[发明专利]一种基于CNN的裂纹识别方法、设备及存储设备

说明书

本发明提供了一种基于CNN的裂纹识别方法、设备及存储设备，所述方法包括步骤：采集样本图片并进行分类；对分类后的样本图片进行预处理；建立CNN学习网络对样本图片进行学习；建立测试环节对经过训练后的CNN模型进行测试；判断测试结果是否满足要求；若不满足，则返回建立CNN学习网络的步骤继续执行；若满足，则获取期望的裂纹识别信息。一种基于CNN的裂纹识别设备及存储设备，用来实现所述方法。本发明可以实时高效地获得裂纹的识别信息。

技术领域

本发明涉及模式识别领域，具体涉及一种基于CNN的裂纹识别方法、设备及存储设备。

背景技术

在水下监测领域，例如对水坝水下坝体部分是否存在裂纹的监测，由于环境复杂，不可预测因素太多，使得水下坝体裂纹的监测异常困难。同时，现有设备不支持水下进行裂纹样本的采集监测，而采用人工定期入水检查的方式不仅效率低，而且成本过高，不切实际。因此，如何能够借助技术手段对水坝水下坝体裂纹进行有效监测就成为亟待解决的问题。

发明内容

本发明提供了一种基于CNN的裂纹识别方法、设备及存储设备，通过对样本图片进行分类和预处理，并采用CNN对分类和预处理后的样本图片进行分段处理，可以有效解决上述问题。

本发明提供的技术方案是：一种基于CNN的裂纹识别方法，所述方法包括步骤：采集样本图片并进行分类；对分类后的样本图片进行预处理；建立CNN学习网络对样本图片进行学习；建立测试环节对经过训练后的CNN模型进行测试；判断测试结果是否满足要求；若不满足，则返回建立CNN学习网络的步骤继续执行；若满足，则获取期望的裂纹识别信息。存储设备，所述存储设备存储指令及数据用于实现所述一种基于CNN的裂纹识别方法。一种基于CNN的裂纹识别设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种基于CNN的裂纹识别方法。

本发明的有益效果是：本发明提供了一种基于CNN的裂纹识别方法、设备及存储设备，通过对样本图片进行分类和预处理，并采用CNN对分类和预处理后的样本图片进行分段处理，可以实时高效地获得裂纹的识别信息。

附图说明

图1是本发明实施例中基于CNN的裂纹识别方法的整体流程图；

图2是本发明实施例中基于CNN的裂纹识别效果示意图；

图3是本发明实施例中处理过拟合效果示意图；

图4是本发明实施例的硬件设备工作示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。

本发明的实施例提供了一种基于CNN的裂纹识别方法、设备及存储设备。请参阅图1，图1是本发明实施例中基于CNN的裂纹识别方法的整体流程图，所述方法由硬件设备实现，具体步骤包括：

S101：采集样本图片并进行分类,具体包括：对样本图片进行分类；所述分类具体为将样本图片分为：训练集、验证集及测试集。样本图片的采集量为702张,其中,训练集分配570张,测试集分配132张,验证集以训练集570张的10％，即57张为验证集张数。具体地，训练集分为有裂纹270张，没裂纹300张。测试集分为有裂纹63张，没裂纹69张。

S102：对分类后的样本图片进行预处理，具体为：对样本图片进行剪裁、对局部像素进行访问和更改、由RGB转为HSV或LAB颜色空间转换、数据类型转换、灰度处理、随机添加椒盐噪音及二值化。