[发明专利]混凝土裂缝分割方法及装置

权利要求书

1.一种基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法，其特征在于，包括：

获取裂缝图片，对每一张图片中存在的每一条裂缝进行标注，标注得到的标签文件和裂缝图像形成裂缝数据库；

对所述裂缝数据库进行预处理，再输入YOLOv4目标检测模型中，训练针对裂缝数据的YOLOv4混凝土裂缝检测模型；

对已训练好的所述YOLOv4混凝土裂缝检测模型进行稀疏化训练，训练完成后对YOLOv4混凝土裂缝检测模型进行剪枝，得到YOLOv4-P模型；

将待检测的图像输入到所述YOLOv4-P模型中进行检测，检测完成后对所述YOLOv4-P模型输出的结果图像中含有裂缝的部分进行裁剪，裁剪后的裂缝图像经强化后输入管状流场算法中进行像素分割，得到混凝土裂缝分割结果；

其中，所述管状流场算法通过水平集函数演化来进行分割，具体包括：

使用二阶高斯导数黑塞矩阵H处理待检测的图像Ω：

H(u，v)＝[h]_i，j(1≤i，j≤2)(u，v)∈Ω

其中，G(σ)是高斯核函数，σ为标准差，f(u，v)是与位置(u，v)∈Ω相对应的像素坐标，i、j为自然数；

使用以下密度方程ρ评估像素坐标f(u，v)处的裂缝密度：

其中，λ₁和λ₂是黑塞矩阵的特征值，D是基于特征值的图像的尺寸，β和c是试验确定的灵敏度阈值；如果λ₁＜0.1，|λ₂|＞2，则该像素处于裂缝结构中；

对所述裂缝分割结果使用改进中轴变换算法，对裂缝进行边界侵蚀，提取裂缝的骨架，测量裂缝的宽度，其中所述改进中轴变换算法，具体包括：

对任意裂缝的内部区域中的一个点，在裂缝的边界上搜寻一个点，使这个点与裂缝内部区域的点的距离最近，如果在边界上至少能找到两个这样的点，则认为裂缝内部区域的这个点是裂缝的骨架点，在搜寻与E最近的点时，使用了以下方程：

d_s(E，B)＝infimum{d(E，z)|z∈B}

其中，infimum表示下确界，d_s和d表示欧氏距离，z表示边界B上的任意点，E表示任意裂缝的内部区域R中的一个点；初步求得所述裂缝的骨架点后，对每个骨架点求其法线方向到两个边界的距离，如果两个距离的差异超过阈值需要修正，而相邻点的两个距离差异未超过阈值，则在待修正点处按相邻点的法线取中点，作为修正后的骨架点；以两个相邻的骨架点M_P和M_Q为例，其中M_P是需要修正的骨架点，M_Q是不需要修正的骨架点：

其中，M_P＝1表示骨架点需要修正，M_P＝0表示骨架点不需要修正，d_p1 和d_P2表示骨架点P到裂缝的两个边界的欧式距离，M’_P表示修正后的骨架点，d_Q1(x，y)和d_Q2(x，y)表示在骨架点P处按骨架点Q处的法线方向与裂缝两个边界的交点。

2.根据权利要求1所述的一种基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法，其特征在于，标注时，使用LabelImg图像标注软件对图像中的裂缝进行标注。

3.根据权利要求1所述的一种基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法，其特征在于，所述预处理包括裂缝数据增强和图像归一化操作。

4.根据权利要求1所述的一种基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法，其特征在于，所述剪枝利用YOLOv4目标检测模型中批量规范化层的缩放因子γ作为重要性因子，设定阈值，γ低于阈值的卷积层被舍弃，并在YOLOv4目标检测模型的损失函数方程中加入了一个关于γ的正则项。

5.根据权利要求1所述的一种基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法，其特征在于，所述强化使用限制对比度自适应直方图均衡算法。

6.一种基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割装置，其特征在于，包括：

获取单元，用于获取裂缝图片，对每一张图片中存在的每一条裂缝进行标注，标注得到的标签文件和裂缝图像形成裂缝数据库；

模型训练单元，用于对所述裂缝数据库进行预处理，再输入YOLOv4目标检测模型中，训练针对裂缝数据的YOLOv4混凝土裂缝检测模型；

剪枝单元，用于对已训练好的所述YOLOv4混凝土裂缝检测模型进行稀疏化训练，训练完成后对YOLOv4混凝土裂缝检测模型进行剪枝，得到YOLOv4-P模型；

分割单元，用于将待检测的图像输入到所述YOLOv4-P模型中进行检测，检测完成后对所述YOLOv4-P模型输出的结果图像中含有裂缝的部分进行裁剪，裁剪后的裂缝图像经强化后输入管状流场算法中进行像素分割，得到混凝土裂缝分割结果；

其中，所述管状流场算法通过水平集函数演化来进行分割，具体包括：

使用二阶高斯导数黑塞矩阵H处理待检测的图像Ω：

H(u，v)＝[h]_i，j(1≤i，j≤2)(u，v)∈Ω

其中，G(σ)是高斯核函数，σ为标准差，f(u，v)是与位置(u，v)∈Ω相对应的像素坐标，i、j为自然数；

使用以下密度方程ρ评估像素坐标f(u，v)处的裂缝密度：

其中，λ₁和λ₂是黑塞矩阵的特征值，D是基于特征值的图像的尺寸，β和c是试验确定的灵敏度阈值； 如果λ₁＜0.1，|λ₂|＞2，则该像素处于裂缝结构中；

对所述裂缝分割结果使用改进中轴变换算法，对裂缝进行边界侵蚀，提取裂缝的骨架，测量裂缝的宽度，其中所述改进中轴变换算法，具体包括：

对任意裂缝的内部区域中的一个点，在裂缝的边界上搜寻一个点，使这个点与裂缝内部区域的点的距离最近，如果在边界上至少能找到两个这样的点，则认为裂缝内部区域的这个点是裂缝的骨架点，在搜寻与E最近的点时，使用了以下方程：

d_s(E，B)＝infimum{d(E，z)|z∈B}

其中，infimum表示下确界，d_s和d表示欧氏距离，z表示边界B上的任意点，E表示任意裂缝的内部区域R中的一个点； 初步求得所述裂缝的骨架点后，对每个骨架点求其法线方向到两个边界的距离，如果两个距离的差异超过阈值需要修正，而相邻点的两个距离差异未超过阈值，则在待修正点处按相邻点的法线取中点，作为修正后的骨架点； 以两个相邻的骨架点M_P和M_Q为例，其中M_P是需要修正的骨架点，M_Q是不需要修正的骨架点：

其中，M_P＝1表示骨架点需要修正，M_P＝0表示骨架点不需要修正，d _P1 和d_P2表示骨架点P到裂缝的两个边界的欧式距离，M’_P表示修正后的骨架点，d_Q1(x，y)和d_Q2(x，y)表示在骨架点P处按骨架点Q处的法线方向与裂缝两个边界的交点。