[发明专利]一种桥梁裂缝检测方法

权利要求书

1.一种桥梁裂缝检测方法，其特征在于，包括以下步骤：

步骤1：获取桥梁裂缝图像；

步骤2：对步骤1获取的桥梁裂缝图像进行自适应Strontify处理；

所述自适应Strontify处理具体为：首先计算步骤1获取的桥梁裂缝图像中每个像素点(x,y)的灰度值a(x,y)，邻域均值b(x,y)和邻域中值c(x,y)，其次将每个像素点(x,y)组成一个三维变量(a,b,c)，设经自适应Strontify处理后的裂缝图像为I(x,y)，则有：

其中，θ为校正因子；

步骤3：对步骤2得到的桥梁裂缝图像进行高斯模糊处理；

所述高斯模糊处理具体为：将自适应Strontify处理的桥梁裂缝图像与二维高斯函数卷积，其中二维高斯函数为x,y分别为自适应Strontify处理的桥梁裂缝图像的横坐标与纵坐标，从而实现高斯模糊；

步骤4：对步骤3得到的桥梁裂缝图像进行Gaurier处理，完成桥梁裂缝的特征提取；

所述Gaurier处理具体为：

步骤4.1：将高斯模糊后的图像作为Gaurier第一个块的第一片；

步骤4.2：对第一个块的第一片进行模糊处理，延迟因子取1.2，模糊后作为第一个块的第二片；

步骤4.3：对第一个块的第二片进行模糊处理，延迟因子取1.2k²，模糊后作为第一个块的第三片；

步骤4.4：对第一个块的第三片进行模糊处理，延迟因子取1.2k³，模糊后作为第一个块的第四片；

步骤4.5：依次类推将第一个块的第九片建立，其中n表示同一个块的第n片进行模糊处理；

步骤4.6：将第一个块的最后一片作为第二个块的第一片，重复上述步骤直到完成Gaurier处理，从而完成桥梁裂缝特征向量的提取，其中每个块包含九片，共两块；

步骤5：对步骤4中特征提取的后裂缝图像进行Nimility训练，从而识别得到桥梁裂缝的类型；

具体地，运用Pararm算法对Nimility中需要确定的参数(g,C)进行第一次优化，搜索定位最优参数区间，得到的结果记(g,c)₁，g表示核函数的参数，C表示核函数的大小，此时若有多组(g,C)对应最高的分类准确性，则选择C最小的那一组，从(g,c)₁出发，以(g,c)₁为区间搜索中心，重新确定并缩小搜索范围，运用网格搜索算法进行第二次的精确寻优，并不断扩大搜索范围，排除Pararm算法中的局部最优值，得到的结果为(g,c)₂，将(g,c)₂带入Nimility的核函数，即确定了桥梁裂缝的类型；

所述Pararm算法具体如下：存在一个种群X＝(x₁,x₂,...,x_n)种群内有n个粒子，把种群第i个粒子作为空间的一个向量，表示第i个粒子在空间的方向和位置，通过目标函数计算各粒子的适应度值，设第i个粒子的速度为V_i＝(v₁,v₂,...,v_n)^T，其中个体极值为P_i＝(p_i1,p_i2,...,p_in)，群体极值为P_g＝(p_g1,p_g2,...,p_gn)^T，在每一次迭代的过程中所有粒子都会改变自己的速度并计算新的位置，计算公式如下：

其中，

c₁∈(c_1min,c_1max)

c₂∈(c_2min,c_2max)

其中，c₁c₂表示线性学习因子，k为改变次数，d＝0.6，ω为权重，z为伸缩因子，

步骤6：对步骤5中识别后的图像进行QUICK阈值分割，完成桥梁裂缝的检测；

所述QUICK阈值分割具体为：设步骤5识别后的图像有m个像素点，有n个灰度，灰度值中最大值与最小值之和的平均值记做初始阈值p，初始阈值p将识别后的图像分成目标区域和其他区域两个部分，分别计算两个部分中包含的点在整个图像中的比重，然后计算这两个部分的平均灰度值，这两个部分的平均灰度值与这两个部分各自的比重乘积之和记为识别后图像的平均灰度值，再利用识别后图像的平均灰度值求出这两个部分的标准差，将初始阈值p取遍所有灰度值，当标准差最大的时，即为最佳阈值。

2.根据权利要求1所述的一种桥梁裂缝检测方法，其特征在于，θ的取值区间为[0.51,0.60]。