一种基于改进MaskR-CNN模型的混凝土表面裂缝智能检测方法技术

一种基于改进Mask R

【技术实现步骤摘要】
一种基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法


[0001]本专利技术属于深度学习中的计算机视觉领域，涉及一种基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法。

技术介绍

[0002]混凝土作为一种建筑材料被广泛应用于桥隧、公路、房建、铁路等基础设施中。由于温度效应、外界荷载、基础的不均匀沉降、混凝土收缩等条件影响下，混凝土结构在后期使用中不可避免的会出现裂缝。裂缝不仅影响混凝土结构的美观，也反映出结构的受力状态和耐久性，给结构带来潜在的安全隐患。因此，如何准确、高效地检测出混凝土结构表面存在的裂缝并及时修复，对维护混凝土结构的健康安全具有十分重要的意义。
[0003]目前，混凝土表面裂缝的检测方法主要由人工肉眼检测和数字图像处理法。人工肉眼检测法需工作人员进行现场勘查、手动测量并记录裂缝的检测结果。然而，人工巡检存在检测效率低，易受工作人员主观因数的影响，导致检测精度不高，耗时长，效率低等问题。数字图像处理法较好的解决了人工肉眼检测中出现的弊端，但该方法对图像的质量要求较高，受光照、阴影、遮挡等外界影响较大，鲁棒性低，泛化能力弱。
[0004]随着计算机视觉的快速发展，深度学习方法开始逐渐取代传统的图像处理技术。该方法受光照强度、噪声等因素影响小，无需对采集到的图像进行预处理操作，而是通过大量的数据对深度学习模型进行训练，学习裂缝的相关特征，从而实现裂缝的检测和提取。基于深度学习的裂缝检测方法具有成本低、准确率高，速度快等优点，对图像的识别和检测具有较好的鲁棒性。
[0005]近些年，采用深度学习的裂缝检测方法已取得了不错的成果，Mask R
‑
CNN算法结合了目标检测和语义分割两大功能，不仅能定位裂缝在图像中的位置并对裂缝进行分割，还能对同种裂缝下的不同个体间进行区分。但该算法模型对裂缝进行检测时会出现检测精度低，掩码的分割质量不高，定位不准确，当图像像素不高或裂缝与背景像素相近时，易将一条裂缝误识别为多条裂缝等技术问题。

