裂缝自动化识别方法技术

本发明专利技术属于工程结构表面裂缝检测技术领域，公开了一种裂缝自动化识别方法

【技术实现步骤摘要】
裂缝自动化识别方法、装置、终端设备及存储介质


[0001]本专利技术属于工程结构表面裂缝检测
，尤其涉及一种裂缝自动化识别方法
、
装置
、
终端设备及存储介质
。

技术介绍

[0002]随着社会经济的快速发展，我国建设了大量公共基础设施，例如公路
、
大坝
、
桥梁等大量民生工程
。
这些工程结构在长时间的使用之后，都会不可避免地出现裂缝
、
坑槽等缺陷，需要及时进行缺陷检测和修复，从而避免安全事故的发生
。
[0003]目前，针对工程结构表面存在的裂缝，大多数裂缝检测仍然依靠人工进行巡视检查，裂缝检测效率较低，且容易漏检
。
近年来，深度学习技术兴起，出现了基于深度学习的裂缝识别技术，能够实现自动化裂缝识别，但是在实际的工程应用中，检测精确度较低
。

技术实现思路

[0004]本申请实施例提供了一种裂缝自动化识别方法
、
装置
、
终端设备及存储介质，能够利用生成对抗网络扩展有限的裂缝图像数据集，得到扩展图像数据集，并基于扩展数据集训练深度学习模型，在存在裂缝状干扰项的情况下，实现深度学习模型对裂缝图像的精确识别
。
[0005]第一方面，本申请实施例提供了一种裂缝自动化识别方法，包括：利用已训练的图像生成模型，获得虚拟图像数据集，所述已训练的图像生成模型基于预处理后的真实图像数据集训练得到；根据所述预处理后的真实图像数据集和所述虚拟图像数据集，构建目标图像数据集；标注所述目标图像数据集，得到已标注的目标图像数据集；根据所述已标注的目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型
。
[0006]第二方面，本申请实施例提供了一种裂缝自动化识别装置，包括：虚拟图像获取模块，用于利用已训练的图像生成模型，获得虚拟图像数据集，所述已训练的图像生成模型基于预处理后的真实图像数据集训练得到；目标图像构建模块，用于根据所述预处理后的真实图像数据集和所述虚拟图像数据集，构建目标图像数据集；图像标注模块，用于标注所述目标图像数据集，得到已标注的目标图像数据集；模型训练模块，用于根据所述已标注的目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型
。
[0007]第三方面，本申请实施例提供了一种终端设备，包括存储器
、
处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的裂缝自动化识别方法的步骤
。
[0008]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本专利技术实施例的第一方面所述的裂缝自动化识别方法的步骤
。
[0009]第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的裂缝自动化识别方法的步骤
。
[0010]本专利技术第一方面提供的裂缝自动化识别方法，通过利用已训练的图像生成模型，获得虚拟图像数据集，根据所述预处理后的真实图像数据集和所述虚拟图像数据集，构建目标图像数据集，标注所述目标图像数据集，得到已标注的目标图像数据集，根据所述已标注的目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型，能够在存在裂缝状干扰项的情况下，实现深度学习模型对裂缝图像的精确识别
。
[0011]可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述
。
附图说明
[0012]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中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
。
[0013]图1是本专利技术实施例提供的裂缝自动化识别方法的第一种流程示意图；图2是本专利技术实施例提供的一种真实裂缝图像示意图；图3是本专利技术实施例提供的一种真实人工痕迹图像示意图；图4是本专利技术实施例提供的一种真实污渍图像示意图；图5是本专利技术实施例提供的一种真实接缝图像示意图；图6是本专利技术实施例提供的一种虚拟裂缝图像示意图；图7是本专利技术实施例提供的一种虚拟人工痕迹图像示意图；图8是本专利技术实施例提供的一种虚拟污渍图像示意图；图9是本专利技术实施例提供的一种虚拟接缝图像示意图；图
