[发明专利]基于计算机视觉的桥梁裂缝自动监测与识别方法

摘要

本发明公开一种基于计算机视觉的桥梁裂缝自动监测与识别方法，通过构建训练深度网络模型，以拍摄得到的图像为输入，经过各隐藏层的运算，最终输出得到图像的分类标签，实现裂缝识别，完成计算机对输入图像内容的理解。本发明针对桥梁裂缝的自动监测与识别问题，实现了对于包含复杂背景干扰信息的真实钢箱梁裂缝图像的模型训练、裂缝识别、结果展示的全过程自动化处理。本方法便捷、准确，提升了桥梁裂缝检测的效率以及检测结果的准确度和稳定性。

主权项

1.一种基于计算机视觉的桥梁裂缝自动监测与识别方法，其特征在于，方法如下：步骤一，训练集制作：原始输入图像被切割成64×64×3的子单元集合，并从中随机抽取一定比例的样本，样本数量可以根据需要确定；同时观察这些子单元的图像特征，分别打标签，其中数字1代表裂缝单元，2代表手写字迹单元，3代表背景单元，完成后，新添加的子单元集合将会融合到原训练集中，每一个子单元都对应着相应的标签，为了考虑不平衡的三类子单元样本数量的影响，显示此时三种子单元的数量，并以数量最少的子单元数为基准，在其余两类子单元样本中随机抽取相同数量的样本，随后，将每个子单元样本逆时针旋转90度、180度、270度，生成三个新样本，完成数据扩充，每个新扩充的子单元样本拥有与旋转前相同的标签，至此，训练集制作完毕；步骤二，基于深度网络模型的裂缝识别器训练：搭建融合多级特征的深度卷积神经网络并完成初始化，各层的尺寸和功能如表1所示，以训练集中64×64×3的子单元为输入，相应的标签为输出，训练该网络中的参数，训练过程中的损失函数为softmaxloss函数，优化算法为带动量的随机梯度下降算法，使用学习速率、动量参数和权重参数的初始值，完成后得到的深度网络即为裂缝识别器；表1深度网络中各层的尺寸和功能步骤三，裂缝单元图像识别：将图像切分为64×64×3的子单元，并将每个子单元输入到裂缝识别器中，输出层为相应的标签值，即标签值为1的子单元为裂缝单元，标签值为2的子单元为字迹单元，标签值为3的子单元为背景单元，并分别显示出各类型的识别结果；步骤四，后处理输出：对每个裂缝子单元采用最佳熵阈值法进行图像分割，输出二值化裂缝像素点识别结果，并根据二值化裂缝像素点获得裂缝的长度、宽度的信息。