[发明专利]一种基于多层超限学习网络的混凝土裂缝检测方法

权利要求书

1.一种基于多层超限学习网络的混凝土裂缝检测方法，其特征在于，包括：

获取样本图像，并对所述样本图像进行预处理；

基于预设特征提取模型对预处理后的样本图像进行特征提取，得到特征数据；

基于所述特征数据对预设检测器进行训练，得到训练后的预设检测器；

利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测。

2.如权利要求1所述的基于多层超限学习网络的混凝土裂缝检测方法，其特征在于，所述对所述样本图像进行预处理，包括：

将所述样本图像转换成灰度图像；

对所述灰度图像进行标准化处理得到标准化图像；

获取所述标准化图像的标签数据，并利用所述标准化图像和所述标签数据构建样本图像库。

3.如权利要求2所述的基于多层超限学习网络的混凝土裂缝检测方法，其特征在于，所述对所述灰度图像进行标准化处理得到标准化图像，包括：

对所述灰度图像进行分块处理，得到至少一个图像块；

对所述图像块分别进行预设角度的旋转，得到旋转后的图像块；

将旋转前的图像块的尺寸和所述旋转后的图像块的尺寸均调整为预设尺寸，得到标准化图像。

4.如权利要求3所述的基于多层超限学习网络的混凝土裂缝检测方法，其特征在于，所述基于预设特征提取模型对预处理后的样本图像进行特征提取，得到特征数据，包括：

从所述样本图像库中随机抽取至少两个标准化图像，得到训练图像；

对所述训练图像分别进行向量化处理，得到图像训练样本数据；

将所述图像训练样本数据输入到所述预设特征提取模型，得到特征数据。

5.如权利要求4所述的基于多层超限学习网络的混凝土裂缝检测方法，其特征在于，所述将所述图像训练样本数据输入到所述预设特征提取模型，得到特征数据，包括：

将所述图像训练样本数据输入到所述预设特征提取模型中的第一层超限学习特征提取网络，得到第一输出权重；

基于第一预设公式对所述第一输出权重进行优化，得到优化后的第一输出权重，并根据所述优化后的第一输出权重计算所述第一层超限学习特征提取网络的输出，得到所述图像训练样本数据的第一特征数据；

将所述第一特征数据输入到所述预设特征提取模型中的第二层超限学习特征提取网络，得到第二输出权重；

基于第一预设公式对所述第二输出权重进行优化，得到优化后的第二输出权重，并根据所述优化后的第二输出权重计算所述第二层超限学习特征提取网络的输出，得到所述图像训练样本数据的第二特征数据；

其中，所述第一预设公式为：

式中，所述β₁为输出权重，所述H₁＝G(W₁,b₁,X)为超限学习网络的隐层输出矩阵，所述X为超限学习网络的输入，所述(W₁,b₁)为超限学习网络的输入隐层节点参数，所述μ为正则化参数；对第一输出权重进行优化时，所述β₁为第一输出权重，所述H₁＝G(W₁,b₁,X)为第一层超限学习特征提取网络的隐层输出矩阵，所述X为所述图像训练样本数据，所述(W₁,b₁)为第一层超限学习特征提取网络的输入隐层节点参数；对第二输出权重进行优化时，所述β₁为第二输出权重，所述H₁＝G(W₁,b₁,X)为第二层超限学习特征提取网络的隐层输出矩阵，所述X为所述第一特征数据，所述(W₁,b₁)为第二层超限学习特征提取网络的输入隐层节点参数。