[发明专利]一种基于深度学习和OpenCV的隧道裂缝识别方法

说明书

本发明涉及一种基于深度学习和OpenCV的隧道裂缝识别方法，属于深度学习和图形处理技术领域，包括利用深度学习技术找出裂缝的大体位置与形状；利用图像处理技术对识别出的裂缝进行细化：首先对mask进行腐蚀操作，在腐蚀后的mask区域内进行骨架提取；然后利用提取的裂缝骨架结合原图，采用邻域内区域生长算法对裂缝进行填充；统计裂缝长度与宽度信息。本发明将深度学习技术与传统图像处理技术结合起来，在实例分割网络Mask‑RCNN得到的mask区域内再对裂缝进行精确提取，克服了深度学习得到结果不精确的弊端与经典图像处理算法得到结果不完整的弊端，二者结合之后能在一张图上提取到精确完整的裂缝。

技术领域

本发明涉及一种基于深度学习和OpenCV的隧道裂缝识别方法，属于深度学习和图形处理技术领域。

背景技术

当前现有的实例分割网络Mask-RCNN，可以做到在一定程度上找到并精确分割图像中的objects。但该网络需要大量的标注数据，且要求标注数据的准确性较高，即对数据集的要求比较严苛，对于特征复杂的目标物体需要大量且标注精准的训练数据，而裂缝，尤其是隧道裂缝，由于其本身的标注困难做不到每张图片都精准标注，加之特征不明显，现有样本少，训练后得到的分割结果并不理想。

传统的图像处理算法又很难实现对裂缝的特征精准把控。

发明内容

针对现有技术的不足，本发明提供一种基于深度学习和OpenCV的隧道裂缝识别方法，将深度学习技术与传统图像处理技术结合起来，在实例分割网络Mask-RCNN得到的mask区域内再对裂缝进行精确提取，克服了深度学习得到结果不精确的弊端与经典图像处理算法得到结果不完整的弊端，二者结合之后能在一张图上提取到精确完整的裂缝。

术语解释：

1、Mask-RCNN：是一个实例分割模型，它能确定图片中各个目标的位置和类别，给出像素级预测。它是Faster R-CNN和FCN的结合，前者负责提供分类标签和候选窗口，后者确定目标轮廓。

本发明采用以下技术方案：

一种基于深度学习和OpenCV的隧道裂缝识别方法，包括：

步骤1：利用深度学习技术找出裂缝的大体位置与形状：基于Mask-RCNN，利用标注的隧道裂缝图片数据集训练出能够识别裂缝大体位置与形状的模型，给出一张裂缝图片的mask，接下来只需在mask范围内进行裂缝提取；

步骤2：利用图像处理技术对识别出的裂缝进行细化：首先对mask进行腐蚀操作，在腐蚀后的mask区域内进行骨架提取；然后利用提取的裂缝骨架结合原图，采用邻域内区域生长算法对裂缝进行填充；

步骤3：统计裂缝长度与宽度信息。

优选的，步骤1具体包括以下步骤：

1.1、将整张图像输入网络；

1.2、将图像输入CNN，进行特征提取，在该层中将不同scale获得的mask最后叠加起来作为原图的mask；

1.3、用FPN生成建议窗口(proposals)，每张图片生成N个建议窗口；

1.4、将FPN生成的多个建议窗口映射到CNN的最后一层卷积feature map上；

1.5、通过RoI Align层使每个RoI生成固定尺寸的feature map；

1.6、最后利用全连接分类，边框，mask进行回归。