[发明专利]一种基于多尺度特征融合深度学习的裂缝自动化勾画方法

说明书

本发明公开基于多尺度特征融合深度学习的裂缝自动勾画方法，其方法包括：利用迁徙学习策略得到裂缝多尺度特征图；利用卷积核大小为1×1的卷积层和双线性插值对多个尺度的特征图进行逐层融合并最终得到多维的融合特征；利用连续的多尺度全卷积网络对多维融合特征的像素信息进行进一步融合，实现对于图像中每一个像素类别的预测。本发明可以学习到多个尺度的裂缝特征，充分考虑了不同尺度特征对应像素之间的关系以及区域范围内像素之间的关系，实现快速高精度的裂缝自动勾画，能够适用于各类型复杂环境中的裂缝检测。

技术领域

本发明涉及结构检测与评估领域，特别是涉及一种利用图像、视屏等对结构表面裂缝自动化检测的方法。

背景技术

结构裂缝是土木工程领域最常见的病害之一，对结构的耐久性和安全性产生极大的危害，因此裂缝是各类型结构健康状况的主要评价指标之一。而现阶段裂缝检测仍然以人工检测为主，需要人工的进行标记将裂缝勾画出来，而后再进行长度、宽度、裂缝类型等方面的分析。这种检测方法需要借助手脚架等设备，劳动强度大、安全性低、检测效率低。

基于数字图像处理的裂缝检测技术虽然逐渐的被应用到结构裂缝检测中，但是传统的基于图像处理的裂缝自动勾画方法比如边缘检测、阈值分割、简单神经网络等适用性差，检测效果很大程度上依赖于人工干预，对于工程中复杂图像中的大量污渍、人工标记干扰等的抗干扰能力很差。

近几年来，随着深度学习在图像识别领域取得的惊人的成功，深度学习技术也开始逐渐被应用到了裂缝检测中。在国外，Chen,ZhiQiang等人将深度学习应用到基于图像处理的裂缝识别中，利用Faster RCNN自动的检测出图像中不同尺度的裂缝。在国内，李惠等人利用深度受限玻尔兹曼机实现钢结构疲劳裂纹的自动化检测。在国内，公开号为CN106910186A的专利文献，公开了一种基于CNN深度学习的桥梁裂缝检测定位方法，其缺点是采用的CNN模板只有16像素大小，难以满足图像中不同宽度裂缝的检测，并且没有能够输出精确到像素的裂缝二值化图像。公开号为CN107133960A的专利文献，公开了一种基于全卷积神经网络(Fully Convolutional Networks，FCN)的图像裂缝分割方法，其缺点是对于裂缝的细节不敏感，并且没有充分考虑像素与像素之间的关系，忽略了在通常基于像素分类的分割方法中使用的空间规整步骤。

总的来说，裂缝状况是各类型结构健康状态评估的主要指标之一，人工勾画裂缝费时费力，传统的基于数字图像处理的裂缝检测技术适用性差、难以在复杂的工程环境中应用，基于深度学习的裂缝检测已经取得了一定的成果，但距离实际工程应用仍然有很大的提升空间。

发明内容

针对现有技术存在的不足，本发明拟公开一种基于多尺度特征融合深度学习的裂缝自动化勾画方法，能够实现完全依靠深度学习本身的裂缝检测定位、并完成高精度的自动勾画。

本发明思路为：

本发明基于特征金字塔网络(Feature pyramid networks,FPN)和迁徙学习策略，提供一种实现图像中裂缝定位、分割的深度学习网络，能够自动的识别出图像中的裂缝，并融合深度学习网络各层学习到的不同尺度、维度的特征，利用后续多层的全卷积层实现精确到每个像素的裂缝预测。

为解决上述技术问题，本发明采用如下的技术方案：

基于多尺度特征融合深度学习的裂缝自动化勾画方法，包括：

(1)基于迁徙学习的裂缝定性检测及特征提取方法