[发明专利]基于深度卷积神经网络的图像裂缝分割方法

说明书

技术领域

本发明涉及裂缝检测技术领域，特别涉及一种基于深度卷积神经网络的图像裂缝分割方法。

背景技术

随着我国经济发展、城市化进程加快、高铁等国家工程飞速发展，在公路、铁路或是城市农村水利建设中，修建的跨越障碍的各类桥梁数目日益激增，桥梁在国民经济发展中起着举足轻重的作用，同时也是我国综合实力的一种体现。由于桥梁的普遍存在性，桥体结构的安全性和持久性不容忽视。裂缝作为一种主要的桥体结构病害特征，对桥体结构的耐久性和安全性产生的危害最大，因此，裂缝是其健康状况的主要评价指标之一。

目前的检测方法仍然以人工检测为主，存在很多不足之处：

(1)检测效率低：耗时，需要安装或拆卸手架等设备；

(2)检测精度低：主要以人眼进行观察检测，容易受到人的主观因素的影响；

(3)劳动强度大：桥梁多，检测工作量大，单纯依靠人工完成，强度很大；

(4)安全性低：检测人员需要下到桥梁底下进行检测，安全没有保障；

(5)成本高：使用大量的人力、物力进行检测，花费高；

(6)信息化程度低：无法精确建立桥梁裂缝历史数据，不便于危险桥梁的管理和维护，亦无法给政府管理部门提供决策支撑信息。

上述不足导致目前的检测现状完全不能适应当下的桥梁建设与发展。

近几年，基于图像视觉方法检测盒提取道路裂缝的算法相继被提出，这使得道路裂缝的自动化、智能化检测上有了较大的发展。桥梁结构裂缝与道路路面裂缝检测相类似，但前者更为复杂，主要表现为两个方面：第一，桥梁结构的复杂性导致基于视觉图像方法在获取数据时难度极大增加，桥梁结构上表面与道路基本一致，数据相对容易获取，目前也有实用化的系统投入生产，但是，至今都未出现有效的数据获取与处理系统针对其下表面。第二，道路路面纹理特征相对简单、单一，裂缝特征一般具有一致性，而桥梁底部表面纹理相对复杂，存在大量的斑点、污迹、水渍、检测标志线等大量“噪声”，裂缝检测与提取的难度更大。这两点极大限制了桥梁结构裂缝自动化检测与智能化结构安全监测。

对裂缝特征的不同理解，使得人们提出的裂缝检测方法也各种各样，大部分算法利用的基本特征是一致的，而且算法的流程也大致相同：预处理，裂缝区域检测与分割，后处理与特征描述。裂缝作为一种看似简单，却因为其背景及本身结构特征而具有多变性和复杂性的目标，现有的道路裂缝检测算法仍存在较多缺陷，远不能满足其需求。

简言之，用于检测裂缝的特征多种多样，但是简单而又高效的检测还是一个难点，如何将纷杂多样的裂缝与背景特征较好的分割开，如何快速提取裂缝特征快速重建裂缝结构特征都是非常具有挑战性的问题。

发明内容

针对现有技术中存在的不足，本发明提供了一种基于深度卷积神经网络的图像裂缝分割方法，该方法基于深度学习法，利用深度卷积神经网络学习到的由低到高的多层次特征，可实现高效和高精度的裂缝区域分割。

本发明思路为：

本发明基于全卷积神经网络(Fully Convolutional Networks，FCN)和深度监督网络(Deeply-Supervised Nets，DSN)，提供了一种学习层次特征的深度卷积神经网络，能够自动地学习多种尺度、多种级别的多层次裂缝特征，从而实现端到端、像素级的预测。由于深度卷积神经网络整体、直接地监督学习策略，因此可应用于处理多种场景和尺度的裂缝图像。

为解决上述技术问题，本发明采用如下技术方案：

基于深度卷积神经网络的图像裂缝分割方法，包括：