[發明專利]一種基于計算機圖像處理的裂縫識別優化方法

在審

• 申請號: 202110044028.5
• 申請日: 2021-01-13
• 公開（公告）號: CN112950531A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 丁勇;張輝霖;婁鳳錦;崔何亮
• 申請（專利權）人: 南京宥安傳感科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08;G06T7/10;G06T7/90
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于計算機圖像處理的裂縫識別優化方法，對裂縫進行準確定位；其特征在于：包括利用深度學習模型對裂縫圖像進行初步定位與識別；將深度學習網絡識別結果掩膜輪廓與真實裂縫輪廓的誤差分為兩類：一類是真實裂縫不包含而深度學習識別結果包含的區域——誤識別區域；另一類是真實裂縫包含而深度學習識別結果不包含的區域——漏識別區域；分別計算掩膜區域內所有像素點的RGB顏色分量與背景、裂縫像素點平均RGB三通道顏色分量的歐氏距離，對深度學習的分割結果進行優化。本發明通過拍攝圖像的方式識別裂縫，解決現有人工裂縫檢測主觀性大、人力資源消耗大的問題；優化后的裂縫結果更貼近真實裂縫，可滿足無接觸高精度裂縫識別的需求。

技術領域

本發明涉及一種深度學習模型裂縫初識別結果優化方法，屬于圖像識別技術領域。

背景技術

裂縫影響結構構件的承載力和耐久性，其檢測在結構物的安全評估中占據重要位置。目前，裂縫數據的采集常常采用人工檢測手段。人工檢測速度慢、難度大、花費巨大勞動力，隨著對檢測精度的要求不斷提高，其精度已經難以滿足。同時，建筑結構高度和跨度的增加與形式的復雜，均給人工檢測帶來更大的難度，已經不能滿足日常檢測的需要，人工檢測的劣勢越來越明顯。傳統的人工檢測手段已經無法滿足未來龐大的檢測任務；

近年來計算機圖像處理技術在結構損傷識別領域中應用廣泛，通過形態學的方法能準確地提取裂縫輪廓，但受原圖像噪聲的影響較大；基于深度學習網絡的裂縫監測系統，能準確地定位裂縫位置，但無法精確地分割開背景與真實裂縫，無法獲得準確的裂縫輪廓，真實裂縫和深度學習識別裂縫的外輪廓存在明顯差異。

發明內容

為了克服現有技術的不足，本發明公開了一種基于計算機圖像處理的裂縫識別優化方法，對裂縫進行了準確的定位與分割，包括利用深度學習方法對圖片中的裂縫進行初步識別；

本發明將深度學習網絡識別結果掩膜輪廓與真實裂縫輪廓的誤差分為兩類：一類是真實裂縫不包含、而深度學習識別結果包含的區域，稱之為誤識別區域；另一類是真實裂縫包含、而深度學習識別結果不包含的區域，稱之為漏識別區域。因此可將掩膜區域劃分為三部分：識別準確區域、誤識別區域、漏識別區域；

本發明將裂縫區域與背景區域的RGB三通道顏色分量平均值進行比較，對裂縫圖像識別結果進行進一步優化，從而獲得更加精確的裂縫掩膜坐標；

一種基于計算機圖像處理的裂縫識別優化方法，其技術方案為：

步驟1：拍攝上萬張裂縫圖片并剪裁成相同尺寸。采用標注軟件，使用首尾相連的多段線擬合裂縫輪廓，作為深度學習模型的訓練數據集；

步驟2：利用步驟1中的數據集對Mask R-CNN深度學習模型進行訓練，得到訓練權重。利用訓練后的Mask R-CNN深度學習模型對裂縫圖像進行初步定位與識別，初步識別后輸出的結果為裂縫位置的識別框和裂縫覆蓋區域掩膜，識別框框選出了裂縫所在位置的矩形區域，掩膜覆蓋了裂縫的大致完整區域；

步驟3：利用圖像處理技術對步驟2中的識別結果進行再優化處理。將步驟2中所述識別矩形框內所有像素點分為裂縫區域(掩膜內)像素點、背景區域(掩膜外)像素點兩部分；計算裂縫區域(掩膜內)像素點、背景區域(掩膜外)像素點兩部分像素點的RGB分量平均值。遍歷掩膜區域內所有像素點，計算各像素點RGB三通道顏色分量與裂縫區域像素點平均RGB值、背景區域像素點平均RGB值的歐式距離，將該像素點并入距離較小的區域像素點內，剔除誤識別點、加入漏識別點以獲得新的掩膜區域；

重復步驟3，獲得更加精確的裂縫掩膜坐標。當某一次迭代后的裂縫掩膜坐標集與迭代前一次裂縫掩膜坐標集一致，算法收斂獲得最優解，可得到最終的裂縫掩膜坐標；