[发明专利]一种基于U-Net的建筑物表面裂纹检测方法

说明书

本发明涉及一种基于U‑Net的建筑物表面裂纹检测方法。首先使用相机和无人驾驶飞行器收集30张包含裂纹原始图像；然后在每个原始图像中标记裂缝区域并将注释保存为灰度图标签文件；之后对图像进行预处理后，选取其中的200张图像作为数据集，按比例随机分成训练集、验证集和测试集；采用数据增强方法对制作好的数据集进行处理，再将其送入U‑net网络进行训练，经过30轮迭代训练后，U‑net模型在测试集上的准确率为99.56%；最后利用训练好的模型进行裂纹检测。本发明能够适应不同条件下的裂纹检测，并且省去布置大量传感器的繁琐，能够自动准确的对裂纹进行识别检测，对于提升建筑物表面裂纹检测的准确率和效率有重要作用。

技术领域

本发明属于检测方法领域，尤其涉及一种基于U-Net的建筑物表面裂纹检测方法。

背景技术

建筑物损坏除了会造成维护工期、材料、人工、成本的增加，还会影响民用基础设施整体运营效率并造成安全隐患。这些损害很大一部分表现为表面的裂缝或破损，一方面容易造成意外事故的发生，另一方面表明结构内部有隐患存在，如不及时采取措施，可能造成极为严重的后果。对此解决的办法是通过建立各种法规，研究结构无损检测技术，确定结构的安全性和耐久性是否满足使用要求，并在此基础上及时地采取补强、加固等处理措施以提高建筑物结构的安全性，延长其使用年限。

过去的民用基础设施表面缺陷检测主要是通过人工实地考察获得，这种方法虽然能准确的获取建筑物表面缺陷情况，但是工作效率低，费用高且危险位置人工无法到达。因此对民用基础设施进行自动化的表面缺陷检测具有十分重要的理论意义和应用价值。目前，已经提出了多种采用图像处理技术的自动裂缝检测方法来代替人工的缺陷检测方法。对于普通的感觉系统，如光纤传感器系统，难以确保通过众多传感器获得的数据来表示实际结构缺陷，因为噪声信号或感觉系统故障可能导致误检测。与常用的传感系统相比，基于图像分割的方法能够在条件复杂的情况下识别绝大多数的表面缺陷，从而显著降低成本并获得理想的结果。

近年来，深度卷积神经网络（CNN）在图像分类领域取得了巨大成功，吸引了众多研究小组。本发明提出的一种基于U-Net的建筑物表面裂纹检测方法，U-Net采用的是一个包含下采样和上采样的网络结构。下采样用来进行特征提取，而上采样的过程是结合下采样各层信息和上采样的输入信息来还原细节信息，并且逐步还原图像精度。

发明内容

本发明的目的在于提供一种基于U-Net的建筑物表面裂纹检测方法，该方法能够适应不同条件下的裂纹检测，并且省去布置大量传感器的繁琐，能够自动准确的对裂纹进行识别检测，对于提升建筑物表面裂纹检测的准确率和效率有重要作用。

为实现上述目的，本发明的技术方案是：一种基于U-Net的建筑物表面裂纹检测方法，包括如下步骤：

步骤S1、图像采集：使用相机和无人驾驶飞行器收集30张包含裂纹的建筑物原始图像；

步骤S2、图像注释：使用支持语义和实例分割的图形图像注释工具LabelMe，在每个原始图像中标记裂缝区域并将注释保存为JSON文件，然后将这些JSON文件转换为灰度图标签文件，其中裂纹区域赋予像素值1，背景区域赋予像素值0；

步骤S3、图像预处理：将每个原始图像和对应的标签分别随机剪成100个，变成512×512像素分辨率的图片；选取200张图像作为初步数据集，按比例随机分成训练集、验证集和测试集；

步骤S4、模型训练：采用Keras框架实现U-Net系统，并在Anaconda平台下，将制作好的数据集送入U-Net网络进行训练，训练完成后将模型进行保存；

步骤S5、利用模型进行裂纹检测：使用改进的U-Net模型来进行裂纹提取任务，将待检测的裂纹图片输入U-Net模型，输入与输出图像的像素大小为512×512，输出是显示每个像素类别的掩模图像。