[发明专利]一种建筑裂缝智能识别和检测方法及装置

说明书

本发明涉及一种建筑裂缝智能识别和检测方法，其特征在于，该方法包括以下步骤：步骤1：对训练数据集进行人工标注；步骤2：获取训练数据集中的图像，作为建筑裂缝检测模型的输入；步骤3：基于YOLO算法对建筑裂缝检测模型进行训练，并得到训练后的建筑裂缝检测模型；步骤4：采用训练后的建筑裂缝检测模型进行前向推断；步骤5：获取对建筑裂缝预测的结果。与现有技术相比，本发明具有能够改改烧遮挡问题、目标姿势动作幅度过大或目标方向改变造成的检测影响以及减少计算量等优点。

技术领域

本发明涉及计算机视觉领域，尤其是涉及一种建筑裂缝智能识别和检测方法及装置。

背景技术

随着计算机运算性能的逐渐增强，通过计算机视觉领域来代替传统的人工检测幕墙裂缝的方法逐渐普及，为了能够提高传统目标检测识别裂缝的效率，为用户提供更好的体验服务，使用高效率的算法变的越来越重要，传统目标检测主要有复杂度高、鲁棒性差等缺点，以HOG算法为例，具体表现如下：

HOG算法应用于在计算机视觉以及数字图像处理中，是一种能对物体进行检测的基于形状边缘特征的描述算子，它的基本思想是利用梯度信息反映图像目标的边缘信息并通过局部梯度的大小将图像局部的外观和形状特征化，整体流程分为下面五个步骤：

(1)颜色空间归一化：对整幅图像的颜色信息作归一化处理从而减少不同光照及背景的影响，提高检测的鲁棒性，引入图像Gamma和颜色空间归一化作为特征提取的预处理手段。不对图像进行高斯平滑处理，因平滑处理会降低图像目标边缘信息的辨识度，影响检测结果；

(2)梯度计算：边缘是由图像局部特征包括灰度、颜色和纹理的突变导致的。一幅图像中相邻的像素点之间变化比较少，区域变化比较平坦，则梯度幅值就会比较小，反之，则梯度幅值就会比较大。梯度在图像中对应的就是其一阶导数；

(3)计算细胞单元的梯度直方图：对于整个目标窗口，将其分成互不重叠大小相同的细胞单元(cell)，然后分别计算出每个cell的梯度信息，包括梯度大小和梯度方向；

(4)对组合成块的梯度直方图作归一化：梯度幅值绝对值的大小容易受到前景与背景对比度及局部光照的影响，要减少这种影响得到较准确的检测效果就必须对局部细胞单元进行归一化处理，将几个细胞单元(cell)组合成更大的块(block)，将整幅图像看成待检测窗口，将更大的块看成是滑动窗口，依次从左到右从上到下进行滑动，得到一些有重复细胞单元的块及一些相同细胞单元(cell)在不同块(block)中的梯度信息，再对这些块(block)信息分别作归一化处理；

(5)对归一化梯度特征进行SVM分类：对于滑动窗口提取的窗口，分别计算出归一化的梯度特征，然后应用SVM实现是目标还是背景的分类判定。

需要解决的主要问题是：

1、很难处理遮挡问题，目标姿势动作幅度过大或目标方向改变也不易检测；

2、计算量大，不具有普适性。

随机机器学习方法的不断完善和发展，深度学习算法越来越受到重视，其中卷积神经网络就是深度学习中一种重要的算法，目前已成为语音分析和图像识别领域的研究热点，卷积神经打破了传统神经网络中层与层之间的神经元全连接的方式，它的权值共享网络结构使之更类似于生物神经网络，降低了网络建筑裂缝检测模型的复杂度，减少了权值的数量，该优点在网络的输入是图像是表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程，卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者其他形式的形变具有高度不变性，基于卷积神经网络的图像分类技术能够有效地自动的从图像中提取特征信息，提取的特征具有非常好的图像表达能力，因此该技术在一些图像分类问题中取得了令人满意的实验结果。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种建筑裂缝智能识别和检测方法及装置。