[发明专利]基于计算机视觉的混凝土结构表面缺陷自动检测方法

权利要求书

1.一种基于计算机视觉的混凝土结构表面缺陷自动检测方法，其特征在于：对视频数据进行时间轴上采样获取图像，图像输入深度卷积神经网络模型获取缺陷的位置、缺陷的类别以及缺陷的分割效果。

2.根据权利要求1所述的基于计算机视觉的混凝土结构表面缺陷自动检测方法，其特征在于：所述深度卷积神经网络模型包括：

特征提取模块，用于提取图像特征；

缺陷位置生成模块，用于根据图像特征提取出图像中的疑似缺陷目标区域；

缺陷区域位置检测模块，用于获取疑似缺陷目标区域中缺陷在图像中的精确坐标信息；

缺陷区域分类模块，用于确定疑似缺陷目标区域中缺陷的类别；

缺陷区域分割模块，用于对疑似缺陷目标区域中的缺陷进行语义分割。

3.根据权利要求2所述的基于计算机视觉的混凝土结构表面缺陷自动检测方法，其特征在于：所述特征提取模块包括ResNet50网络模块，用于提取图像的特征向量。

4.根据权利要求3所述的基于计算机视觉的混凝土结构表面缺陷自动检测方法，其特征在于：所述缺陷位置生成模块包括感兴趣区域提取模块，将图像的特征向量输入感兴趣区域提取模块，生成疑似缺陷目标区域的目标框，提取目标框对应的目标区域特征向量，将所有目标区域特征向量调整到统一的维度；生成目标存在置信度的概率值，并将概率值按照大小顺序排序，选取概率值大于预设值的目标区域特征向量，作为缺陷区域位置检测模块、缺陷区域分类模块、缺陷区域分割模块的输入。

5.根据权利要求4所述的基于计算机视觉的混凝土结构表面缺陷自动检测方法，其特征在于：所述缺陷区域位置检测模块，将目标区域特征向量输入到一线性回归器中计算误差并进行反向传播，最终得到缺陷所在区域的最小外接矩形。

6.根据权利要求4所述的基于计算机视觉的混凝土结构表面缺陷自动检测方法，其特征在于：所述缺陷区域分类模块，将目标区域特征向量输入到一全连接层并传输给SoftMax激活层，得到疑似缺陷目标区域对应于各个类别的概率预测向量。

7.根据权利要求4所述的基于计算机视觉的混凝土结构表面缺陷自动检测方法，其特征在于：所述缺陷区域分割模块，将目标区域特征向量输入到一Unet网络模块中对疑似缺陷目标区域中的缺陷进行语义分割。

8.根据权利要求2-7任一所述的基于计算机视觉的混凝土结构表面缺陷自动检测方法，其特征在于：所述深度卷积神经网络模型的训练过程如下：

S10、准备训练数据；

S20、通过ImageNet数据集训练ResNet50网络模块；

S30、训练感兴趣区域提取模块；

S40、训练缺陷区域位置检测模块、缺陷区域分类模块和缺陷区域分割模块；

S50、调整学习率，然后重复执行S30、S40两个步骤，直到设定的损失函数数值收敛到设定的误差值以下。

9.根据权利要求8所述的基于计算机视觉的混凝土结构表面缺陷自动检测方法，其特征在于：所述准备训练数据包括对缺陷的训练数据进行数据增强，模拟生成出各种环境下的混凝土表面缺陷的成像效果图像。