一种基于8K图像的裂缝检测方法技术

本发明专利技术公开了一种基于8K图像的裂缝检测方法，属于裂缝检测技术领域。所述裂缝检测方法包括：构建裂缝检测模型；对所述裂缝检测模型进行训练；将待检测图像输入所述裂缝检测模型进行检测，得到裂缝检测结果；其中，所述裂缝检测模型包括：双边滤波模块，用于对所述待检测图像进行降噪滤波；编码路径，用于对降噪滤波后的所述待检测图像进行特征提取，生成特征图；注意力模块，用于对编码路径输出的所述特征图进行特征权重调整；解码路径，用于对所述注意力模块输出的特征图执行卷积和上采样运算，得到裂缝预测图像。本发明专利技术减少了模型的参数量和神经网络的复杂度。数量和神经网络的复杂度。数量和神经网络的复杂度。

【技术实现步骤摘要】
一种基于8K图像的裂缝检测方法


[0001]本专利技术属于裂缝检测
，特别是涉及一种基于8K图像的裂缝检测方法。

技术介绍

[0002]在传统的路面裂缝检测方法中，通常需要耗费大量人力和时间，相较之下，现今已经出现了多种自动化路面裂缝数据采集和检测方法。采用现代道路智能检测方法不仅更高效，而且获取的数据更为丰富和准确，同时成本也更为低廉。在数据采集方面，除了道路智能检测车，还包括无人机等。而在路面裂缝检测方法方面，数字图像处理、超声波检测和射线扫描等方法均得到应用。虽然基于传统图像处理方法的自动化道路裂缝检测系统相对于人工检测精度更高成本更低，但是这种方法在处理裂缝图像时面临一些问题。裂缝图像往往具有强烈的噪声，同时前景和背景边界有时不清晰，这可能导致提取出的裂缝被中断，且系统容易将非裂缝区域错误分类为裂缝。为应对这些挑战，基于深度学习的道路裂缝检测已成为学术界和工业界的主流研究方法。深度学习具有出色的抗噪能力和自动特征提取能力，能够在复杂图像中识别特定信息和特征，可以为道路裂缝检测带来更精确的结果。然而，在应对灰度不均匀、图像质量不稳定等问题时，仍需要进一步的研究和创新。
[0003]为了解决传统裂缝检测方法的限制，研究者们正在采用一些前沿技术进行改进。改进方法包括对网络结构的优化，例如改进的Mask R
‑
CNN和改进的Transformer模块。另外，研究人员还尝试将不同的方法融合起来，例如将CNN与支持向量机（SVM，Support Vector Machine）相结合，或将VGG16与Faster R
‑
CNN相结合。但这些方法在处理8K图像时也会遇到特征丢失，检测速率变慢等挑战，比如，由于图像分辨率过高，导致更多噪声干扰目标区域，使目标纹理不清晰，增加网络训练的难度，并需要更深层次的网络才可以学习到目标裂缝特征，这会带来更多的参数量和计算量，消耗更多资源。此外，直接处理原始的8K图像也会影响网络推理速度和系统开销。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于8K图像的裂缝检测方法。
[0005]本专利技术的目的是通过以下技术方案来实现的：一种基于8K图像的裂缝检测方法，包括：构建裂缝检测模型；对所述裂缝检测模型进行训练；将待检测图像输入所述裂缝检测模型进行检测，得到裂缝检测结果；其中，所述裂缝检测模型包括：双边滤波模块，用于对所述待检测图像进行降噪滤波；编码路径，用于对降噪滤波后的所述待检测图像进行特征提取，生成特征图；注意力模块，用于对编码路径输出的所述特征图进行特征权重调整；解码路径，用于对所述注意力模块输出的特征图执行卷积和上采样运算，得到裂
缝预测图像。
[0006]进一步地，对所述裂缝检测模型进行训练，包括：获取若干张包含道路裂缝的原始8K图像；对所述原始8K图像进行标注，生成真实标签数据集；基于所述真实标签数据集对所述裂缝检测模型进行训练。
[0007]进一步地，获取若干张包含道路裂缝的原始8K图像，包括：获取多种材质路面的视频影像；按第一预设值的交叠比将所述视频影像的所有帧保存为原始8K图像；从所有原始8K图像中筛选出包含道路裂缝的原始8K图像。
[0008]进一步地，所述第一预设值为5%
‑
10%。
[0009]进一步地，对所述原始8K图像进行标注，生成真实标签数据集，包括：对所述原始8K图像进行标注；将标注后的原始8K图像由JSON格式转换为VOC格式，生成真实标签数据集。
[0010]进一步地，对所述原始8K图像进行标注，包括：为所述原始8K图像标注目标名称、类别和大小。