技术实现思路

[0006]基于此，提出了一种基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法，该方法能解决现有算法对混凝土表面裂缝检测中存在的检测精度低，掩码的分割质量不高，定位不准确，一条裂缝误识别为多条裂缝的问题。
[0007]本专利技术提供一种基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法，包括以下步骤：（1）通过采集实际的混凝土图像来获取裂缝数据集，数据集包含混凝土路面、轨道板、建筑、桥梁结构表面出现的裂缝数据；（2）对获取的裂缝数据进行数据增强操作；
（3）对所有的裂缝数据进行逐像素标注并打上标签；（4）将标注好的数据集分为训练集和测试集；（5）构建网络模型，所述网络模型由特征提取网络、区域候选网络、分类回归网络和掩码网络构成；（6）将划分好的数据集输入到构建好的模型中进行训练，选择优化器类型，设置学习率、批处理的个数、数据集训练轮数、动量设置、权重衰减系数等超参数的大小；（7）将测试数据集输入到训练好的网络模型中，得出模型检测的准确率、裂缝图像的检测以及分割结果。
[0008]进一步的，所述步骤（2）中，对获取的裂缝数据进行数据增强操作，包括90度旋转、180度旋转、270度旋转、镜像对称、椒盐噪声、高斯噪声、模糊、亮度增强和亮度减弱。
[0009]进一步的，所述步骤（4）中，将标注好的数据集按9:1的比例分为训练集和测试集。
[0010]进一步的，所述步骤（7）中，所述裂缝图像的检测结果包括在原始裂缝图像中使用矩形框，框出属于裂缝的部分以及该框出部分为裂缝的概率大小。
[0011]进一步的，所述步骤（7）中，所述裂缝图像的分割结果包括在裂缝处生成带有色彩的掩膜，通过掩膜质量来体现分割效果，进一步得到裂缝的走势以及几何特征。
[0012]与现有技术相比，本专利技术的优势如下：本专利技术的基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法，在Mask R
‑
CNN模型的基础上，对模型结构进行改进，解决了原始Mask R
‑
CNN模型进行混凝土裂缝检测时，出现的检测精度低，掩码的分割质量不高，定位不准确，当图像像素不高或裂缝与背景像素相近时，易将一条裂缝误识别为多条裂缝等问题。首先，采用级联多阈值检测器，来不断提升检测框的质量和模型定位的准确性，解决了原始模型中出现定位不准确、一条裂缝误识别为多条裂缝的问题。其次，为进一步提高模型的检测精度，将原模型的特征提取网络部分采用ConvNext网络，提高了模型对裂缝特征的提取能力，提升裂缝的检测精度。最后，引入新的评分策略，在模型Mask Head的基础上增加一个衡量Mask质量的掩膜分支，从而得出准确的Mask质量分数。本专利技术能够较好的完成混凝土裂缝的检测、分类和分割任务。
附图说明
[0013]图1为本专利技术的基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法的流程图；图2是本专利技术的数据增强结果图；图3是本专利技术的数据集标注示意图；图4是本专利技术的改进后Mask R
‑
CNN模型的结构示意图；图5是本专利技术的特征提取网络部分中ConvNext模块结构示意图；图6是本专利技术的连接多阈值检测器结构示意图；图7是本专利技术的掩膜部分引入新的评分策略示意图；图8是本专利技术的改进Mask R
‑
CNN模型应用于实际裂缝图像相较于原始图像和原始Mask R
‑
CNN模型的检测结果对比图。
具体实施方式
[0014]下面将结合本专利技术实例中的附图，对本专利技术实例中的技术方案进行清楚，完整的描述，所描述的实例仅仅是本专利技术一方面实施例，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做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。
[0015]本专利技术提供一种基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法，包括以下步骤：（1）通过采集实际的混凝土图像来获取裂缝数据集，为提高鲁棒性和泛化能力，该数据集包含混凝土路面、轨道板、建筑、桥梁等多种结构表面出现的裂缝情况。具体的，通过手机拍摄混凝土表面的裂缝照片，照片以线性裂缝为主，包含桥梁、轨道板、公路、建筑等多种情况，共同构成裂缝数据集；（2）为了提高网络的泛化能力，避免模型出现过拟合，对获取的裂缝数据进行数据增强操作，包括90度旋转、180度旋转、270度旋转、镜像对称、椒盐噪声、高斯噪声、模糊、亮度增强和亮度减弱，从而使得模型可正常训练，学习裂缝的相关特征，避免了过拟合现象的发生，提高网络模型的鲁棒性和泛化能力；（3）对所有的裂缝数据进行逐像素标注并打上标签。具体的，混凝土裂缝图片输入网络模型之前，需要对图像进行前景与背景的区别，从而使得模型能学习到属于裂缝部分的特征，识别出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法，其特征在于，包括以下步骤：（1）通过采集实际的混凝土图像来获取裂缝数据集，数据集包含混凝土路面、轨道板、建筑、桥梁结构表面出现的裂缝数据；（2）对获取的裂缝数据进行数据增强操作；（3）对所有的裂缝数据进行逐像素标注并打上标签；（4）将标注好的数据集分为训练集和测试集；（5）构建网络模型，所述网络模型由特征提取网络、区域候选网络、分类回归网络和掩码网络构成；（6）将划分好的数据集输入到构建好的模型中进行训练，选择优化器类型，设置学习率、批处理的个数、数据集的训练轮数、动量设置、权重衰减系数等超参数的大小；（7）将测试数据集输入到训练好的网络模型中，得出模型检测的准确率、裂缝图像的检测以及分割结果。2.根据权利要求1所述的基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法，其特征在于，所述步骤（2）中，对获取的裂缝数据进行数据增强操作，包括90度旋转、180度旋转、270度旋转、镜像对称、椒盐噪声、高斯噪声、模糊、亮度增强和亮度减弱。3.根据权利要求1所述的基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法，其特征在于，所述步骤（4）中，将标注好的数据集按9:1的比例分为训练集和测试集。4.根据权利要求1所述的基于改进Mask R
‑
CNN模型的混凝土表面裂缝智能检测方法，其特征在于所述步骤（5）中， 网络结构在原始Mask R
‑
CNN网络结构的基础上串联多个阈值检测器。前两个检测器由分类网络和回归网络构成，第三个检测器由分类网络、回归网络和掩码网络构成。在模型第三个阈值检测器的掩码网络基础上，增加一个衡量mask质量的掩膜分支（MaskIou）。模型的特征提取网络部分采用ConvNext网络，其卷积核采用7X7大小，激活函数为GELU，特征提取网络模块的通道数由2...

【专利技术属性】
技术研发人员：陈华鹏，毛逸雯，朱德伟，叶玲，胡伟成，肖林发，聂彪，黄晓辉，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：