[发明专利]基于深度学习网络的建筑物表面裂缝检测方法

说明书

本发明公开了一种基于深度学习网络的建筑物表面裂缝检测方法，包括以下步骤：创建网络训练数据集；构建深度学习网络模型，并进行训练；使用训练好的深度学习网络模型检测图像，并输出预测标签图像；对含有裂缝的预测标签图像进行基于裂缝特征的分析与检测；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。与传统的裂缝检测方法对比，本发明结合全卷积网络与残差网络的思想，构建了用于裂缝检测的深度学习网络，可以任意尺寸的彩色图像为输入，实现了端到端的检测，模型具有较高的检测准确率与较强的泛化能力；此外，基于特征对裂缝进行了连接处理，进而计算其长度和宽度，为裂缝的定量评估提供了有力的手段。

技术领域

本发明属于工程缺陷检测领域，具体涉及一种基于深度学习网络的建筑物表面裂缝检测方法。

背景技术

公路、桥梁、坝体、高楼等建筑的定期检测与维护，是保证其安全运行的重要前提和保障。裂缝缺陷检测是其中的一个重要项目。但目前人工检测存在效率低、数据统计不全、检测者安全保障难度高等问题，因此急需自动化手段来实现裂缝缺陷的巡检。无人机、机器人等设备携带图像获取装置，为自动化数据采集提供了先进的手段，因而所采集图像的自动检测算法就成为系统的瓶颈，对整个检测过程的自动化程度、精度都有至关重要的影响。

发明专利201810038939.5公开了一种基于深度学习的隧道裂缝快速识别方法，该方法基于CNN网络模型实现裂缝检测，要求输入图像大小一致，无法实现端到端的检测；此外，该方法未对检测结果中裂缝断裂的问题做优化处理，无法进行有效准确的计算。

发明专利201911371906.3公开了一种基于图像处理的裂缝检测方法及系统，采用基于像素追踪算法来连接裂缝，同时对连接后的区域进行形状特征分析，筛去不符合要求的区域。该方法实现的模型需要人工选取特征，且受环境因素影响较大，可泛化性不够高。

发明专利201911385351.8公开了一种基于深度学习的路面裂缝快速识别方法，该方法对图像进行预处理，减小了环境对图像质量带来的影响，采用基于连接构件的方法使裂缝形状增强；但是同样未实现端到端的检测。此外，该方法未提出对裂缝的损伤等级衡量方法，不能得到裂缝的长宽等信息。

发明专利202010236401.2公开了一种基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法，得到裂缝检测结果图像，提高了水下建筑物的检测精度，但是该方法使用的全卷积模型较复杂，训练难度较高；此外，同样未提出对裂缝的评价方法。

综上所述，基于深度学习的裂缝检测方法可大幅提高对裂缝的检测效率，但是目前普遍存在模型复杂度较高、训练难度大、要求输入图像尺寸一致等问题，导致无法真正实现端到端的检测；此外，裂缝量化评估的准确率也不够高。

发明内容

针对目前裂缝检测网络模型不够优越，以及难以获得裂缝形状、长宽的问题，本发明提供一种基于深度学习网络的建筑物表面裂缝检测方法，以提高裂缝检测的准确率和效率。

实现本发明目的的技术方案为：一种基于深度学习网络的建筑物表面裂缝检测方法，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。

与现有技术相比，本发明具有以下优点：

(1)本发明基于全卷积网络与残差网络构建了裂缝检测网络模型，模型复杂度不高，且有较高的检测效率；