【技术实现步骤摘要】
本专利技术涉及了一种混凝土表面裂纹检测方法，涉及计算机视觉和缺陷检测领域，具体涉及一种采用混合差分模块的混凝土表面裂纹检测方法。
技术介绍
1、裂纹是混凝土表面常见的一种病害。为了避免裂纹可能带来的不利影响，定期对混凝土设施表面进行裂纹检测是非常必要的。为了取代耗时费力的人工检测，许多自动裂纹检测方法被提出。其中，基于计算机视觉的方法凭借精度高和成本低等优点而受到广泛关注。
2、在深度学习兴起以后，卷积神经网络被应用到裂纹检测任务中，并且取得了很大的进展。为了获取详细的混凝土表面裂纹信息以更好地评估裂纹对建筑物的影响，许多基于语义分割网络的裂纹检测算法被提出。这些裂纹分割算法将图像中的裂纹从背景里分割出来，可以获得裂纹的长度、宽度以及走向等信息。尽管开展了很多的研究，但这类算法的分割结果仍然不够精确。
3、限制卷积神经网络裂纹分割性能的重要原因是卷积神经网络中使用的普通卷积不善于处理输入特征图中的纹理细节，这使得网络难以准确地识别和分辨相似的特征，从而容易出现误判。
技术实现思路
1、为了解决
技术介绍
中存在的问题，本专利技术提供一种采用混合差分模块的混凝土表面裂纹检测方法。图像的梯度反映了图像的纹理信息，本专利技术尝试将梯度信息引入卷积神经网络中，以强化网络对特征纹理细节的感知能力，从而提高裂纹检测性能。
2、本专利技术采用的技术方案是：
3、本专利技术是一种采用混合差分模块的混凝土表面裂纹检测方法，包括：
4、1)采集若
5、2)建立裂纹检测卷积神经网络，将各个混凝土表面裂纹图像及其添加标签后的图像输入裂纹检测卷积神经网络中进行训练，获得训练完成的裂纹检测卷积神经网络；在输入网络前需适当地调整图片的尺寸和格式。
6、3)采集待检测的混凝土表面裂纹图像并输入训练完成的裂纹检测卷积神经网络中，训练完成的裂纹检测卷积神经网络输出裂纹检测的预测图。
7、4)将裂纹检测的预测图进行二值化处理后获得二值化图像，然后利用后处理算法提取二值化图像中的混凝土表面裂纹的几何特征，实现混凝土表面裂纹的检测。
8、所述的步骤1)中，在混凝土表面裂纹图像上添加标签具体为将混凝土表面裂纹图像上的裂纹像素和背景像素分别赋予不同的值。
9、所述的步骤2)中，裂纹检测卷积神经网络具体为在卷积神经网络中使用第一混合差分模块和第二混合差分模块中的一种或两种。
10、所述的第一混合差分模块包括一个中心差分卷积层和一个卷积核大小为1×1的普通卷积层，第一混合差分模块的输入分别输入至中心差分卷积层和普通卷积层中，然后将两者输出的特征图对应位置上的元素相加后得到第一混合差分模块的输出。
11、所述的中心差分卷积层和普通卷积层输出的特征图具有相同的通道数。
12、中心差分卷积层(central difference conv)和普通卷积层(vanilla conv)并行布置，相加即将两者输出的特征图上的对应元素相加。第一混合差分模块的感受野等同于包含的中心差分卷积层的感受野，在输入通道数、输出通道数和感受野相同的情况下，第一混合差分模块和普通卷积层具有相同数量的参数。
13、所述的第二混合差分模块包括一个中心差分卷积层、两个卷积核大小为1×1的普通卷积层和一个激活函数层，第二混合差分模块的输入分别输入至中心差分卷积层和第一个普通卷积层中，处理后输出的特征图在通道维度上拼接后依次输入激活函数层和第二个普通卷积层，经处理后输出的特征图作为第二混合差分模块的输出。
14、所述的中心差分卷积层和两个普通卷积层输出的特征图具有相同的通道数。
15、中心差分卷积层和第一个普通卷积层并行布置，拼接即两者输出的特征图在通道维度上进行拼接。第二混合差分模块的感受野等同于包含的中心差分卷积层的感受野，在参数量方面，当输入通道数、输出通道数和感受野相同时，第二混合差分模块只比第一混合差分模块多了一个用于融合特征的1×1卷积层。
