[发明专利]基于编码与解码网络的桥梁裂缝检测方法、系统及介质

说明书

本发明公开了一种基于编码与解码网络的桥梁裂缝检测方法、系统及介质，应用于深度学习和裂缝检测领域，能够有效提取复杂背景下的裂缝特征，实现自动、高精度桥梁裂缝检测。该方法包括：获取桥梁表观裂缝图像；对所述桥梁表观裂缝图像进行标注，并通过扩增数据集方法进行数据扩增，得到数据集；构建编码与解码结构的深度学习神经网络；根据预设数据库对深度学习神经网络进行第一训练，得到第一模型；根据迁移学习方式和所述数据集对所述第一模型进行第二训练，得到第二模型；根据所述第二模型，对输入的待检测图片进行裂缝预测。

技术领域

本发明涉及深度学习和裂缝检测领域，尤其涉及一种基于编码与解码网络的桥梁裂缝检测方法、系统及介质。

背景技术

我国当前桥梁保有量极大，因此桥梁结构的安全严重影响到交通运行和经济发展。桥梁裂缝作为桥梁结构的代表性病害形式，如何对其进行有效检测受到大量关注。相关技术中，桥梁裂缝检测方式主要为人工目视检测，该方法受检测人员主观干扰较大，精度低且效率低下。另外，一些基于数字图像处理的方法中受到图像背景干扰较大，均需要手动调节阈值至合适大小，才能获得理想的检测效果。

发明内容

为了解决上述技术问题的至少之一，本发明提出一种基于编码与解码网络的桥梁裂缝检测方法、系统及介质，能够有效提取复杂背景下的裂缝特征，实现自动、高精度桥梁裂缝检测。

一方面，本发明实施例提供了基于编码与解码网络的桥梁裂缝检测方法，包括以下步骤：

获取桥梁表观裂缝图像；

对所述桥梁表观裂缝图像进行标注，并通过扩增数据集方法进行数据扩增，得到数据集；

构建编码与解码结构的深度学习神经网络；

根据预设数据库对深度学习神经网络进行第一训练，得到第一模型；

根据迁移学习方式和所述数据集对所述第一模型进行第二训练，得到第二模型；

根据所述第二模型，对输入的待检测图片进行裂缝预测。

根据本发明实施例提供的一种基于编码与解码网络的桥梁裂缝检测方法，至少具有如下有益效果：通过对桥梁表观裂缝图像进行标注后利用扩增数据集方法进行数据扩增，得到数据集，通过扩增数据集方法扩增桥梁表观裂缝图像能够通过较少的桥梁表观裂缝图像得到数据集。同时，构建编码与解码结构的深度学习神经网络，通过构建编码与解码结构的深度学习神经网络，能够较好地提取复杂背景下的桥梁裂缝特征，从而提高桥梁裂缝检测结果的准确度，并且能够利用深度学习神经网络的特性，不用通过手动调节阈值至合适大小，实现复杂背景下的桥梁裂缝自动检测。另外，根据预设数据库对深度学习神经网络进行第一训练得到第一模型后，通过迁移学习结合数据集进行第二训练，从而得到第二模型，能够先利用预设数据库对深度学习神经网络进行初步的训练，然后经过迁移学习并结合扩增的数据集进行优化训练，能够在训练数据集较少的情况下完成桥梁裂缝检测模型的训练，即第二模型的训练，得到桥梁裂缝预测效果较好的第二模型。

根据本发明的一些实施例，所述通过扩增数据集方法进行数据扩增，包括：

通过缩放、添加噪声或添加阴影中的至少一项扩增数据集方法进行数据扩增。

根据本发明的一些实施例，所述深度学习神经网络包括编码路径、解码路径以及横向叠加路径；

所述编码路径包括第一卷积层和池化层，所述第一卷积层用于提取输入图像的第一特征图，所述池化层用于压缩所述第一特征图；

所述解码路径包括第二卷积层和上采样层，所述第二卷积层用于提取输入图像的第二特征图，所述上采样层用于放大所述第二特征图；

所述横向叠加路径用于将所述第一卷积层提取的第一特征图叠加到所述解码路径的输入特征中。