[发明专利]一种建筑裂缝检测方法、装置、设备及存储介质

说明书

本发明实施例公开了一种建筑裂缝检测方法、装置、设备及存储介质。该方法包括：获取待检测的建筑表面的待检测图像；采用全卷积神经网络分类模型识别待检测图像中的单元裂缝区域作为感兴趣区域图像；采用基于深度学习的图像分割模型对感兴趣区域图像中的裂缝进行提取，得到裂缝特征区域分割图像；根据裂缝特征区域分割图像二值化后得到单元裂缝检测图；根据单元裂缝检测图确认待检测图像的裂缝检测结果图。解决当前滑动窗口的方法运算耗时长和裂缝提取鲁棒性不高问题，以及图像分割法中存在模型训练时裂缝区域与背景区域的数据严重不平衡现象，造成的裂缝检测效果不佳的问题，实现提高裂缝检测准确度的效果。

技术领域

本发明实施例涉及建筑物裂缝检测技术，尤其涉及一种建筑裂缝检测方法、装置、设备及存储介质。

背景技术

应用于不同建筑工程的混凝土结构，如桥梁、堤坝、工业建筑等，在长期服役期间，其健康状况会逐渐恶化，而裂缝是混凝土最常见、最主要的病害之一，定期对混凝土结构裂缝缺陷进行检测非常重要。传统的人工巡检方式存在效率低，高空外立面检测不便等问题。

近年来，基于计算机视觉的建筑结构健康检测方法受到了学术界和工业界的广泛关注，该方法具有非接触传感、成本低、操作简单、不受环境影响等优点。其中混凝土表面裂缝的图像检测技术是最为活跃的研究方向之一。为了实现在对裂缝长度、宽度、类型等参数的自动分析，裂缝的自动识别与提取技术是尤为重要。基于深度学习的方法在混凝土表面裂缝检测的性能上要优于传统的图像处理的方法，基于深度学习的方法大致可分为两类：滑动窗口法和图像分割法。

基于滑动窗口的方法输入图像只能按滑动窗口尺寸输入进行运算非常耗时，且裂缝提取时所采用的阈值分割法导致裂缝提取比实际裂缝要宽，同时难以去除背景区域干扰噪声,鲁棒性较差；图像分割法中存在模型训练时裂缝区域与背景区域的数据严重不平衡现象，且在裂缝检测时裂缝区域特征相对于背景区域而言显著性不高，会影响检测的效果。

发明内容

本发明提供一种建筑裂缝检测方法、装置、设备及存储介质，以实现提高裂缝检测准确度的效果。

第一方面，本发明实施例提供了一种建筑裂缝检测方法，包括：

获取待检测的建筑表面的待检测图像；

采用全卷积神经网络分类模型识别所述待检测图像中的单元裂缝区域作为感兴趣区域图像；

采用基于深度学习的图像分割模型对所述感兴趣区域图像中的裂缝进行提取，得到裂缝特征区域分割图像；

根据所述裂缝特征区域分割图像二值化后得到单元裂缝检测图；

根据所述单元裂缝检测图确认所述待检测图像的裂缝检测结果图。

可选的，所述采用全卷积神经网络分类模型识别所述待检测图像中的单元裂缝区域作为感兴趣区域图像，包括：

预设检测框以预设步长对所述待检测图像进行扫描式判别，得到所述待测图像中所有检测框含有裂缝的概率值所组成的概率特征图；

选取所述概率特征图中大于第一概率值的检测框对应的图像作为感兴趣区域图像。

可选的，所述预设检测框为预设尺寸的正方形区域，所述预设步长为预设检测框边长的1/4。

可选的，所述全卷积神经网络分类模型的训练样本图像中正负样本图像比例为1：3；其中，正样本图像为含有裂缝面积占比大于等于第一阈值的区域图像，负样本图像为含有裂缝面积占比小于等于第二阈值的区域图像，含有裂缝面积占比小于第一阈值且大于第二阈值的区域图像为忽略样本。

可选的，采用裂缝面积占比大于等于第一阈值的区域图像作为图像分割模型的训练样本。

可选的，根据所述单元裂缝检测图确认所述待检测图像的裂缝检测结果图，包括：