一种用于无缺陷样本条件下的混凝土表面缺陷检测方法技术

本发明专利技术涉及一种用于无缺陷样本条件下的混凝土表面缺陷检测方法，包括以下步骤：构建基于

【技术实现步骤摘要】
一种用于无缺陷样本条件下的混凝土表面缺陷检测方法


[0001]本专利技术涉及缺陷检测
，尤其是涉及一种用于无缺陷样本条件下的混凝土表面缺陷检测方法
。

技术介绍

[0002]混凝土结构表面存在裂缝
、
风化
、
剥落
、
露筋等多种病害，影响其使用寿命和安全
。
因此，缺陷检测是混凝土结构后期管养中的一项重要任务
。
然而，传统的缺陷检测方法严重依赖人工，不但检测效率低下，而且容易受检测人员主观经验的影响，从而出现错检
、
漏检的情况
。
传统的缺陷检测方法越来越难以满足当前混凝土结构监测的需求
。
而随着计算机视觉技术与深度学习技术的快速发展，智能化的目标检测技术已经应用于诸多领域，为混凝土表面缺陷检测方法提供了新的思路
。
但深度学习模型通常需要大量的缺陷样本进行训练，而采集并标注混凝土缺陷比较困难，尤其是服役时间较短的混凝土结构
。
因此，基于计算机视觉技术与深度学习技术，提出在缺少缺陷样本条件的高效且准确的混凝土表面缺陷检测方法成为当前混凝土结果表观缺陷检测领域的迫切需求
。
[0003]基于视觉的混凝土表面缺陷检测方法研究多采用有监督的卷积神经网络，利用在缺陷样本上训练的模型识别或分割图像中的缺陷
。CN116109616A
公开了一种基于
YOLOv5
的路面裂缝检测及小面元拟合检测方法，利用改进的
YOLOv5
网络模型检测路面混凝土裂缝并利用
VIT
模型拟合裂缝以自动化识别裂缝并计算裂缝面积的算法
。CN116246063A
公开了一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法，利用改进
U
‑
Net
网络检测隧道混凝土裂缝的算法，为采集训练样本，该专利采用无人机进行裂缝样本采集，并用
GAN
模型对训练集进行扩充
。
这些研究表明基于视觉的混凝土表面缺陷检测方法具有效率高
、
精度高的优点，但是已有的相关研究大多依赖于训练集，必须采集大量的缺陷图片以供模型的训练，在缺少混凝土缺陷的图片样本时会导致模型过拟合，其准确率和泛化能力大幅降低，目前缺乏针对混凝土表面缺陷检测的无监督方法
。

