[发明专利]一种基于集成神经网络的裂缝检测方法

说明书

本发明实施例公开了一种基于集成神经网络的裂缝检测方法，所述方法包括：利用相机拍摄图像，创建道路裂缝图像的训练集和测试集；提取训练集样本中小区域图像，划分正负样本；创建多个深度神经网络模型；利用训练集来训练多个神经网络，对神经网络的输出结果集成；将提取的测试样本中的小区域图像输入到训练好的神经网络中，对输出的预测结果叠加和归一化处理，得到裂缝概率图。本发明方法具有检测过程简单，检测效率高，劳动强度低，便于携带，可操作性强等优点。

技术领域

本发明涉及结构健康检测与评估领域，尤其是涉及一种集成神经网络对结构表面裂缝进行自动化检测的方法。

背景技术

随着全国范围内高速路建成和普及，公路建设得到了迅速发展。车辆在路面上高速行过程中驶，路面平整度和完整率是车辆行驶安全的重要保证，如果路面出现凹凸和裂缝等情况，会严重影响道路的寿命以及行车的安全，因此需要定期的对其健康状况作出评估，这对道路和桥梁裂缝进行检测有着至关重要的作用。

目前，道路桥梁的裂缝检测方法主要是基于传统的图像处理算法和人眼识别。单单依靠人眼进行裂缝检测与识别，效率不高。采用图像处理方法，主要是针对同一材质和纹理背景图像进行裂缝检测，无法对彩色图像直接进行裂缝检测。基于深度学习框架的道路裂缝检测可以实现对彩色图像的裂缝检测处理，同时不受质地信息和外界环境的干扰，具有很强的稳定性。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于集成神经网络的裂缝检测方法。该方法可解决人眼观察和图像处理裂缝检测中定位精度不高，误差大等问题。

为了解决上述现有技术问题，本发明实施例提供了一种基于集成神经网络的裂缝检测方法，该方法具体包括以下步骤：

S1、利用相机拍摄图像，创建道路裂缝图像的训练集和测试集；

S2、提取训练集样本中小区域图像，划分正负样本；

S3、创建多个深度神经网络模型；

S4、利用训练集来训练多个神经网络，对神经网络的输出结果集成；

S5、将提取的测试样本中的小区域图像输入到训练好的神经网络中，对输出的预测结果叠加和归一化处理，得到裂缝概率图。

进一步地，所述步骤S1具体包括：

S11、利用公共的裂缝图像数据集CFD以及其它的裂缝图像数据集，将裂缝图像分为训练集和测试集；

S12、利用智能终端采集道路表面裂缝图像，构建裂缝图像数据库，同时，利用图像旋转和亮度增强方法对图像数据库进行数据扩充，将扩充后的裂缝图像库中的裂缝图像进行实施标签标注，然后将裂缝图像数据库中裂缝图像划分为训练集和测试集。

更进一步地，所述步骤S2具体包括：

S21、对训练集和测试集中的裂缝图像的像素点进行裂缝图像标注，得到标注后的图像；

S22、从训练集中提取以每个像素为中心的点，建立小区域裂缝图像块；

S23、根据像素的中心点为是否为裂缝像素，把所有小区域图像划分为正样本和负样本。

更进一步地，所述步骤S3具体包括：

S31、搭建深度神经网络结构模型：确定所述深度集成神经网络的模型的个数，即需要训练的的神经网络的个数；

S32、确定所述每个神经网络中卷积层的层数以及每个卷积层所含有的特征图的数量、池化层的层数、池化层中采样核的大小和训练步长、反卷积层的层数和所含有的特征图数量、全连接层的层数和每个全连接层的特征图数量；