[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

说明书

本发明公开了一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，涉及图像识别技术领域。首先，通过迁移学习获得裂缝类型识别网络与裂缝位置识别网络；随后，采用综合滤波方法对训练集的图像进行预处理，将多种背景转化为只含有裂缝的二值化图像，极大地削弱了噪声影响且增加了该本发明的通用性；最终，分别利用含有正常和严重背景噪声的裂缝图像测试有、无图像预处理优化的裂缝类型识别网络和裂缝位置识别网络。本发明能够在多种噪声影响下以较高精度对图像进行裂缝识别，包括对裂缝的类型和位置的识别。

技术领域

本发明涉及图像识别技术领域，特别是涉及一种基于复杂噪声图像深度学习的混凝土裂缝识别方法。

背景技术

混凝土建筑，包括桥梁、大坝等民用基础设施，在其运营期间由于环境、荷载、材料等因素的变化会产生损伤，损伤以裂缝为典型特征。目前传统的民用基础设施诊断方法主要依靠人的检查。然而，这种检查有其局限性。首先，由于检查人员的主观感知、视觉能力和知识的不同，结果有很大的差异。其次，由于人工检查费时费力，导致常规检查不够频繁，不能及时发现结构损伤，产生危险隐患。与传统的结构损伤检测方法相比，采用数字图像处理技术的裂缝检测具有高效、高精度、客观性好等优势。

传统的图像裂缝提取方法包括阈值分割法、边缘检测法等，在实际的建筑物工况下拥有的复杂背景噪声影响下，裂缝识别效果不佳。而新兴起的人工智能裂缝识别方法，需要根据不同的背景使用不同的特征提取方法，增加裂缝识别难度。

发明内容

本发明实施例提供了一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，可以解决现有技术中存在的问题。

本发明提供了一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，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。

本发明中的一种基于复杂噪声图像深度学习的混凝土裂缝识别方法，具有以下优点：

(1)本发明不仅可以识别混凝土图像中裂缝的种类，还能将图像中的裂缝进行定位；

(2)本发明通过混凝土裂缝图像的预处理优化算法，可以识别严重背景噪声干涉下的裂缝。复杂噪声干扰的情况包括裂缝图像中的强光影响，相机晃动造成的模糊，建筑表面的混凝土随着阳光暴晒，雨水腐蚀的影响产生凹凸褶皱，和人为的干涉下产生污渍(油漆、沥青等)与日常磨损等，采用本发明中的方法可以避免使用深度学习进行裂缝识别时，由于每一种背景情况都要分别进行特征提取导致的算法识别效率降低，精度下降的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中方法的流程图；

图2为五种裂缝的示意图；