[发明专利]基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质

说明书

本发明公开了一种基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质，其中方法包括：获取混凝土表面图像；将获取的混凝土表面图像输入到预先训练好的混凝土缺陷语义分割模型中，输出逐像素分类的混凝土缺陷语义分割图，实现混凝土缺陷识别；其中，所述混凝土缺陷语义分割模型为根据已进行标注的混凝土表面图像数据对全卷积神经网络进行训练后得到。上述方案为混凝土缺陷图像的像素级自动识别检测提供了一种有效手段，识别效率高，解决了人工巡视检查耗时耗力、缺陷细节及发展过程难以掌控的问题。

技术领域

本发明涉及混凝土安全监控领域，尤其涉及一种基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质。

背景技术

很多时候需要对混凝土的安全状况进行监控检测，其中，巡视检查是混凝土安全监控中必不可少的部分，通过巡视检查可以及时发现裂纹、渗漏、析钙、露筋、破损等影响混凝土结构安全的缺陷。然而，巡视检查目前主要依赖于人工，不可避免存在检查耗时耗力，缺陷细节及发展过程难以掌控等问题。

图像的语义分割技术能够自动获取图像中各像素的类别信息，为自动识别及分析混凝土缺陷信息提供了一种有效技术手段。然而，以往研究表明，传统的语义分割手段在不同场景下的混凝土的缺陷分割任务上表现一般，难以应用于实际。

发明内容

本发明提供了一种基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质，以解决目前主要依赖人工检测导致的检测效率低的问题。

第一方面，提供了一种基于全卷积神经网络的混凝土缺陷检测方法，包括：

获取混凝土表面图像；

将获取的混凝土表面图像输入到预先训练好的混凝土缺陷语义分割模型中，输出逐像素分类的混凝土缺陷语义分割图，实现混凝土缺陷识别；其中，所述混凝土缺陷语义分割模型为根据已进行标注的混凝土表面图像数据对全卷积神经网络进行训练后得到。

上述方案通过预先根据已进行标注的混凝土表面图像数据对全卷积神经网络进行训练得到混凝土缺陷语义分割模型，然后在进行混凝土检测时，直接将获取的混凝土表面图像输入到预先训练好的混凝土缺陷语义分割模型中，直接输出逐像素分类的混凝土缺陷语义分割图，实现混凝土缺陷识别。上述方案为混凝土缺陷图像的像素级自动识别检测提供了一种有效手段，识别效率高，解决了人工巡视检查耗时耗力、缺陷细节及发展过程难以掌控的问题。

进一步地，所述混凝土缺陷语义分割模型为根据已进行标注的混凝土表面图像数据对全卷积神经网络进行训练后得到，具体包括：

获取若干混凝土表面图像，并对其进行缺陷类别的逐像素分类标注；

基于已标注的若干混凝土表面图像划分训练集和验证集，训练集和验证集中每个样本均包含混凝土表面图像及对应的逐像素分类标注；

基于训练集和验证集对全卷积神经网络进行训练和优化，得到混凝土缺陷语义分割模型，该混凝土缺陷语义分割模型的输入为混凝土表面图像，其输出为逐像素分类的混凝土缺陷语义分割图。

采用基于全卷积神经网络构建混凝土缺陷语义分割模型，可实现缺陷图像的像素级自动识别，检测精度高，可实现缺陷细节的识别，有利于掌握缺陷的发展过程。

进一步地，所述基于已标注的若干混凝土表面图像划分训练集和验证集之前还包括：

对已标注的若干混凝土表面图像进行图像增强处理。

进一步地，所述图像增强处理包括:

对已标注的若干混凝土表面图像进行旋转、翻转、光照、对比度中的一种或多种增强处理，将最终生成的图像均作为样本用于构建训练集和验证集。

通过进行图像增强处理，可实现样本量的扩展，提高训练得到的混凝土缺陷语义分割模型的检测精度，也可缩减采集混凝土表面图像及标注的成本。