[發明專利]一種基于計算機視覺的高精度橋梁表觀病害識別方法

有效

• 申請號: 202010717371.7
• 申請日: 2020-07-23
• 公開（公告）號: CN111985499B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 茅建校;萬亞華;倪有豪;溫學華;趙愷雍;龐振浩;謝以順;王飛球;王浩
• 申請（專利權）人: 東南大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/56;G06V10/774
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 劉莎

1.一種基于計算機視覺的高精度橋梁表觀病害識別方法，其特征在于，包括以下步驟：

第一步：圖像預處理階段

對病害圖像訓練集中的病害圖像進行高斯濾波和圖像像素均衡化，完成病害圖像訓練集的預處理；

第二步：仿真圖像生成階段

利用預處理后的病害圖像訓練集對建立的生成對抗網絡進行訓練，其中生成對抗網絡由生成器和判別器組成；訓練時先固定生成器、訓練判別器，再固定判別器、訓練生成器，當判別器判別生成器生成的圖像與預處理后的病害圖像訓練集的概率分布一致且頻域分布一致時，確定生成器，生成仿真病害圖像集，否則繼續訓練生成器；

第三步：表觀病害識別階段

(1)通過人工視覺分別對預處理后的病害圖像訓練集中的病害圖像和仿真病害圖像集中的病害圖像的病害目標位置進行框選，作為初始標簽；在上述框選范圍內，聯合運用Canny算子和Sobel算子對病害邊界自動優化識別，作為訓練標簽；帶有訓練標簽的預處理后的病害圖像訓練集和仿真病害圖像構成YOLO樣本集，并將YOLO樣本集分別為YOLO訓練集和YOLO測試集兩個部分；

(2)利用YOLO訓練集對YOLO神經網絡模型進行訓練，利用YOLO測試集對訓練完成的YOLO神經網絡模型進行測試，若訓練完成的YOLO神經網絡模型對病害目標的正確識別率大于設定閾值，則當前訓練完成的YOLO神經網絡模型即為病害識別模型；否則，補充病害圖像訓練集中的病害圖像，重復第一步～第三步，直至正確識別率大于設定閾值。

2.權利要求1所述的一種基于計算機視覺的高精度橋梁表觀病害識別方法，其特征在于，第一步中，所述高斯濾波步驟如下：

第一步：將病害圖像訓練集中的病害圖像由RGB顏色模型轉換為HSV顏色模型，其中H為色調，S為飽和度，V為明度；

第二步：采用高斯卷積核分別對H通道、S通道、V通道進行卷積計算；

第三步：根據原病害圖像飽和度以及明度的實際需要調整S通道、V通道的權重系數；再通過轉換公式，將HSV顏色模型的病害圖像轉換為RGB顏色模型。

3.權利要求1所述的一種基于計算機視覺的高精度橋梁表觀病害識別方法，其特征在于，第一步中，所述的圖像均衡化步驟如下：

第一步：將高斯濾波后的病害圖像轉換為灰度圖像；

第二步：統計灰度圖像直方圖，根據概率密度函數進行灰度值的分組歸并；

第三步：將歸并前后的像素點灰度值比值，作為均衡化系數，分別與相應像素點位置的RGB三通道顏色相乘，對病害圖像重構。

4.權利要求1所述的一種基于計算機視覺的高精度橋梁表觀病害識別方法，其特征在于，第三步中，聯合運用Canny算子和Sobel算子對病害邊界自動優化識別具體為：所述的Sobel算子在Canny算子識別病害邊界的基礎上，運用差分法獲取最優病害邊界，并作為訓練標簽。