[发明专利]结构裂缝自动化描绘及宽度精准测量方法与设备

权利要求书

1.一种结构裂缝自动化描绘方法，其特征在于，所述描绘方法包括以下步骤，

1)基于多尺度的深度学习的裂缝检测方法，用多个尺度的深度学习检测出图像中的裂缝范围，2)基于深度学习、中值滤波及Hessian矩阵线性增强的“整体-局部协同分割”裂缝初步提取方法，保障提取出结果中同时完整的包含图像中的宽裂缝、细微裂缝信息，3)基于深度学习、图像分割、图像重构的裂缝精细化检测方法；

所述步骤1)多尺度深度学习检测裂缝方法具体如下：采用从大到小多个尺度的深度学习模型，先用大尺度的深度学习模型对整个图像进行扫描检测，再大尺度224*224*3深度学习模型确定裂缝范围的基础上，用小尺度32*32*3的深度学习模型对每个大尺度深度模型检测到裂缝的窗口进行扫描检测,对于大尺度的深度学习模型检测，扫描检测时，采用从四个直角往中心扩散的方式，每层窗口x、y方向错开112像素，在图像对称的x轴和y轴上为中心上，加密一层扫描窗口，保证能够部分重叠的扫描到整个图像，输出包含裂缝的范围；对于检测到的每个224*224大小包含裂缝的窗口，采用32*32*3的小尺度的深度学习模型，移动扫描检测每个224*224图像，在x、y方向依次错开16像素；

所述步骤2)中的“整体-局部协同分割”裂缝初步提取方法具体方法如下：

21)在大尺度深度学习模型每个检测到裂缝的224*224大小窗口内，将原图转化为灰度图，用大尺度的中值滤波处理图像，与原图像相减，得到新的图像，对新的图像进行Otsu自适应阈值分割得到裂缝二值化图像img1；

22)用小尺度的中值滤波处理图像，并与原图相减，而后用基于Hessian矩阵的图像增强方法增强图像中的线性部分，图像I(x)的各点处的Hessian矩阵为计算各点Hessian矩阵的特征值为λ₁、λ₂，从而计算定义R(x)＝λ₁₂(x)为增强后的图像，取α＝0.25，并在小尺度深度学习模型检测到裂缝的每个32*32大小的窗口内对增强后的图像进行Otsu自适应阈值分割，取并集后得到裂缝二值化图像img2；

23)将二值化图像img1和二值化图像img2取并集操作，得到这一块224*224大小的输出裂缝二值化图像；

24)第一步中所有检测到的包含裂缝的224*224大小窗口输出二值化图像结果取并集操作，得到整个图像的初步提取裂缝结果；

所述步骤3)基于深度学习、图像分割、图像重构的裂缝精细化检测方法具体如下：初步提取的裂缝二值化图像中会包含很多的噪音信息，利用提出的基于单像素裂缝骨架的图像分割方法对初步提取的裂缝图像进行两个层次的分割，利用图像重构方法结合深度学习对分割出的裂缝进行单因素分析，判断是否为裂缝，最终实现裂缝的精细化提取；

基于单像素骨架的图像分割方法，分为两个层次：首先按照连通性将骨架分割开来，分别提取出对应每个独立的连通域的裂缝二值化图像的部分，再利用单像素裂缝骨架统计的端点、节点信息进一步分割每个剩余连通域为独立的部分；

第一层次的分割利用初始裂缝二值化图像的连通性就能够实现，

第二层次的分割具体方法如下：

①骨架上的像素点在其8邻域的像素点只有一个在骨架上，测定义为端点，其8邻域上有超过3个像素点在骨架上，定义为节点，每个独立的连通域骨架基础上，利用单像素上的端点、节点信息将上一层次输出二值化图像再次分割为独立的部分，作为这一层次的输出，对独立连通域的分割方法，包含以下几个操作：

②利用8邻域规则识别骨架上的端点和节点，骨架上只有端点、没有节点的情况，分割终止，直接输出初始裂缝二值化图像中对应的区域；

③从利用端点和节点的信息，删除此连通域上的节点得到独立的各段骨架，计算各段骨架的长度，设置阈值T＝32；

④由于裂缝上的其他干扰，往往是以骨架分支的形式出现，所以对于分割出的每段骨架中包含原来骨架中的一个端点的，不考虑骨架的长度是否低于阈值，以节点为中心、画半径为10像素的圆，找到与相同节点其他分支骨架的交点，利用节点上的各分支的角平分线及初始裂缝二值化图像的轮廓确定骨架的区域，利用区域生长算法填充，分割出独立的裂缝二值化区域；

⑤对于长度大于阈值T，并且两端均是原骨架上的节点，以节点为中心、画半径为10像素的圆，找到与相同节点其他分支骨架的交点，利用节点上的角平分线及原二值化图像的轮廓确定骨架的区域，利用区域生长算法填充，分割出独立的裂缝二值化区域；

⑥如果提取骨架的长度小于阈值，确定骨架的中心，直接用截取该段骨架中心周围长宽为T的初始裂缝二值化图像作为分割出的图像；

利用图像重构方法结合深度学习对分割出的裂缝进行单因素分析，针对每一个分割出独立区域的精细化裂缝检测，就需要构造新的精细化检测图像，使其中既能包含独立分割出的裂缝信息又能剔除其他的干扰信息。