一种基于EPTCNN算法的水下建筑物裂缝检测方法技术

本发明专利技术公开了一种基于EPTCNN算法的水下建筑物裂缝检测方法，包括：S1、对获取的图像数据进行去噪，提高图像数据的精度；S2、使用labelimg工具对裂缝进行标注，用于后续训练和学习；S3、将训练数据集输入至EPTCNN网络中进行训练，得到裂缝检测网络模型；S4、将测试数据集输入至网络模型中，得到裂缝检测结果，并对网络模型的检测性能进行评估。本发明专利技术提出的EPTCNN算法利用图像特征提取裂缝层次特征，通过特征金字塔将背景信息融合到下层，使用集成学习用于多个分类器一起进行深度监督学习，普适性与鲁棒性更佳，能够适应大多数的裂缝数据，生存能力更好，有利于解决常规CNN模型检测率低、效率低的问题。效率低的问题。效率低的问题。

【技术实现步骤摘要】
一种基于EPTCNN算法的水下建筑物裂缝检测方法


[0001]本专利技术属于机器学习及视觉识别
，特别是涉及一种基于EPTCNN算法的水下建筑物裂缝检测方法。

技术介绍

[0002]计算机技术和数字摄影技术的发展为裂缝数据的获取提供了更多可以参考的方法，图像处理和机器学习技术也开始进入研究人员的视野，因为其具有适用范围广，可视化程度高，灵活性高和处理精度高等特点，该技术被广泛用于混凝土裂缝检测和安全性评价等多个领域。
[0003]基于CNN的方法也已用于缺陷分类和检测。其他检测和分类任务中的几个成功网络架构已被用于缺陷的检测和分类。FanJing提出了一种改进的网络，用于缺陷特征点的检测，相比于原始的网络，改进后的网络的提取精度提升了很多。ShiYizhu根据前人的缺陷定位算法，实现了一个能够进行高效计算的CNN框架，该框架使用均值方法减少了特征维度，并对原始网络进行了压缩，很大程度上减少了网络运行的成本。MaJiang提出了一种基于较小裂缝样本量的混合方法，该方法使用CNN和压缩感知进行图像分类。检测实验得到的结果显示，该方法提取特征的准确率达到了较高水平。WuHeng提出了一种自动复合插值特征金字塔网络，该网络带有能够用于缺陷检测的可变形卷积滤波器，该方法使用级联引导网络对检测到的缺陷区域进行排序，将该方法在缺陷数据集上进行了测试，实验结果显示其准确率得到了提升。相对于现有的检测方法，EPTCNN算法的普适性与鲁棒性更佳，能够适应大多数的裂缝数据，生存能力更好，有利于解决常规CNN模型检测率低、效率低的问题。

