[发明专利]一种基于深度学习的建筑裂缝识别及识别效果的优化方法

说明书

本发明涉及一种基于深度学习的建筑裂缝识别及识别效果的优化方法，包括以下步骤：1)深度学习训练：采集建筑裂缝图片，人工标注裂缝作为训练数据集，采用数据增强技术扩充训练数据集，通过深度学习模型训练数据集，得到训练结果，即权重文件；2)裂缝图像识别：通过深度学习训练结果，对待识别图像进行裂缝识别；3)识别效果优化：使用python语言对步骤2)得到的深度学习识别结果图像进行处理，修正掩膜区域，使其更准确，更贴近于真实裂缝区域。本发明通过深度学习识别裂缝，以解决现有人工裂缝检测主观性大、人力资源消耗大，传统的图像识别方法抗干扰能力弱等问题。通过对裂缝深度学习识别结果进一步优化，使深度学习裂缝识别结果更贴近于真实裂缝。

技术领域

本发明涉及一种基于深度学习的建筑裂缝识别及识别效果的优化方法，属于建筑安全监测技术领域。

背景技术

在建筑的长期使用过程中，由于自然老化，不正当拆改，相邻建筑工地施工等因素影响，会出现损坏的状况，严重的可能倒塌。因此，定期对建筑进行检查，发现问题并及时采取措施极为重要，这样不仅可以延长建筑的使用寿命，更重要的是可以避免建筑安全事故的发生。而裂缝作为影响建筑安全性的重要表观表现形式之一，产生的原因多种多样，不同原因造成的裂缝具有不同的特征，同一类型的裂缝长度、宽度以及发展情况所反应出的建筑安全状况也不同。因此，裂缝可以一定程度上反应建筑的安全状况，对建筑的安全性鉴定具有重要意义。

现阶段裂缝数据的采集大多采用人工检测手段。检测过程通常是由现场检测人员到待检测结构体旁，使用相关检测设备测量裂缝长度、宽度等参数，再人工记录裂缝位置、对应参数等相关信息，统计分析数据，分析结构安全性和可靠性。人工检测法速度慢、精度差、人力投入大，随着对检测精度的要求不断提高以及老旧建筑增多，待检测建筑数量的快速增多，已经很难满足需求。

而随着计算机科学和数字图像处理技术的不断发展，利用图像处理来对裂缝进行检测越来越受到人们的关注，它具有非接触、效率高、便捷直观等优点，逐渐成为研究的主方向且取得了大量的研究成果。但是，由于裂缝图像往往具有复杂的特性，可能存在水渍、污染、管线等的干扰，加之光照不均匀，噪声繁多，分布不规律，这些都给传统的图像处理方法带来了难以解决的困难。与此同时，近年来，人工智能与深度学习的迅速发展给计算机视觉领域带来了革命性的发展。物体图像分类与分割是计算机视觉、模式识别与机器学习领域非常活跃的研究方向。相较于传统基于形态学的裂缝图像分析，深度学习对裂缝的识别具有更精确，抗干扰能力更强的特点，对裂缝图像处理具有重要应用价值。

但是由于深度学习训练集数量不够等原因，以及裂缝图像具有裂缝区域像素点比较少，长宽比很大，宽度方向像素点很少的特点，裂缝识别结果往往与真实裂缝有一定出入，即便很小的出入，对最终的裂缝识别效果、工程应用也会造成很大影响。因此，对深度学习识别结果的进一步优化是一个亟待解决的重要问题。

发明内容

为了解决上述技术问题，本发明提供一种基于深度学习的建筑裂缝识别及识别效果的优化方法，利用深度学习技术，识别建筑裂缝，结合算法对建筑裂缝识别效果进行优化，大大提高建筑裂缝识别率和识别效果。其具体技术方案如下：

一种基于深度学习的建筑裂缝识别及识别效果的优化方法，包括以下步骤：

步骤1)深度学习训练：采集建筑裂缝图片，人工标注裂缝作为训练数据集，采用数据增强技术扩充训练数据集，通过深度学习模型训练数据集，得到训练结果，即权重文件；

步骤2)采集裂缝图像：通过图像采集设备对待测量的裂缝进行图像采集，得到待识别图像；

步骤3)裂缝图像识别：通过深度学习训练结果，对待识别图像进行裂缝识别，识别获得图像中裂缝的识别框和裂缝覆盖区域掩膜；

步骤4)识别效果优化：使用python语言对步骤3)得到的图像进行处理，修正掩膜，使其更准确，更贴近真实裂缝区域。