16、中心差分卷积使用可学习的权重聚合像素梯度信息，普通卷积使用可学习的权重聚合像素强度信息。第一混合差分模块和第二混合差分模块将两者结合起来，借助梯度中蕴含的纹理细节信息和强度中蕴含的抽象语义信息，实现准确和有效的特征提取。
17、所述的步骤4)中，混凝土表面裂纹的几何特征具体包括混凝土表面裂纹的长度、宽度和个数等。
18、本专利技术提出了两个混合差分模块，这两个模块能够感知输入特征图的梯度信息，可以更好地处理纹理细节特征。提出的混合差分模块可以替换已有卷积神经网络中的普通卷积层，也可以作为新增的部分集成到已有的卷积神经网络中。
19、本专利技术的有益效果是：
20、本专利技术将第一混合差分模块和第二混合差分模块中的一种或两种集成到卷积神经网络中，能够增强卷积神经网络对局部纹理细节的感知能力，使网络能够更加准确和有效地区分出裂纹特征和非裂纹特征，从而提高网络的裂纹检测性能和检测结果的准确度，使网络输出更加准确的裂纹分割结果。
本文档来自技高网...【技术保护点】
1.一种采用混合差分模块的混凝土表面裂纹检测方法，其特征在于，包括：
2.根据权利要求1所述的采用混合差分模块的混凝土表面裂纹检测方法，其特征在于：所述的步骤1)中，在混凝土表面裂纹图像上添加标签具体为将混凝土表面裂纹图像上的裂纹像素和背景像素分别赋予不同的值。
3.根据权利要求1所述的采用混合差分模块的混凝土表面裂纹检测方法，其特征在于：所述的步骤2)中，裂纹检测卷积神经网络具体为在卷积神经网络中使用第一混合差分模块和第二混合差分模块中的一种或两种。
4.根据权利要求3所述的采用混合差分模块的混凝土表面裂纹检测方法，其特征在于：所述的第一混合差分模块包括一个中心差分卷积层和一个卷积核大小为1×1的普通卷积层，第一混合差分模块的输入分别输入至中心差分卷积层和普通卷积层中，然后将两者输出的特征图对应位置上的元素相加后得到第一混合差分模块的输出。
5.根据权利要求4所述的采用混合差分模块的混凝土表面裂纹检测方法，其特征在于：所述的中心差分卷积层和普通卷积层输出的特征图具有相同的通道数。
6.根据权利要求3所述的采用混合差分模
7.根据权利要求6所述的采用混合差分模块的混凝土表面裂纹检测方法，其特征在于：所述的中心差分卷积层和两个普通卷积层输出的特征图具有相同的通道数。
8.根据权利要求1所述的采用混合差分模块的混凝土表面裂纹检测方法，其特征在于：所述的步骤4)中，混凝土表面裂纹的几何特征具体包括混凝土表面裂纹的长度、宽度和个数。
...【技术特征摘要】
1.一种采用混合差分模块的混凝土表面裂纹检测方法，其特征在于，包括：
2.根据权利要求1所述的采用混合差分模块的混凝土表面裂纹检测方法，其特征在于：所述的步骤1)中，在混凝土表面裂纹图像上添加标签具体为将混凝土表面裂纹图像上的裂纹像素和背景像素分别赋予不同的值。
3.根据权利要求1所述的采用混合差分模块的混凝土表面裂纹检测方法，其特征在于：所述的步骤2)中，裂纹检测卷积神经网络具体为在卷积神经网络中使用第一混合差分模块和第二混合差分模块中的一种或两种。
4.根据权利要求3所述的采用混合差分模块的混凝土表面裂纹检测方法，其特征在于：所述的第一混合差分模块包括一个中心差分卷积层和一个卷积核大小为1×1的普通卷积层，第一混合差分模块的输入分别输入至中心差分卷积层和普通卷积层中，然后将两者输出的特征图对应位置上的元素相加后得到第一混合差分模块的输出。
5.根据权利要求4所述的采...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。