技术实现思路

[0004]本专利技术提供了一种基于EPTCNN算法的水下建筑物裂缝检测方法，解决了以上问题。
[0005]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0006]本专利技术的一种基于EPTCNN算法的水下建筑物裂缝检测方法，包括如下步骤：
[0007]S1、对获取的图像数据进行去噪，提高图像数据的精度；
[0008]S2、使用labelimg工具对裂缝进行标注，用于后续训练和学习；
[0009]S3、将训练数据集输入至EPTCNN网络中进行训练，得到裂缝检测网络模型；
[0010]S4、将测试数据集输入至网络模型中，得到裂缝检测结果，并对网络模型的检测性能进行评估。
[0011]进一步地，所述S1步骤中对图像数据进行去噪的方法具体为：通过泊松分布和最大后验估计方法将噪声图像表示为无噪图像；然后通过条件随机场方法将无噪图像划分为外部相互作用势函数和内部相互作用势函数；最后，推导外部相互作用势函数和内部相互作用势函数的表达关系式，得到去噪后的数据集。
[0012]进一步地，所述S3步骤中改进的EPTCNN网络具体方法是：EPTCNN模型以VGG16网络
架构为基础，共分为5组卷积，每组卷积使用3x3的卷积核，卷积后都使用2x2的max池化，最后接三个全连接；基于原始的卷积神经网络模型进行改进，EPTCNN网络由三个主要部分构成：图像特征提取、特征金字塔以及集成学习，具体功能为：图像特征提取用于裂缝层次特征提取；特征金字塔用于将背景信息融合至下层；集成学习用于将多个分类器一起进行深度监督学习。
[0013]进一步地，所述S4步骤中裂缝检测结果的具体评估方法为：常用的评估方法有检测率、召回率、F值；检测率D可以表示为：
[0014][0015]式中，TP表示把裂缝正确地分类为裂缝，FP表示把非裂缝错误地分类为裂缝；
[0016]模型的召回率表示检测到裂缝轮廓边界的像素占所有实际裂缝轮廓边界像素的概率，即裂缝样本中有多少被预测正确的裂缝，召回率采用R表示：
[0017][0018]式中，FN表示把裂缝错误地分类为非裂缝；
[0019]F值为检测率和召回率的调和平均数，能够综合利用两者对裂缝进行正确预测的结果对模型进行评估，表示为：
[0020][0021]式中，δ是权重，R是检测率，D是检测率。
[0022]本专利技术相对于现有技术包括有以下有益效果：
[0023]本专利技术提出的EPTCNN算法利用图像特征提取裂缝层次特征，通过特征金字塔将背景信息融合到下层，使用集成学习用于多个分类器一起进行深度监督学习；通过实验结果表明，本技术方案所提出的检测方法普适性与鲁棒性更佳，能够适应大多数的裂缝数据，生存能力更好，有利于解决常规CNN模型检测率低、效率低的问题。
[0024]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0025]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1为本专利技术一种基于EPTCNN算法的水下建筑物裂缝检测方法的原理步骤图；
[0027]图2为本专利技术具体实施例中得到去噪后数据集的水下建筑物裂缝实物照片；
[0028]图3为将得到去噪后数据集的水下建筑物裂缝实物照片进行批注后的训练集和测试集照片；
[0029]图4为最终得到的裂缝检测结果的照片；
[0030]图5为得到网络评估结果的曲线图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0032]请参阅图1
‑
5所示，本专利技术的一种基于EPTCNN算法的水下建筑物裂缝检测方法，包括如下步骤：
[0033]S1、图像数据去噪：对获取的图像数据进行去噪，提高图像数据的精度；对图像数据进行去噪的方法具体为：通过泊松分布和最大后验估计方法将噪声图像表示为无噪图像；然后通过条件随机场方法将无噪图像划分为外部相互作用势函数和内部相互作用势函数；最后，推导外部相互作用势函数和内部相互作用势函数的表达关系式，得到去噪后的数据集，如图2所示；
[0034]S2、对步骤S1所得到的去噪数据进行标注，通过使用labelimg工具对裂缝进行标注，得到标注后的训练集和测试集，用于后续训练和学习，如图3所示；
[0035]其中，选择1/3作为测试集，2/3作为训练集。
[0036]S3、将训练数据集输入至EPTCNN网络中进行训练，得到裂缝检测网络模型；改进的EPTCNN网络具体方法是：EPTCNN模型以VGG16网络架构为基础，共分为5组卷积，每组卷积使用3x3的卷积核，卷积后都使用2x2的max池化，最后接三个全连接；基于原始的卷积神经网络模型进行改进，EPTCNN网络由三个主要部分构成：图像特征提取、特征金字塔以及集成学习，具体功本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EPTCNN算法的水下建筑物裂缝检测方法，其特征在于，包括如下步骤：S1、对获取的图像数据进行去噪，提高图像数据的精度；S2、使用labelimg工具对裂缝进行标注，用于后续训练和学习；S3、将训练数据集输入至EPTCNN网络中进行训练，得到裂缝检测网络模型；S4、将测试数据集输入至网络模型中，得到裂缝检测结果，并对网络模型的检测性能进行评估。2.根据权利要求1所述的一种基于EPTCNN算法的水下建筑物裂缝检测方法，其特征在于，所述S1步骤中对图像数据进行去噪的方法具体为：通过泊松分布和最大后验估计方法将噪声图像表示为无噪图像；然后通过条件随机场方法将无噪图像划分为外部相互作用势函数和内部相互作用势函数；最后，推导外部相互作用势函数和内部相互作用势函数的表达关系式，得到去噪后的数据集。3.根据权利要求1所述的一种基于EPTCNN算法的水下建筑物裂缝检测方法，其特征在于，所述S3步骤中改进的EPTCNN网络具体方法是：EPTCNN模型以VGG16网络架构为基础，共分为5组卷积...

【专利技术属性】
技术研发人员：李振波，刘巍，葛海彬，黄杰，吕泰良，金京善，陈汇龙，季昊巍，罗先启，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：