[發(fā)明專利]基于多尺度特征與堆疊式全卷積網(wǎng)絡(luò)的水下建筑物裂縫檢測方法

有效

• 申請?zhí)枺?/td>: 202010236401.2
• 申請日: 2020-03-30
• 公開（公告）號: CN111257341B
• 公開（公告）日: 2023-06-16
• 發(fā)明（設(shè)計(jì)）人: 張家樂;周妍;李慶武;盛惠興
• 申請（專利權(quán)）人: 河海大學(xué)常州校區(qū)
• 主分類號: G01N21/95
• 分類號: G01N21/95;G06N3/0464;G06N3/08;G06V20/05;G06V10/82;G06V10/764;G06V10/774;G06V10/80
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 張倩倩

本發(fā)明公開一種基于多尺度特征與堆疊式全卷積網(wǎng)絡(luò)的水下建筑物裂縫檢測方法，屬于圖像處理與目標(biāo)檢測領(lǐng)域。方法包括獲取待檢測水下建筑物圖像數(shù)據(jù)，并將其作為預(yù)先訓(xùn)練的裂縫檢測神經(jīng)網(wǎng)絡(luò)模型的輸入，裂縫檢測神經(jīng)網(wǎng)絡(luò)模型對圖像數(shù)據(jù)的各像素點(diǎn)進(jìn)行分類，進(jìn)而輸出裂縫區(qū)域區(qū)別于非裂縫區(qū)域的裂縫檢測結(jié)果圖像；裂縫檢測神經(jīng)網(wǎng)絡(luò)模型包括卷積網(wǎng)絡(luò)、多尺度特征提取網(wǎng)絡(luò)、堆疊網(wǎng)絡(luò)以及損失函數(shù)計(jì)算模塊，多尺度特征提取網(wǎng)絡(luò)基于卷積網(wǎng)絡(luò)提取的裂縫特征圖進(jìn)行多尺度特征提取，堆疊網(wǎng)絡(luò)基于已提取的多尺度特征生成多個(gè)裂縫檢測結(jié)果，損失函數(shù)計(jì)算模塊基于訓(xùn)練樣本的標(biāo)注和檢測結(jié)果，確定裂縫檢測神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，使得裂縫檢測神經(jīng)網(wǎng)絡(luò)模型能夠針對待檢測水下建筑物圖像數(shù)據(jù)，輸出相應(yīng)的裂縫檢測結(jié)果圖像。利用本發(fā)明可提高水下建筑物裂縫檢測的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及水下建筑物裂縫檢測技術(shù)領(lǐng)域，屬于機(jī)器視覺、圖像處理領(lǐng)域，特別是一種基于多尺度特征與堆疊式全卷積網(wǎng)絡(luò)的水下建筑物裂縫檢測方法。

背景技術(shù)

近年來，隨著水下工程的逐漸增多，水泥建筑物在水下環(huán)境中由于水體的浸泡、水下微生物的腐蝕或其他不可抗力因素而產(chǎn)生裂縫，這對于水下建筑物的可靠性與安全性產(chǎn)生了很大的隱患。由于水下環(huán)境的復(fù)雜，基于傳統(tǒng)算法的水下建筑物表面裂縫的檢測效果往往不理想，原因主要有以下方面，首先由于水下建筑物表面產(chǎn)生的裂縫長短、大小、寬度相差頗大，傳統(tǒng)方法往往無法完成這種變化多樣的裂縫識別；其次，在水下光照不足、浮游物遮擋等復(fù)雜環(huán)境下，對于裂縫的精確檢測更增添了難度。故對于水下復(fù)雜環(huán)境，水泥建筑物表面裂縫的有效檢測已經(jīng)成為機(jī)器視覺領(lǐng)域的重要研究課題。傳統(tǒng)水下裂縫檢測算法具有很大的難度與提升空間，這使得基于神經(jīng)網(wǎng)絡(luò)的算法逐漸被用于水下裂縫檢測。

發(fā)明內(nèi)容

本發(fā)明的目的是，提供一種基于多尺度特征與堆疊式全卷積網(wǎng)絡(luò)的水下建筑物表面裂縫檢測方法，通過多尺度特征與堆疊式全卷積網(wǎng)絡(luò)的結(jié)合，減少檢測誤差。

本發(fā)明采取的技術(shù)方案如下。

一方面，本發(fā)明提供一種水下建筑物表面裂縫檢測方法，包括：

獲取待檢測水下建筑物圖像數(shù)據(jù)；

將獲取到的圖像數(shù)據(jù)作為預(yù)先訓(xùn)練的裂縫檢測神經(jīng)網(wǎng)絡(luò)模型的輸入，裂縫檢測神經(jīng)網(wǎng)絡(luò)模型對圖像數(shù)據(jù)的各像素點(diǎn)進(jìn)行裂縫區(qū)域與非裂縫區(qū)域的分類，輸出裂縫區(qū)域區(qū)別于非裂縫區(qū)域的裂縫檢測結(jié)果圖像；

所述預(yù)先訓(xùn)練的裂縫檢測神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本為已分別標(biāo)注裂縫區(qū)域與非裂縫區(qū)域的水下建筑物裂縫圖像；裂縫檢測神經(jīng)網(wǎng)絡(luò)模型包括卷積網(wǎng)絡(luò)、多尺度特征提取網(wǎng)絡(luò)、堆疊網(wǎng)絡(luò)以及損失函數(shù)計(jì)算模塊，卷積網(wǎng)絡(luò)對輸入圖像進(jìn)行裂縫特征圖提取，多尺度特征提取網(wǎng)絡(luò)基于裂縫特征圖進(jìn)行多尺度特征提取，堆疊網(wǎng)絡(luò)基于已提取的多尺度特征生成多個(gè)裂縫檢測結(jié)果，損失函數(shù)計(jì)算模塊基于訓(xùn)練樣本的標(biāo)注和多個(gè)裂縫檢測結(jié)果確定裂縫檢測神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，使得裂縫檢測神經(jīng)網(wǎng)絡(luò)模型能夠針對待檢測水下建筑物圖像數(shù)據(jù)，輸出相應(yīng)的裂縫檢測結(jié)果圖像。

可選的，所述裂縫檢測網(wǎng)絡(luò)模型中，卷積網(wǎng)絡(luò)包括多個(gè)依次設(shè)置的卷積層，相鄰卷積層之間由池化層連接；

多尺度特征提取網(wǎng)絡(luò)包括輸入分別連接卷積網(wǎng)絡(luò)輸出的多層并行池化層，各并行池化層采用不同尺度進(jìn)行特征提取，并分別經(jīng)一并行卷積層輸出后融合；

堆疊網(wǎng)絡(luò)為多層堆疊網(wǎng)絡(luò)，多層堆疊網(wǎng)絡(luò)的輸出依次連接，其中一層堆疊網(wǎng)絡(luò)以多尺度特征提取網(wǎng)絡(luò)的輸出作為輸入；各層堆疊網(wǎng)絡(luò)分別包括依次設(shè)置的多個(gè)卷積層和至少1個(gè)反卷積層；損失函數(shù)計(jì)算模塊根據(jù)多層堆疊網(wǎng)絡(luò)的輸出進(jìn)行損失函數(shù)計(jì)算。

可選的，裂縫檢測網(wǎng)絡(luò)模型中：

卷積網(wǎng)絡(luò)的卷積層為5層，每層卷積層的卷積核大小均為3×3，步長為1；相鄰卷積層之間連接一層池化層，該池化層采用最大池化方式，池化窗口為2×2，步長為2；