[发明专利]基于深度学习网络的建筑物表面裂缝检测方法

权利要求书

1.一种基于深度学习网络的建筑物表面裂缝检测方法，其特征在于，包括以下步骤：

S1、创建网络训练数据集；

S2、构建深度学习网络模型，并进行训练；

S3、使用训练好的深度学习网络模型，对待测图像进行检测，并输出预测标签图像；

S4、若预测标签图像中含有裂缝，则基于裂缝特征对裂缝进行分析与检测；

S5、裂缝参数计算与输出，包括每条裂缝的坐标信息、及其长度与宽度。

2.根据权利要求1所述的基于深度学习网络的建筑物表面裂缝检测方法，其特征在于，步骤S1创建网络训练数据集，具体为：

(1)通过现场图像采集、数据增广，制作足够数量的裂缝图像数据集，并将图像记为I；

(2)对图像I进行滤波、对比度增强处理，处理后的图像记为I'；

(3)使用Labelme软件对训练集图像I'进行标记，裂缝区域标记为正样本，非裂缝区域标记为负样本，并保存图像。

3.根据权利要求2所述的基于深度学习网络的建筑物表面裂缝检测方法，其特征在于，滤波器核大小取3×3，采用直方图均衡化对图像进行对比度增强。

4.根据权利要求1所述的基于深度学习网络的建筑物表面裂缝检测方法，其特征在于，步骤S2中所述构建深度学习网络模型的具体方法为：

基于全卷积网络和残差网络构建深度学习网络模型，网络主要由10个卷积层、5个池化层、1个Dropout层、3个反卷积层、2个裁剪层和2个融合层组成，具体的，在前5个卷积层后添加池化层，并在每个池化层后加入残差模块；在第6个卷积层中加入Dropout层；在第9、10个卷积层后依次加入裁剪层和融合层，并在第8个卷积层和融合层后添加反卷积层，以获得原图大小的输出图像。

5.根据权利要求4所述的基于深度学习网络的建筑物表面裂缝检测方法，其特征在于，Dropout比例设为0.5。

6.根据权利要求4所述的基于深度学习网络的建筑物表面裂缝检测方法，其特征在于，10个卷积层的卷积核大小依次为(11,11,1)、(5,5,96)、(3,3,256)、(3,3,384)、(3,3,384)、(1,1,4096)、(1,1,4096)、(1,1,384)、(1,1,384)、(1,1,568)。

7.根据权利要求1所述的基于深度学习网络的建筑物表面裂缝检测方法，其特征在于，步骤S4包括：

对预测图像进行二值化、滤波、开运算后，计算连通域面积，并剔除面积小于设定阈值的连通域；

记录每条裂缝连通域最小外接矩形与裂缝的交点，得到裂缝端点集合；

对所有的端点建立KD搜索树，搜索每个裂缝端点的最近邻端点，若二者距离满足阈值条件，则连接裂缝端点；

对端点连接线段进行其所在图像区域的灰度特征检验，以平滑连接的裂缝线段。

8.根据权利要求7所述的基于深度学习网络的建筑物表面裂缝检测方法，其特征在于，所述的步骤S5包括：

计算步骤S4所得图像的每条裂缝的最小外接矩形，且以外接矩形的较短边为宽得到图像I_roi；

裂缝的像素级长度计算：采用形态学方法对图像I_roi进行细化，然后统计裂缝像素个数，即为裂缝像素级长度；

裂缝的像素级宽度计算：在图像I_roi长度方向以N_w抽样间隔进行采样，在采样点的宽方向从图像I_out两边遍历像素点，得到连通域的左右轮廓点，取其在图像I_out中的像素坐标值(x_l,y_l)、(x_r,y_r)，计算裂缝对应的宽度，所得最大宽度值作为裂缝像素级宽度，计算公式如下：

裂缝实际长度和宽度计算：若采集设备是RGBD相机或其他可同时获得像素深度的设备，则可根据上述像素的三维坐标，计算裂缝实际的长宽值。

9.根据权利要求8所述的基于深度学习网络的建筑物表面裂缝检测方法，其特征在于，N_w取为15。