[发明专利]混凝土裂纹高分图像无损语义分割方法、装置及存储介质

权利要求书

1.一种混凝土裂纹高分图像无损语义分割方法，其特征在于，包括：

获取混凝土表面高分图像；

采用滑动窗口将混凝土表面高分图像截取为若干局部图像；

将若干局部图逐一输入预先训练好的混凝土裂纹初识别模型，将识别出的存在裂纹概率大于预设阈值的局部图像均筛选出来；其中，所述预设阈值的取值为0.1，以保证裂纹的查全率；

将筛选出来的局部图像逐一输入预先训练好的混凝土裂纹语义分割模型，对应输出逐像素分类的混凝土裂纹语义分割图，实现混凝土表面高分图像的无损语义分割；

其中，所述混凝土裂纹初识别模型为基于历史混凝土高分图像数据训练传统卷积神经网络得到；所述混凝土裂纹语义分割模型为基于历史混凝土高分图像数据训练全卷积神经网络得到；所述传统卷积神经网络的基础架构为ResNet50；所述全卷积神经网络为DeepLabv3+模型，其基础架构为ResNet50；

通过基于传统卷积神经网络的混凝土裂纹初识别模型进行初步筛选，过滤掉无裂纹的局部图像，将筛选出的局部图像再通过基于全卷积神经网络的混凝土裂纹语义分割模型进行语义分割，该处理过程能有效缓解计算量过大、假裂纹过多的问题。

2.根据权利要求1所述的混凝土裂纹高分图像无损语义分割方法，其特征在于，所述混凝土裂纹语义分割模型通过如下方法训练得到：

获取若干混凝土表面高分图像，并对若干混凝土表面高分图像进行有无裂纹的逐像素二分类标注；

采用滑动窗口对逐像素标注的若干混凝土表面高分图像进行预处理，得到若干逐像素标注的局部图像；

基于若干逐像素标注的局部图像构建训练集和验证集，所述训练集和验证集中样本均为标注为有裂纹的逐像素标注的局部图像；

基于训练集和验证集对全卷积神经网络进行训练和优化，得到混凝土裂纹语义分割模型。

3.根据权利要求2所述的混凝土裂纹高分图像无损语义分割方法，其特征在于，所述混凝土裂纹初识别模型通过如下方法训练得到：

基于若干逐像素标注的局部图像生成若干整体有无裂纹的二分类标注局部图像；

基于若干整体有无裂纹的二分类标注局部图像构建训练集和验证集，训练集和验证集中样本均包括整体有裂纹局部图像和整体无裂纹局部图像；

基于训练集和验证集对传统卷积神经网络进行训练和优化，得到混凝土裂纹初识别模型。

4.根据权利要求2所述的混凝土裂纹高分图像无损语义分割方法，其特征在于，所述基于若干逐像素标注的局部图像构建训练集和验证集之前包括：

对若干逐像素标注的局部图像进行图像增强处理，生成新的若干逐像素标注的局部图像，其中，所述增强处理包括旋转、翻转、光照、对比度中的一种或多种。

5.一种混凝土裂纹高分图像无损语义分割装置，其特征在于，包括：

图像获取模块，用于获取混凝土表面高分图像；

预处理模块，用于采用滑动窗口将混凝土表面高分图像截取为若干局部图像；

初识别模块，用于将若干局部图逐一输入预先训练好的混凝土裂纹初识别模型，将识别出的存在裂纹概率大于预设阈值的局部图像均筛选出来；其中，所述预设阈值的取值为0.1，以保证裂纹的查全率；

语义分割模块，用于将筛选出来的局部图像逐一输入预先训练好的混凝土裂纹语义分割模型，对应输出逐像素分类的混凝土裂纹语义分割图，实现混凝土表面高分图像的无损语义分割；

其中，所述混凝土裂纹初识别模型为基于历史混凝土高分图像数据训练传统卷积神经网络得到；所述混凝土裂纹语义分割模型为基于历史混凝土高分图像数据训练全卷积神经网络得到；所述传统卷积神经网络的基础架构为ResNet50；所述全卷积神经网络为DeepLabv3+模型，其基础架构为ResNet50；

通过基于传统卷积神经网络的混凝土裂纹初识别模型进行初步筛选，过滤掉无裂纹的局部图像，将筛选出的局部图像再通过基于全卷积神经网络的混凝土裂纹语义分割模型进行语义分割，该处理过程能有效缓解计算量过大、假裂纹过多的问题。

6.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器加载时执行如权利要求1至4任一项所述的混凝土裂纹高分图像无损语义分割方法。