[发明专利]一种基于复杂噪声图像深度学习的混凝土裂缝识别方法

权利要求书

1.一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，包括以下步骤：

步骤1，采集混凝土裂缝图像，建立裂缝类型识别图像数据集和裂缝位置识别图像数据集，其中所述裂缝类型识别图像数据集包括裂缝类型识别图像训练集，所述裂缝位置识别图像数据集包括裂缝位置识别图像训练集；

步骤2，以Alexnet结构为基础进行迁移学习，建立裂缝类型识别网络，以Cifar10模型为基础建立裂缝位置识别网络；

步骤3，使用综合滤波方法依次对所述裂缝类型识别图像训练集和裂缝位置识别图像训练集中的图像进行预处理；

步骤4，使用预处理后的裂缝类型识别图像训练集和裂缝位置识别图像训练集中的图像分别训练裂缝类型识别网络和裂缝位置识别网络，得到训练好的裂缝类型识别网络和裂缝位置识别网络；

步骤5，将待识别的裂缝图像输入训练好的裂缝类型识别网络和裂缝位置识别网络，分别对裂缝类型和裂缝位置进行识别。

2.如权利要求1所述的基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，步骤1中采集混凝土裂缝图像后，将裂缝图像进行分辨率转换，然后建立所述裂缝类型识别图像数据集，将裂缝类型识别图像数据集中的一部分图像作为裂缝类型识别图像训练集，另一部分图像作为裂缝类型识别图像测试集。

3.如权利要求1所述的基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，步骤1中使用窗口在裂缝图像上不重叠的进行滑动，每次滑动得到一张切片图像；把不包含裂缝的切片图像作为背景元，包含裂缝的切片图像作为裂缝元，采用背景元和裂缝元建立裂缝位置识别图像数据集；将裂缝位置识别图像数据集中的一部分图像作为裂缝位置识别图像训练集，另一部分图像作为裂缝位置识别图像测试集。

4.如权利要求1所述的基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，步骤3中对所述裂缝类型识别图像训练集和裂缝位置识别图像训练集中的图像进行综合滤波预处理具体包括：

a.采用频率域滤波中的同态滤波法对所述裂缝类型识别图像训练集和裂缝位置识别图像训练集中的图像进行滤波处理；

b.采用中值滤波器对a步骤滤波得到的图像进行滤波处理，以保护裂缝图像的边缘；

c.采用高斯滤波器对b步骤滤波得到的图像进行噪声过滤处理；

d.根据大津阈值法阈值确定c步骤滤波得到的图像中的灰度最大值后，通过设定的阈值对图像进行二值化处理。

5.如权利要求1所述的基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，步骤4之后还包括：

利用所述裂缝图像的测试集建立复杂噪声下的图像测试集；

对复杂噪声下的图像测试集采用步骤3的方法进行预处理，分别采用预处理后的图像测试集和未经预处理的图像测试集对训练好的裂缝类型识别网络进行测试。

6.如权利要求5所述的基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，在步骤4之后还包括：

对复杂噪声下的图像测试集采用步骤3的方法进行预处理，分别利用预处理后的图像测试集与未经预处理的图像测试集对训练好的裂缝位置识别网络进行测试。

7.如权利要求5所述的基于复杂噪声图像深度学习的混凝土裂缝识别方法，其特征在于，所述复杂噪声下的图像测试集包括光照模拟图像测试集、模糊模拟图像测试集和严重背景噪声图像测试集，所述光照模拟图像测试集由将模拟光源叠加至裂缝图像的测试集中的图像得到，所述模糊模拟图像测试集由对裂缝图像的测试集中的图像进行模糊模拟得到，所述严重背景噪声图像测试集由选取图像数据集中背景情况最为严重的多张图像组成。