【技术实现步骤摘要】
本申请涉及目标检测领域，具体地，涉及一种基于anogan模型的水泥裂缝检测方法。
技术介绍
1、在基础设施维护领域，特别是针对道路和桥梁的健康监测，裂缝检测是一项至关重要的任务。水泥路面的裂缝不仅影响道路的外观和驾驶体验，更重要的是，它们是结构健康恶化的重要标志，如果不及时处理，可能会导致更严重的结构损害，甚至威胁公共安全。因此，开发一种能够实时、精确且高效地检测与分割水泥裂缝的技术，对于保障基础设施的长期稳定性和安全性至关重要。
2、传统的裂缝检测方法主要依赖于人工目测或简单的图像处理技术。人工检测虽然直观，但其效率低下，主观性强，且在大规模路网中难以实施。基于图像处理的早期自动化尝试，如边缘检测和阈值分割，虽然提高了检测速度，但由于路面背景复杂性和光照条件变化，这些方法往往精度有限，尤其是在处理微小裂缝或复杂裂纹模式时效果不佳。
3、近年来，深度学习技术，尤其是卷积神经网络(cnns)，在图像识别和分类任务中展现了卓越的性能。然而，针对水泥裂缝的检测与分割，现有的深度学习模型虽然在目标检测方面取得了显著进展，但其在处理细小裂缝时的定位精度和分割完整性仍有待提高。此外，现在大部分方法通常侧重于目标的定位而非精细的轮廓提取，这在裂缝检测场景下是一个明显的局限，因为裂缝的精确位置和形状对于评估其严重程度至关重要。
技术实现思路
1、为了克服现有技术中的至少一个不足，本申请提供一种基于anogan模型的水泥裂缝检测方法。
2、第一方面，提供一种基于a
3、构建图像修复网络，图像修复网络包括anogan模型，anogan模型包括生成器和鉴别器；生成器包括依次连接的第一编码器、解码器和第二编码器；第一编码器和第二编码器的结构相同，均包括多个依次连接的混合注意力模块，混合注意力模块用于提取精细的注意力特征；
4、对图像修复网络进行训练，得到训练后的生成器；
5、将待检测图片输入到训练后的生成器中，得到修复后的图片；
6、计算修复后的图片与待检测图片之间的差异，根据差异确定待检测图片中是否存在裂缝；
7、若待检测图片中存在裂缝，计算待检测图片中每个像素点的曲率，根据曲率提取边缘区域；
8、对边缘区域进行距离变换，得到距离图；根据距离图采用分水岭算法对边缘区域进行划分，得到多个图像区域；对多个图像区域进行细化处理，提取裂缝中心线；
9、计算裂缝中心线的长度，即为裂缝长度。
10、在一个实施例中，第一编码器包括依次连接的卷积层、非线性激活函数层、多个依次连接的混合注意力模块；
11、混合注意力模块包括：下采样单元、多尺度混合注意力单元ms-ham和批归一化+激活函数单元；多尺度混合注意力单元ms-ham包括多尺度卷积模块、通道注意力模块和空间注意力模块。
12、在一个实施例中，解码器包括：多个依次连接的反卷积单元，最后一个反卷积单元包括卷积层和激活函数层；其余的反卷积单元包括反卷积层、批归一化层+激活函数层。
13、在一个实施例中，鉴别器包括依次连接的卷积层、非线性激活函数层、多个依次连接的混合注意力模块、分类层。
14、在一个实施例中，计算待检测图片中每个像素点的曲率，根据曲率提取边缘区域，包括：
15、对待检测图片采用高斯滤波器进行平滑处理以去除噪声，得到处理后的图片；
16、计算处理后的图片中每个像素点在x方向的梯度ix和y方向的梯度iy；
17、根据x方向的梯度ix和y方向的梯度iy计算图像的二阶导数ixx、iyy，以及交叉导数ixy；
18、采用以下公式计算每个像素点的曲率：
19、
20、其中，k(x,y)为像素点(x,y)的曲率；
21、设定阈值kthreshold，采用以下公式确定每个像素点的边缘值：
22、
23、其中，iedge(x,y)为像素点(x,y)的边缘值；
24、所有边缘值为1的像素点构成初步的边缘区域；
25、对初步的边缘区域采用非最大抑制方法去除噪声和断裂，并通过膨胀操作来增强边缘区域，得到最终的边缘区域。
26、在一个实施例中，对边缘区域进行距离变换，得到距离图，包括：
27、计算边缘区域中每个像素点与其他像素点之间的距离，并选取计算的所有距离中的最小值，作为像素点对应的距离值；
28、所有像素点的距离值构成距离图。
29、在一个实施例中，根据距离图采用分水岭算法对边缘区域进行划分，得到多个图像区域；包括：
