[發明專利]一種基于分頻卷積的自動化裂縫檢測方法

在審

• 申請號: 202010540557.X
• 申請日: 2020-06-12
• 公開（公告）號: CN111721770A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 范衠;陳穎;李沖
• 申請（專利權）人: 汕頭大學
• 主分類號: G01N21/88
• 分類號: G01N21/88;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 周增元

本發明實施例公開了一種基于分頻卷積的自動化裂縫檢測方法，所述方法包括：用相機拍攝道路圖像，創建道路裂縫圖像的訓練集和測試集；創建包含分頻卷積、分頻轉置卷積、空洞卷積模塊和跳躍連接結構的深度卷積神經網絡；利用創建好的訓練集訓練深度卷積神經網絡；利用測試集對訓練好的深度卷積神經網絡模型測試，并輸出裂縫圖像。本發明方法具有檢測過程簡單，檢測效率高，勞動強度低，便于攜帶，可操作性強等優點。

技術領域

本發明涉及結構健康檢測與評估領域，尤其是涉及一種基于分頻卷積的自動化裂縫檢測方法。

背景技術

隨著中國經濟的快速發展，中國公路網的普及和建設得到了迅速發展，路面的完好率和平整度是確保行車車輛在高速路上行駛的重要因素。裂縫是道路受損的重要標志，如果路面出現凹凸不平和裂縫等情況，會嚴重影響道路的壽命以及駕駛人的安全，需要定期的對其健康狀況做出評估，因此對道路和橋梁裂縫進行檢測有著至關重要的作用。

目前，道路橋梁的裂縫檢測方法主要是基于傳統的圖像處理算法和人眼識別。單單依靠人眼進行裂縫檢測與識別，效率不高。采用圖像處理方法，主要是針對同一材質和紋理背景圖像進行裂縫檢測，無法對彩色圖像直接進行裂縫檢測。基于深度學習框架的道路裂縫檢測可以實現對彩色圖像的裂縫檢測處理，可以實現端到端的圖像處理，無需卷積神經網路的滑塊處理。因此，基于深度學習框架的道路裂縫檢測方法，可以實現道路裂縫的自動化檢測。因此，如何提高路面裂縫檢測的監測效率和效果，是路面裂縫檢測領域需要攻克的技術難題。

發明內容

基于此，本發明的目的是提供一種基于分頻卷積的自動化裂縫檢測方法。該方法可解決人眼觀察和圖像處理裂縫檢測中定位精度不高，誤差大等問題。

為了解決上述現有技術問題，本發明實施例提供了一種基于分頻卷積的自動化裂縫檢測方法，該方法具體包括以下步驟：

S1、用相機拍攝道路圖像，創建道路裂縫圖像的訓練集和測試集；

S2、創建包含分頻卷積、分頻轉置卷積、空洞卷積模塊和跳躍連接結構的深度卷積神經網絡；

S3、利用創建好的訓練集訓練深度卷積神經網絡；

S4、利用測試集對訓練好的深度卷積神經網絡模型測試，并輸出裂縫圖像。

進一步地，所述步驟S1具體包括：

S11、利用自己所有的智能終端拍攝裂縫圖像，或者利用公共的裂縫圖像數據集CFD和AigleRN以及其它的裂縫圖像數據集，將裂縫圖像分為訓練集和測試集；

S12、將所采集到的不同結構表面裂縫圖像，構建裂縫圖像數據庫，對構建的裂縫圖像庫進行數據增強，擴充數據集，將擴充后的裂縫圖像庫中的裂縫圖像的裂縫區域實施人工標簽標注，然后將裂縫圖像庫中的圖像分為訓練集和測試集。

更進一步地，所述步驟S2具體包括：

S21、搭建深度神經網絡結構模型：確定所述深度卷積神經網絡卷中編碼器和解碼器層數，以及每個分頻卷積層中高頻率和低頻率中所含有的特征圖的數量、池化層的層數、池化層中采樣核的大小和訓練步長、分頻轉置卷積層的層數和每個反卷積層中高頻率和低頻率中所含有的特征圖數量，跳躍連接的連接方式以及空洞卷積模塊中空洞比率的大小；

S22、選擇深度神經網絡的訓練策略：所述深度神經網絡訓練中代價函數的選擇為交叉熵損失函數、以及激活函數的Relu，同時，在損失代價函數中加入權值衰減正則化項，在卷積層中加入dropout來減少過擬合，所述深度神經網絡中訓練使用優化算法SGD；