10
是本专利技术实施例提供的一种裂缝原始图像示意图；图
11
是本专利技术实施例提供的一种裂缝掩码图像示意图；图
12
是本专利技术实施例提供的一种裂缝标注图像示意图；图
13
是本专利技术实施例提供的一种污渍原始图像示意图；图
14
是本专利技术实施例提供的一种污渍掩码图像示意图；图
15
是本专利技术实施例提供的一种污渍标注图像示意图；图
16
是本专利技术实施例提供的一种接缝原始图像示意图；图
17
是本专利技术实施例提供的一种接缝掩码图像示意图；图
18
是本专利技术实施例提供的一种接缝标注图像示意图；图
19
是本专利技术实施例提供的一种藤蔓原始图像示意图；图
20
是本专利技术实施例提供的一种藤蔓掩码图像示意图；图
21
是本专利技术实施例提供的一种藤蔓标注图像示意图；
图
22
是本专利技术实施例提供的一种人工痕迹原始图像示意图；图
23
是本专利技术实施例提供的一种人工痕迹掩码图像示意图；图
24
是本专利技术实施例提供的一种人工痕迹标注图像示意图；图
25
是本专利技术实施例提供的一种裂缝图像识别模型的召回率和精确率的柱状示意图；图
26
是本专利技术实施例提供的一种裂缝图像识别模型的
F1
分数的柱状示意图；图
27
是本专利技术实施例提供的一种裂缝图像识别模型的召回率曲线示意图；图
28
是本专利技术实施例提供的一种裂缝图像识别模型的精确率曲线示意图；图
29
是本专利技术实施例提供的一种裂缝图像识别模型的
F1
指数曲线示意图；图
30
是本专利技术实施例提供的裂缝自动化识别方法的第二种流程示意图；图
31
是本专利技术实施例提供的一种
StyleGAN2
‑
ADA
模型的结构示意图；图
32
是本专利技术实施例提供的一种映射网络的结构示意图；图
33
是本专利技术实施例提供的一种基于
Mask
‑
RCNN
的裂缝图像识别模型的结构示意图；图<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种裂缝自动化识别方法，其特征在于，包括：利用已训练的图像生成模型，获得虚拟图像数据集，所述已训练的图像生成模型基于预处理后的真实图像数据集训练得到；根据所述预处理后的真实图像数据集和所述虚拟图像数据集，构建目标图像数据集；标注所述目标图像数据集，得到已标注的目标图像数据集；根据所述已标注的目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型
。2.
如权利要求1所述的裂缝自动化识别方法，其特征在于，所述已标注的目标图像数据集包括原始图像
、
掩码图像和含有不同目标类别的标记图像；所述目标类别包括裂缝
、
污渍
、
接缝
、
藤蔓和人工痕迹
。3.
如权利要求1所述的裂缝自动化识别方法，其特征在于，所述利用已训练的图像生成模型，获得虚拟图像数据集之前，包括：获取未处理的真实图像数据集；去除所述未处理的真实图像数据集中的模糊图像和与裂缝无关的图像，得到预处理后的真实图像数据集；建立基于风格迁移生成对抗网络的图像生成模型，所述风格迁移生成对抗网络带有自适应增强功能；根据所述预处理后的真实图像数据集，训练所述图像生成模型，得到已训练的图像生成模型
。4.
如权利要求3所述的裂缝自动化识别方法，其特征在于，所述图像生成模型包括生成器网络和判别器网络；所述生成器网络用于生成虚拟图像；所述判别器网络用于判别输入图像为真实图像或虚拟图像
。5.
如权利要求4所述的裂缝自动化识别方法，其特征在于，所述图像生成模型的目标函数表达式为：所述图像生成模型收敛时，目标函数满足纳什平衡条件，表达式为：所述图像生成模型收敛时，目标函数满足纳什平衡条件，表达式为：其中，表示真实样本分布，表示虚拟样本分布
。6.
如权利要求1所述的裂缝自动化识别方法，其特征在于，所述根据所述目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型之前，包括：建立基于掩码和区域卷积神经网络的裂缝图像识别模型；其中，所述基于掩码和区域卷积神经...

【专利技术属性】
技术研发人员：梅柳，盛昊，高驭旻，龙武剑，李利孝，罗启灵，
申请(专利权)人：深圳大学，
类型：发明
国别省市：