30、在距离图中寻找局部极大值点；
31、根据局部极大值点和距离图，采用分水岭算法对边缘区域进行划分，得到多个图像区域。
32、在一个实施例中，计算裂缝中心线的长度，包括：
33、计算裂缝中心线上任意相邻的两个像素点之间欧式距离，并累加所有的欧式距离，得到裂缝中心线的长度。
34、第二方面，提供一种基于anogan模型的水泥裂缝检测装置，包括：
35、网络构建模块，用于构建图像修复网络，图像修复网络包括anogan模型，anogan模型包括生成器和鉴别器；生成器包括依次连接的第一编码器、解码器和第二编码器；第一编码器和第二编码器的结构相同，均包括多个依次连接的混合注意力模块，混合注意力模块用于提取精细的注意力特征；
36、网络训练模块，用于对图像修复网络进行训练，得到训练后的生成器；
37、修复模块，用于将待检测图片输入到训练后的生成器中，得到修复后的图片；
38、裂缝检测模块，用于计算修复后的图片与待检测图片之间的差异，根据差异确定待检测图片中是否存在裂缝；
39、边缘区域提取模块，用于若待检测图片中存在裂缝，计算待检测图片中每个像素点的曲率，根据曲率提取边缘区域；
40、裂缝中心线提取模块，用于对边缘区域进行距离变换，得到距离图；根据距离图采用分水岭算法对边缘区域进行划分，得到多个图像区域；对多个图像区域进行细化处理，提取裂缝中心线；
41、裂缝长度计算模块，用于计算裂缝中心线的长度，即为裂缝长度。
42、相对于现有技术而言，本申请具有以下有益效果：本申请的基于anogan模型的水泥裂缝检测方法，通过在anogan模型中设计多尺度混合注意力单元ms-ham，提取精细的注意力特征，从而得到准确的修复图片，保证裂缝检测结果的准确性；同时采用改进的裂缝提取与长度计算方法，能够得到精确的长度计算结果。
本文档来自技高网...【技术保护点】
1.一种基于Anogan模型的水泥裂缝检测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述第一编码器包括依次连接的卷积层、非线性激活函数层、多个依次连接的混合注意力模块；
3.如权利要求1所述的方法，其特征在于，所述解码器包括：多个依次连接的反卷积单元，最后一个反卷积单元包括卷积层和激活函数层；其余的反卷积单元包括反卷积层、批归一化层+激活函数层。
4.如权利要求1所述的方法，其特征在于，所述鉴别器包括依次连接的卷积层、非线性激活函数层、多个依次连接的混合注意力模块、分类层。
5.如权利要求1所述的方法，其特征在于，其中，计算所述待检测图片中每个像素点的曲率，根据所述曲率提取边缘区域，包括：
6.如权利要求1所述的方法，其特征在于，其中，对所述边缘区域进行距离变换，得到距离图，包括：
7.如权利要求1所述的方法，其特征在于，其中，根据所述距离图采用分水岭算法对所述边缘区域进行划分，得到多个图像区域；包括：
8.如权利要求1所述的方法，其特征在于，其中，计算所述裂缝中心线的长度
9.一种基于Anogan模型的水泥裂缝检测装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于anogan模型的水泥裂缝检测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述第一编码器包括依次连接的卷积层、非线性激活函数层、多个依次连接的混合注意力模块；
3.如权利要求1所述的方法，其特征在于，所述解码器包括：多个依次连接的反卷积单元，最后一个反卷积单元包括卷积层和激活函数层；其余的反卷积单元包括反卷积层、批归一化层+激活函数层。
4.如权利要求1所述的方法，其特征在于，所述鉴别器包括依次连接的卷积层、非线性激活函数层、多个依次连接的混合注意力模块、分类层。
【专利技术属性】
技术研发人员：张艳红，侯芸，姜宏维，朱慈祥，贾非，仝鑫隆，孙天成，田佳磊，张昊煜，赵家彬，周晶，彭鹏，冯红耀，郭永国，张永宁，王志，王文君，
申请(专利权)人：中国公路工程咨询集团有限公司，
类型：发明
国别省市：
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。