技术实现思路

[0004]本专利技术的目的是为了提供一种用于无缺陷样本条件下的混凝土表面缺陷检测方法，利用无缺陷样本数据集对模型进行训练，并通过重建误差进行缺陷检测，解决了现有技术依赖于大量有缺陷样本以避免模型过拟合的问题，且保证较高的检测精度
。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种用于无缺陷样本条件下的混凝土表面缺陷检测方法，包括以下步骤：
[0007]步骤
1)
构建基于
VQ
‑
VAE
‑2网络的图像重建模型，并利用正常混凝土表面数据集进行训练，实现正常的混凝土表面图像的重建；
[0008]步骤
2)
将待检测的图像进行几何变换后输入图像重建模型，计算几何变换后的待检测图像与输出图像的图块级重建误差特征图；
[0009]步骤
3)
根据图块级重建误差特征图计算图像的重建误差指标以判断是否为混凝
土缺陷图像，并对判断为混凝土缺陷的图像形成缺陷的热力图表示，实现缺陷定位
。
[0010]所述正常混凝土表面数据集通过以下方式获取：使用摄像设备对无表观缺陷的混凝土结构表面进行拍摄，并对采集到的图像进行预处理，划分为多个预设大小的正方形图像，形成正常混凝土表面数据集
。
[0011]所述图像重建模型在训练过程中，输入图像经下层第一编码器和上层第二编码器进行连续编码，上层对第二编码器的输出通过矢量量化
(Vector Quantize
，简称
VQ)
得到上层潜变量，上层潜变量通过第一解码器解码后，与下层第一编码器的输出结合并通过矢量量化得到下层潜变量，对上层潜变量进行上采样后与下层潜变量共同输入第二解码器，得到重建图像
。
[0012]所述第一编码器依次由1个卷积层
、2
个残差块和1个卷积层组成，第二编码器依次由2个残差块和1个卷积层组成，第一解码器依次由2个残差块
、1
个卷积层和1个反卷积层组成，第二解码器依次由2个残差块
、1
个卷积层和2个不同尺寸的反卷积层组成
。
[0013]所述图像重建模型的损失函数为：
[0014][0015]式中：
E1(x)、E2(x)
分别表示上
、
下层编码器的输出，
e1、e2是矢量量化后的上
、
下层潜变量，
β
是超参数，
sg
为停止计算梯度运算符号，的具体计算公式如下：
[0016][0017]式中：是第
t
次迭代中被量化成
e
i
的编码器输出值的数量，是的指数滑动平均值，动平均值，是第
t
次迭代中被化成
e
i
的编码器输出值的指数滑动平均值，
γ
是权重参数；
[0018]L
r
为
MSE
函数
、SSIM
函数和
GMSD
函数的混合函数：
[0019][0020]其中，
MSE
函数
、SSIM
函数和
GMSD
函数均是表征原始图像和重建图像相似度的评价指标，
x
为原始图像，为重建图像
。
[0021]所述
MSE
函数用于评估重建图片与原始图片之间像素级别上的平均差异程度，其值越低则两张图片相似程度越高，
MSE
函数计算公式如下：
[0022][0023]其中，
m、n
分别是图像的像素行数和列数，
mn
表示图像像素总数，
G(i,j)
为图像
G
第
i
行第
j
列的像素值，
K(i,j)
为图像
K
第
i
行第
j
列的像素值
。
[0024]所述
SSIM
函数对比图片的三种视觉特性：亮度
、
对比度和结构，其中，亮度采用平均灰度评估，对比度采用标准差评估，结构采用标准化后的图像评估，即
SSIM
函数是亮度对比函数
I(x,y)、
对比度对比函数
c(x,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于无缺陷样本条件下的混凝土表面缺陷检测方法，其特征在于，包括以下步骤：步骤
1)
构建基于
VQ
‑
VAE
‑2网络的图像重建模型，并利用正常混凝土表面数据集进行训练，实现正常的混凝土表面图像的重建；步骤
2)
将待检测的图像进行几何变换后输入图像重建模型，计算几何变换后的待检测图像与输出图像的图块级重建误差特征图；步骤
3)
根据图块级重建误差特征图计算图像的重建误差指标以判断是否为混凝土缺陷图像，并对判断为混凝土缺陷的图像形成缺陷的热力图表示，实现缺陷定位
。2.
根据权利要求1所述的一种用于无缺陷样本条件下的混凝土表面缺陷检测方法，其特征在于，所述正常混凝土表面数据集通过以下方式获取：使用摄像设备对无表观缺陷的混凝土结构表面进行拍摄，并对采集到的图像进行预处理，划分为多个预设大小的正方形图像，形成正常混凝土表面数据集
。3.
根据权利要求1所述的一种用于无缺陷样本条件下的混凝土表面缺陷检测方法，其特征在于，所述图像重建模型在训练过程中，输入图像经下层第一编码器和上层第二编码器进行连续编码，上层对第二编码器的输出通过矢量量化得到上层潜变量，上层潜变量通过第一解码器解码后，与下层第一编码器的输出结合并通过矢量量化得到下层潜变量，对上层潜变量进行上采样后与下层潜变量共同输入第二解码器，得到重建图像
。4.
根据权利要求3所述的一种用于无缺陷样本条件下的混凝土表面缺陷检测方法，其特征在于，所述第一编码器依次由1个卷积层
、2
个残差块和1个卷积层组成，第二编码器依次由2个残差块和1个卷积层组成，第一解码器依次由2个残差块
、1
个卷积层和1个反卷积层组成，第二解码器依次由2个残差块
、1
个卷积层和2个不同尺寸的反卷积层组成
。5.
根据权利要求3所述的一种用于无缺陷样本条件下的混凝土表面缺陷检测方法，其特征在于，所述图像重建模型的损失函数为：式中：
E1(x)、E2(x)
分别表示上
、
下层编码器的输出，
e1、e2是矢量量化后的上
、
下层潜变量，
β
是超参数，
sg
为停止计算梯度运算符号，的具体计算公式如下：式中：是第
t
次迭代中被量化成
e
i
的编码器输出值的数量，是的指数滑动平均值，值，是第
t
次迭代中被化成
e
i
的编码器输出值的指数滑动平均值，
γ
是权重参数；
L
r
为
MSE
函数
、SSIM
函数和
GMSD
函数的混合函数：其中，
MSE
函数
、SSIM
函数和
GMSD
函数均是表征原始图像和重建图像相似度的评价指标，
x
为原始图像，为重建图像
。6.
根据权利要求5所述的一种用于无缺陷样本条件下的混凝土表面缺陷检测方法，其
特征在于，所述
MSE
函数用于评估重建图片与原始图片之间像素级别上的平均差异程度，其值越低则两张图片相似程度越高，
MSE
函数计算公式如下：其中，
m、n
分别是图像的像素行数和列数，
mn
表示图像像素总数，
G(i,j)
为图像
G
第
i
行第
j
列的像素值，
K(i,j)
为图像
K
第<...

【专利技术属性】
技术研发人员：刘超，吴纪曙，
申请(专利权)人：同济大学，
类型：发明
国别省市：