[发明专利]一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法

说明书

本发明提出了一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法，用Gabor滤波器和灰度运行长度提取的图像纹理特征，提出了一种七步变量选择策略，并在108个特征分量上加以应用，使用提供的1000个图像样本，自动选择重要变量来构建集成分类器，以便对混凝土表面空洞进行准确分类；本发明选的变量支持比已有方法更高的可解释性，以及在集成分类方面更高的分类精度。

技术领域

本发明属于机械学习，具体地，涉及一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法。

背景技术

机器学习在计算智能中扮演着重要的角色，在许多工程领域得到了广泛的应用。表面空洞或虫洞是混凝土表面最严重的缺陷之一，它是由困住的气泡迁移到新混凝土和模板之间的界面而产生的。从视觉上看，它们对应于去除模板过程后混凝土表面散落的小坑和坑。由于表面孔洞的存在，导致了很多缺陷。混凝土表面一定数量的虫洞会给人留下不美观的印象。由于表面空洞，内部的钢筋可能会暴露和腐蚀。过多的空隙会降低纤维增强塑料材料应用于混凝土表面的附着力。由于表面空隙中盐的积累，钢筋混凝土结构可能会发生过早的退化。浇筑过程后，混凝土表面经常出现表面空洞或虫洞，使相应的人工检查费时、费钱、劳动强度大且不一致。为了更好地对混凝土表面进行检测，需要对混凝土缺陷进行自动分类。

传统的表面空洞分类方法是基于人工检查混凝土表面或人工比较混凝土表面和参考样品的一套标准表面照片。这种方法不仅费时费钱，而且劳动密集，前后不一致。因此，表面孔洞自动识别方法成为混凝土表面检测结果评价的主流方法，具有时间成本低、成本低、技术密集型、客观等优点。

为了得到更好的混凝土表面评价，基于图像处理技术和机器学习方法，对于混凝土表面空隙的分类，主要有三种自动分类方法：第一种方法为对混凝土表面康熙进行图像阈值化或滤波；第二种是采用与混凝土表面卷积的空间点滤波器来检测表面的空隙；第三种是采用形态学滤波器增强图像对比度，提供了混凝土表面空隙的优化分割结果。虽然这些方法可以快速获得混凝土表面空洞的区域或边缘，但分类结果的准确性仍然受到非均匀混凝土表面背景的复杂性和光照条件的变化的限制。

因为纹理对光照的不敏感性，目前的研究主要转向从混凝土表面图像中提取纹理特征，用不同的分类器来判别混凝土表面是否存在虫洞，采用Gabor滤波器和灰度级运行长度，从混凝土表面生成108维纹理特征。此外，利用线性种群缩减的自适应差分进化算法优化参数的支持向量机(SVM)将混凝土表面图像分为有表面空洞和无表面空洞两类。

考虑基于深度学习的卷积神经网络CNN来提高虫洞分类的准确性，CNN在准确识别混凝土表面空洞方面具有很大的能力。然而，训练一个CNN往往需要大量的训练图像，计算开销也很大，并且CNN模型通常对分类结果缺乏解释，为了体现漏洞分类的可解释性和高准确性之间的折衷，传统的方法在分类器前提出特征选择的方法将被重新检验。

发明内容

本发明为了解决上述问题，提出了一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法，使用累积投票策略选择作为108维纹理特征分量的变量，然后对选取的变量集合分类，区分出有空洞和没有空洞的混凝土表面图像，所选的变量支持比已有方法更高的可解释性，以及在集成分类方面更高的分类精度。

本发明是通过以下方法实现的：

一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法：所述方法包括以下步骤：

步骤A：利用Gabor滤波和灰度跑长法进行相关纹理特征的提取；

步骤B：使用累积投票策略进行变量选择，所述变量为步骤A所提取的相关纹理特征的108个分量；制定评价指标，对所选变量进行评估，得到变量的分类结果，区分出有空洞和没有空洞的混凝土表面图像。

进一步地、所述步骤A具体包括：