[發明專利]一種基于深度學習的裂縫識別方法

有效

• 申請號: 201710641562.8
• 申請日: 2017-07-31
• 公開（公告）號: CN107403197B
• 公開（公告）日: 2020-01-24
• 發明（設計）人: 鄒勤
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 42222 武漢科皓知識產權代理事務所(特殊普通合伙)
• 代理人: 齊晨涵;姜學德

本發明公開了一種基于深度學習的裂縫識別方法，利用深度卷積神經網絡同時實現裂縫位置和裂縫屬性的準確識別，提出了帶分支的深度卷積神經網絡，在網絡主干上將卷積層和反卷積層進行組合實現端到端的裂縫位置預測，在網絡分支上，實現對其屬性的識別；為了克服裂縫樣本標注費時費力的難題，設計了仿真裂縫繪制算法實現了仿真裂縫的自動繪制和標注，從而大大減輕了人工標注的工作量，并且為深度學習提供了大數據量的訓練樣本，避免深度網絡模型的過擬合，提高了真實裂縫訓練時的收斂性和收斂效率；其識別正確率大幅提升，通用性更強，可靠性更高，能夠滿足工業檢測的需求。

技術領域

本發明涉及圖像線狀目標識別領域，具體涉及一種基于深度學習的裂縫識別方法。

技術背景

裂縫是一種線狀目標，在公路路面、建筑墻面、隧道頂面、金屬表面等位置經常出現。一方面，裂縫作為一種初期的損害，及時修補或修復不僅能減小安全隱患，還能節約維修的成本；另一方面，傳統的人工識別方法識別裂縫費時費力，不能滿足現代化的工業需求。因此裂縫的自動化識別和及時修補具有重要的經濟意義。通常使用光學攝像或激光掃描的方式獲取裂縫光學圖像或距離圖像，然后利用圖像處理算法識別圖像中的裂縫。然而，當裂縫圖像中包含較強的噪聲時，裂縫目標在圖像中將呈現較差的連續性和較低的對比度，傳統的裂縫識別方法提取的裂縫往往不完整，裂縫識別的錯誤率較高，不能滿足工業檢測的需求。因此，如何提高裂縫識別的準確度是一個亟待解決的問題。

發明內容

本發明針對現有技術的不足，提供了一種基于深度學習的裂縫識別方法，用于更準確地裂縫定位和屬性估計。

為了實現上述目的，本發明所設計的一種基于深度學習的裂縫識別方法，其特征在于，包括以下步驟：

s1構建仿真裂縫數據集；

s2構建真實裂縫數據集；

s3構建深度卷積神經網絡模型；

s4利用步驟s1構建的仿真裂縫數據集對步驟s3所構建的深度卷積神經網絡進行訓練；

s5將步驟s4訓練所得參數作為深度卷積神經網絡模型的初始化參數，利用步驟s2構建的真實裂縫數據集對深度卷積神經網絡模型繼續進行訓練；

s6利用步驟s5所訓練的深度神經網絡模型和初始化參數對待識別的影像進行裂縫識別。

進一步地，所述步驟s1中具體包括：

s11構建仿真裂縫數據集Dataset1，即利用計算機生成一定數量的空白圖像，利用線條繪制算法在空白圖像上繪制裂縫線和噪聲；

s12構建仿真裂縫數據集Dataset2，選取一定數量的路面影像，路面影像中不包含裂縫，利用線條繪制算法在每一幅路面圖像上繪制裂縫線條；

所述步驟s4中具體包括：

s41利用步驟s11構建的仿真裂縫數據集Dataset1對步驟s3所構建的深度卷積神經網絡進行訓練；

s42將步驟s41訓練所得參數作為本步驟的初始化參數，利用步驟s12構建的仿真裂縫數據集Dataset2對所構建的深度卷積神經網絡模型繼續進行訓練。

更進一步地，所述步驟s3中構建的深度卷積神經網絡模型包含一個主干網絡和一個分支網絡兩部分；所述主干網絡由一個輸入層、若干個卷積層、池化層和反卷積層構成，所述分支網絡由若干個卷積層、池化層、全連接層和一個輸出層構成，其中主干網絡的最后一個卷積層輸出兩個特征圖。

再進一步地，所述主干網絡由14層組成，具體為：第1層是輸入層，第2、4、6、9、11、13、14層是卷積層，第3、5、7是三個池化層，第8、10、12是三個反卷積層，其中，第7層為分支網絡的輸入層，第14層輸出裂縫的位置。