[0011]进一步地，将待检测图像输入所述裂缝检测模型进行检测，得到裂缝检测结果，包括：将待检测图像分块处理为多张样本图像；将所述多张样本图像同时输入所述裂缝检测模型进行裂缝检测；将所述多张样本图像的裂缝检测结果进行融合生成所述待检测图像的裂缝检测结果。
[0012]本专利技术的有益效果是：（1）本专利技术采用改进的双边滤波算法对原始的8K图像有效地消除背景噪声，保留目标裂缝边缘信息，增强细节，使目标区域更加突出，采用轻量级CNN网络就可以准确的提取裂缝的关键特征，这样可以有效减少模型的参数量和神经网络的复杂度；（2）本专利技术采用分块处理和融合方法，可以减少冗余的网络计算，提高内存效率，解决了传统推理过程导致的大量重复计算和资源浪费；将多个样本一起进行前向计算，从而共享相同的计算步骤，再将子区域的处理结果进行融合，在计算上节省了时间和资源；（3）本专利技术通过将计算资源从CPU转移到GPU进行处理，可以加速深度学习模型的训练和推理过程，进一步提高裂缝检测的效率和性能。
附图说明
[0013]图1为本专利技术中裂缝检测方法的一种流程图；图2为双边滤波时的一种示意图；图3为分别采用高斯滤波和双边滤波对第一张原始图像进行处理后的效果图；图4为分别采用高斯滤波和双边滤波对第二张原始图像进行处理后的效果图；图5为分别采用高斯滤波和双边滤波对第三张原始图像进行处理后的效果图；图6为网络训练过程中的一种示意图。
具体实施方式
[0014]下面将结合实施例，对本专利技术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，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0015]参阅图1至图6，本专利技术提供一种基于8K图像的裂缝检测方法：如图1所示，裂缝检测方法包括步骤S100至步骤S300。
[0016]步骤S100.构建裂缝检测模型。
[0017]所述裂缝检测模型包括双边滤波模块、编码路径、注意力模块和解码路径。
[0018]双边滤波模块用于对所述待检测图像进行降噪滤波。
[0019]以图2所示图像为例对双边滤波降噪的过程进行说明，将该图像看做是10*10的一张图像，图中的数字表示每个点的像素值；在图中存在一个5*5大小的滑动窗口，需要求出中心点灰度值146的新像素值。
[0020]首先遍历整个窗口，第一个遍历到的点是165，那么中心点与该点的空间域计算结果为：式中，表示中心点与遍历到的点的空间域，为空间域标准差，e为自然常数。
[0021]然后第二，计算中心点与该点的值域结果：式中，表示中心点与遍历到的点的值域，为值域标准差，e为自然常数。
[0022]最后遍历整个窗口，将窗口内每个像素点都与中心点建立联系，求出它们的空间域和值域的值，将空间域和值域的值相乘即得到每个点的权重Wp。遍历结束后，用每个点的权重Wp乘以该点的像素值I，并求和作为分子；将每个点的权重Wp相加作为分母，两者相除，即得到需要的新输出图像中心点的像素值。
[0023]空间域sigma（space）越大，图像越平滑；空间域越小，中心点权重越大，周围点权重越小，对图像的滤波作用越小，趋于零时，输出等同于原图。值域sigma（c本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于8K图像的裂缝检测方法，其特征在于，包括：构建裂缝检测模型；对所述裂缝检测模型进行训练；将待检测图像输入所述裂缝检测模型进行检测，得到裂缝检测结果；其中，所述裂缝检测模型包括：双边滤波模块，用于对所述待检测图像进行降噪滤波；编码路径，用于对降噪滤波后的所述待检测图像进行特征提取，生成特征图；注意力模块，用于对编码路径输出的所述特征图进行特征权重调整；解码路径，用于对所述注意力模块输出的特征图执行卷积和上采样运算，得到裂缝预测图像。2.根据权利要求1所述的一种基于8K图像的裂缝检测方法，其特征在于，对所述裂缝检测模型进行训练，包括：获取若干张包含道路裂缝的原始8K图像；对所述原始8K图像进行标注，生成真实标签数据集；基于所述真实标签数据集对所述裂缝检测模型进行训练。3.根据权利要求2所述的一种基于8K图像的裂缝检测方法，其特征在于，获取若干张包含道路裂缝的原始8K图像，包括：获取多种材质路面的视频影像；按第一预设值的交叠比将所述视频影像的所有帧保存为原...

【专利技术属性】
技术研发人员：刘征，宋小民，王曼，邓义斌，李子清，郑慧明，
申请(专利权)人：四川新视创伟超高清科技有限公司，
类型：发明
国别省市：