[发明专利]一种基于改进PSPNet网络的桥梁裂缝检测方法

说明书

本发明属于桥梁裂缝检测技术领域，具体涉及一种基于改进PSPNet网络的桥梁裂缝检测方法，包括以下步骤：步骤一：对桥梁裂缝图像数据进行归一化处理，对光照不足的图像进行拉普拉斯锐化；步骤二：对处理后的桥梁裂缝图像数据集合进行几何变换扩充；步骤三：建立结构为SPAM模块与金字塔池化层并联的检测模型，并进行训练；步骤四：将提取后的裂缝特征图别送入到金字塔池化层和SPAM模块中进行处理；步骤五：将金字塔池化层和SPAM模块得到的特征图进行融合，经过解码模块得到最终的桥梁裂缝分割图。本方法在分割效果和各项评价指标上都有了明显的提升，提高了桥梁裂缝检测的精度。

技术领域

本发明属于桥梁裂缝检测技术领域，具体涉及一种基于改进PSPNet网络的桥梁裂缝检测方法。

背景技术

桥梁为人类扩大活动范围提供媒介，已成为人类扩大生存空间的重要渠道，极大地促进了社会发展。改革开放以来，中国桥梁工程建设跨入黄金时期。据不完全统计，2019和2020年中国大跨度桥梁建成通车接近20座。交通运输事业是我国经济的重要支撑，是社会发展的强力保障，随着交通运输业的不断发展，桥梁不仅承担着促进经济发展的重要功能，还关系着运输人员的人身安全。近年来，国内外大桥垮塌事故频繁发生，引起了我们对桥梁安全的高度重视。裂缝作为桥梁最常见的缺陷，是桥梁结构达到承载能力极限的标志，严重影响着桥梁的安全运营。因此针对桥梁裂缝检测方法的研究具有极为重要的意义。

随着计算机数字图像处理和计算机视觉的飞速发展，国内外科研人员开始将这些新兴的技术方法用于裂缝检测任务中，取得了不错的研究结果。传统的图像处理领域，Li等首先使用直方图均衡化来解决照明不均匀影响裂缝检测的问题，其次使用改进的Canny算法绘制裂缝轮廓。该方法对阴影条件下的裂缝图像具有很好的检测效果，但是当裂缝较为宽大时，检测效果降低。Zhong等提出的基于改进的渗透模型，使用亮度特征和裂缝长度特征来去除噪声区域，用来检测不清晰的裂缝图像。Amhaz等提出了一种基于最小代价路径搜索的二维路面图像裂缝检测算法,但是该方法需要对多个参数进行优化,从而增加了算法运行时间。近几年，深度学习成为计算机领域的研究热点，国内外学者开始将深度学习与裂缝检测结合在一起。Dongho Kang等提出了一种结合Faster R-CNN算法检测裂缝区域的自动裂缝检测，定位和量化方法,使用改进的管状流场算法对区域进行定位，以从检测到的裂缝区域中分割出裂缝像素。Li等利用滑动窗口算法将裂缝图像切分成更小的图像块，再使用卷积神经网络进行分类，最后使用改进的滑动窗口算法进行检测，取得了较好的检测效果。Zhang等使用卷积神经网络，将图像切成若干小块，获得每块的裂缝概率图，但该模型忽视了各个像素之间的空间关系，使得结果图裂缝宽度大，精确度仍需提高。Long等将全卷积网络应用于像素级裂缝检测，使用反卷积进行上采样弥补细节损失，但是没有考虑像素之间的关系，缺乏空间一致性。Zhao等提出的PSPNet设计了一个金字塔池模块来收集有效的上下文信息，包含不同尺度的信息。Badrinarayanan等提出了SegNet模型，利用池化索引保证了高层信息的完整性，但是对小目标进行上采样时，仍会丢失部分边界信息。

上述方法由于卷积运算会产生局部感受野，相同标签像素对应的特征可能会有所不同，这些差异会导致类内不一致，影响识别的准确性，同时经过多次池化下采样操作，图像的细节信息也会逐步丢失。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于改进PSPNet网络的桥梁裂缝检测方法。本发明要解决的技术问题通过以下技术方案实现：

一种基于改进PSPNet网络的桥梁裂缝检测方法，包括以下步骤：

步骤一：对采集到桥梁裂缝图像数据进行归一化处理，形成数据集合，并对光照不足的图像进行拉普拉斯锐化；

步骤二：对处理后的桥梁裂缝图像数据集合进行几何变换扩充；并将集合划分为训练集、验证集与测试集；