于各类混凝土结构的裂纹智能检测与地下结构裂纹病害智能诊断，为地下结构外观检测智能化提供了理论基础，也可有效避免大规模地下结构人工巡检可能带来的误本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的地下结构裂纹病害判别方法，其特征在于，包括以下步骤：(1)收集地下结构裂纹图像作为数据集，对图像进行预处理，采用交叉验证法将数据集划分为训练集和验证集；(2)采用训练集的数据训练Mask R
‑
CNN模型，通过学习训练集上裂缝特征不断调整连接权参数，直到达到设置的训练次数，则停止训练，得到Mask R
‑
CNN模型及其连接权参数，通过该模型在验证集上的损失函数值来确定算法的超参数；(3)采用最终Mask R
‑
CNN模型检测待测的裂缝图像，从待测的裂缝图像随机采样出子图像，分别使用Mask R
‑
CNN模型进行检测，并采用非极大抑制的方法进行筛选是否有裂缝，并输出裂缝掩膜图像；(4)对裂缝掩膜图像进行二值化处理，利用骨架提取算法得到裂缝的骨架图像，统计骨架图像中像素值非0的像素点个数，得到裂缝的像素长度，获取裂缝骨架图像中像素非0点的坐标，将每个非0像素点看作离散点进行二次函数拟合，得到裂缝骨架的二次函数表达式，根据得到的二次函数表达式求曲线上点的法线方程，统计法线与裂缝掩膜相交部分非0像素点个数即为裂缝像素宽度，计算裂缝平均像素宽度参数值，根据裂缝平均像素宽度参数值和像素长度得到裂缝的面积；(5)根据计算得到的裂纹几何特征确定地下结构裂纹病害等级。2.根据权利要求1所述的基于深度学习算法的地下结构裂纹病害判别方法，其特征在于，所述步骤(1)中图像预处理包括放大、旋转、裁剪去除噪声保留裂缝部分，将数据按8：2划分测试集，再利用k折交叉验证法划分为训练集和验证集。3.根据权利要求1所述的基于深度学习算法的地下结构裂纹病害判别方法，其特征在于，所述步骤(2)中损失函数包括RPN网络的两个损失函数，MRCNN的两个损失函数，以及MASK分支的损失函数，具体如下：L＝L
rc
+L
rb
+L
cls
+L
box
+L
mask
，式中L
rc
表示RPN网络的分类损失函数；L
rb
表示RPN网络边界框回归损失函数；L
cls
表示目标分类损失函数；L
box
表示预测框回归损失函数；L
mask
表示生成掩模图像损失函数。其中RPN部分和MRCNN部分的分类损失使用交叉熵损失函数，而回归损失均采用SmoothL1函数；MASK分支的损失函数采用掩膜二进制交叉熵损失函数；目标分类损失函数和RPN网络分类损失函数使用对数损失函数即：式中y表示验证是否属于分类的二进制参数；p表示目标属于分类的概率；预测框回归损失函数和RPN预测框回归损失...

【专利技术属性】
技术研发人员：朱磊，李东彪，沈才华，刘向阳，闫星志，
申请(专利权)人：河海大学中交南京交通工程管理有限公司，
类型：发明
国别省市：