[发明专利]一种裂缝分割方法、装置、电子设备及存储介质

说明书

本发明公开了一种裂缝分割方法、装置、电子设备及存储介质，所述方法包括：将图像输入预先训练完成的裂缝分割模型；基于所述裂缝分割模型，对所述图像进行卷积处理和池化处理，得到第一特征图像；分别对所述第一特征图像进行平均池化处理、最大池化处理和空洞卷积处理，得到每个第二特征图像；将每个第二特征图像进行串行连接，得到第三特征图像，对所述第三特征图像进行残差卷积处理，输出裂缝分割图像。通过平均池化处理可以提取裂缝全局特征信息，通过最大池化处理可以保留裂缝边缘特征信息，通过空洞卷积处理可以提取裂缝局部的特征信息。三种处理方式相结合可以尽可能保留裂缝的特征信息，使得最终输出的裂缝分割图像更准确。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种裂缝分割方法、装置、电子设备及存储介质。

背景技术

裂缝分割即对图片中的每个像素都做分类，将属于裂缝的像素标记出来。随着计算机视觉步入深度学习时代，全卷积神经网络(Fully Convolutional Networks，)FCN在分割任务上进行了开创性的工作。FCN先使用卷积神经网络提取图像特征，使用池化下采样在降低图像尺寸的同时增大感受野，然后进行上采样到原始图像尺寸进行预测。因此FCN分割有两个关键，一个是下采样池化增大感受野时减少信息损失，另一个是上采样扩大图像尺寸时准确预测像素输出。

现有技术中采用以DeepLab v3为代表的使用空洞卷积与金字塔池化的网络结构。该结构提取图像特征时抛弃了池化层使用空洞卷积进行下采样，在保证感受野的同时减少了位置信息的丢失。同时使用金字塔池化对特征进行不同规模的池化操作，并做上采样后拼接起来，以此来采集多尺度信息。

虽然DeepLab v3网络结构在一定程度上可以提高分割效果，但该网络结构使用的下采样和金字塔池化方式，使得特征图包含的裂缝特征很少。因此该网络结构在面对裂缝区域细长曲折，裂缝边缘较复杂的高精度数据集时，裂缝分割的效果仍有局限性，对定位精度仍有不足。

发明内容

本发明实施例提供了一种裂缝分割方法、装置、电子设备及存储介质，用以解决现有技术中裂缝分割不准确的问题。

本发明实施例提供了一种裂缝分割方法，所述方法包括：

将图像输入预先训练完成的裂缝分割模型；

基于所述裂缝分割模型，对所述图像进行卷积处理和池化处理，得到第一特征图像；分别对所述第一特征图像进行平均池化处理、最大池化处理和空洞卷积处理，得到每个第二特征图像；将每个第二特征图像进行串行连接，得到第三特征图像，对所述第三特征图像进行残差卷积处理，输出裂缝分割图像。

进一步地，所述对所述图像进行卷积处理和池化处理，得到第一特征图像包括：

对所述图像进行卷积处理、池化处理和空洞卷积处理，得到第一特征图像。

进一步地，对所述图像进行卷积处理和池化处理之后，将每个第二特征图像进行串行连接之前，所述方法还包括：

对所述图像进行卷积处理和池化处理后的第一特征图像进行解码处理，得到第四特征图像；对每个第二特征图像分别进行解码处理，得到每个第五特征图像；将所述第四特征图像和每个第五特征图像作为每个第二特征图像；其中，所述第四特征图像和每个第五特征图像的分辨率相同。

进一步地，所述对所述第三特征图像进行残差卷积处理，输出裂缝分割图像包括：

对所述第三特征图像进行卷积处理，得到第六特征图像；

将所述第三特征图像和所述第六特征图像进行融合，输出裂缝分割图像。

进一步地，输出裂缝分割图像之后，所述方法还包括：

对所述裂缝分割图像进行二值化处理。

进一步地，预先训练裂缝分割模型的过程包括：