[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

权利要求书

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，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，将数量最少的子单元样本和在其余两类子单元中随机抽取相同数量的样本逆时针旋转90度、180度、270，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。

2.根据权利要求1所述的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：步骤二，训练过程中的损失函数为softmaxloss函数，其公式如下：

式中，L为损失函数，m为样本数量，C为分类数量；1{y⁽ⁱ⁾＝j}为指标性函数，当第y⁽ⁱ⁾个样本分类为第j类时为1，否则为0；b_j为待更新的权重及偏置，x⁽ⁱ⁾为输入，λ为权重参数。

3.根据权利要求1所述的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：步骤二，优化算法为带动量的随机梯度下降算法，其公式如下：

式中ν_W为权重更新速率，α_W为权重学习速率，η_W为权重动量参数，为损失函数对权重的偏微分；ν_b为偏置更新速率，α_b为偏置学习速率，η_b为偏置动量参数，为损失函数对偏置的偏微分。

4.根据权利要求1所述的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：步骤四，对每个裂缝子单元采用最佳熵阈值法进行图像分割，其公式如下：

式中，p_i表示第i阶灰度所占的比例，n_i表示第i阶灰度所占的数量，n表示像素总数量，P_i表示第i阶灰度的累积概率，H_P(t)表示前景熵，H_B(t)表示背景熵，H(t)表示图像总熵，T表示当图像总熵取得最大值时的灰度分割值。

5.根据权利要求1所述的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：步骤四，在完成阈值分割后，通过输入像素分辨率来获得裂缝的真实长度、宽度的信息。