[发明专利]一种基于卷积神经网络的桥梁结构表面缺陷检测方法

权利要求书

1.一种基于卷积神经网络的桥梁结构表面缺陷检测方法，其特征在于，包括如下步骤：

步骤1：首先定义桥梁结构的裂缝类缺陷、露筋类缺陷，利用无人机搭载相机设备采集不同部位、不同光照条件的桥梁结构图像，分别构建裂缝和露筋类缺陷的分类数据集和露筋类缺陷语义分割的数据集，并利用随机旋转、裁切和尺度变换操作实现数据增强来充数据集；

步骤2：构建卷积神经网络模型进行256×256尺寸大小桥梁结构图像裂缝类缺陷、露筋类缺陷的分类；

步骤3：初始化分类模型的超参数，结合缺陷分类数据集进行模型的训练，调整卷积神经网络模型的卷积核、池化层的参数；训练完成的模型对输入图像具有裂缝类缺陷、露筋类缺陷和无缺陷三种输出结果；

步骤4：采用步长为64的交叉滑动方法对大于256×256的桥梁结构图像进行分块的裂缝类缺陷检测，并根据检测结果对缺陷实现初步定位；

步骤5：针对步骤4中检测出的裂缝类缺陷，搭建U-net卷积神经网络模型实现裂缝的粗分割；

步骤6：初始化U-net卷积神经网络模型超参数，取学习率为0.0001的Adam算法调整网络参数，不断减小每个像素点处的预测值和目标值的差距；训练完成的U-net卷积神经网络模型针对桥梁结构裂缝图像的输入，输出裂缝灰度图像的预测结果；

步骤7：采用最大类间差法方法进行图像的二值化，同时利用长为4、宽为4的矩形结构元素对二值图进行腐蚀操作，表示如下：

AΘB＝{x∈Eⁿ|x+b∈A,b∈B}

其中，A为二值图像，B为结构元素，x为二值图像A中的像素值，b为结构元素B中的尺寸值，Eⁿ为n维欧式空间，AΘB为图像A被结构元素B的腐蚀结果；

步骤8：针对腐蚀图像的结果，采用Zhang-Suen并行快速细化算法进行图像骨架的提取；

步骤9：寻找裂缝的二值图像骨架提取图中轮廓点集的凸包，再求出凸包的最小外接矩形；以图像的左上顶点作为原点，建立x、y坐标轴；旋转角度θ是与x轴平行的水平线逆时针旋转与缺陷外接矩形碰到的第一条边的夹角，并且这个边的边长是宽度，另一条边边长是高度；从而给出裂缝的最小外接矩形定位图，给出缺陷外接矩形的中心点、宽度、高度以及旋转角度θ特征描述信息。

2.根据权利要求1所述的一种基于卷积神经网络的桥梁结构表面缺陷检测方法，其特征在于，步骤2中所述卷积神经网络模型总共包含4层，包括前三层的卷积池化操作以及最后一层的全连接、激活、分类操作。

3.根据权利要求2所述的一种基于卷积神经网络的桥梁结构表面缺陷检测方法，其特征在于，所述卷积池化操作采用最大池化方法，同时使用了BN以及Dropout操作，并将ReLU函数作为激活函数和Softmax函数作为分类函数。

4.根据权利要求1所述的一种基于卷积神经网络的桥梁结构表面缺陷检测方法，其特征在于，步骤5中所述U-net卷积神经网络模型的具体内容如下：

图像数据先经过压缩路径进行下采样提取图像特征编码为特征图，然后再经过扩展路径上采样将提取的特征反向解码，利用最后一层特征图进行像素级别的分类，完成图像的分割；将最后一层特征图经过Sigmoid分类单元将每个像素进行分类获得预测的值。

5.根据权利要求4所述的一种基于卷积神经网络的桥梁结构表面缺陷检测方法，其特征在于，所述压缩路径中由4层的两次3×3的卷积、一次3×3的最大池化操作组成；所述扩展路径由4层2×2上卷积、通道特征融合、两次3×3的最大池化操作组成。