[发明专利]基于深度学习及图像处理的室内墙面裂缝检测方法

权利要求书

1.一种基于深度学习及图像处理的室内墙面裂缝检测方法，其特征在于，该方法包括以下步骤：

步骤1：构建裂缝图像分割模型，并在裂缝图像分割模型中引入跳层，以提高对裂缝图像的像素特征提取深度；

步骤2：导入裂缝图像，并使用裂缝图像分割模型对裂缝图像进行裂缝区域的像素分割；

步骤3：对分割后的裂缝图像进行像素长宽值的计算；

步骤4：根据计算出来的像素长宽值换算出裂缝真实值。

2.如权利要求1所述的基于深度学习及图像处理的室内墙面裂缝检测方法，其特征在于，该方法还包括步骤5：对裂缝图像进行拼接。

3.如权利要求1所述的基于深度学习及图像处理的室内墙面裂缝检测方法，其特征在于，在步骤1中，裂缝图像分割模型为U-net网络模型，所述U-net网络模型由18层卷积层、7层最大池化层、7层上采样层以及SPP模块组成，在第4层、第7层以及第11层的位置处引入跳层。

4.如权利要求1所述的基于深度学习及图像处理的室内墙面裂缝检测方法，其特征在于，步骤3具体包括以下步骤：

步骤31：裂缝骨架化，连接裂缝首尾两端，所形成的线为裂缝方向，将图像沿垂直于裂缝方向进行切片得到多个切片单元，对每一个切片单元的白色像素位置进行各个坐标点的坐标统计，通过计算坐标均值得到白色像素区域的中点，并将所有切片单元的白色像素区域的中点相连得到裂缝骨架线；

步骤32：裂缝骨架线平滑处理，利用卷积平滑算法对裂缝骨架线进行平滑处理；

步骤33：计算裂缝像素长度，计算公式为其中n为裂缝骨架线上的坐标点个数，x为坐标点的横坐标，y为坐标点的纵坐标；

步骤34：计算裂缝像素宽度，确定裂缝骨架线上任意一点为特征点，通过特征点与其相邻点的坐标计算出特征点的斜率，进而计算出过特征点且垂直于骨架线的直线的解析式，令特征点的x坐标逐渐递减，并同时根据解析式解析递减后对应的y坐标，得到所述直线在图像中的坐标点，并判定该点像素是否为255，若该点像素为255，则x坐标继续递减，直到特征点的像素为0，则该特征点的前一个点保存为上边缘点；同理通过令特征点的x坐标逐渐递增，可以得到下边缘点，上边缘点和下边缘点之间的距离即为裂缝宽度；

步骤35：重复步骤34，得出裂缝区域内所有的宽度值。

5.如权利要求4所述的基于深度学习及图像处理的室内墙面裂缝检测方法，其特征在于，步骤32中的卷积平滑算法为Savitzky-Golay卷积平滑算法。

6.如权利要求1所述的基于深度学习及图像处理的室内墙面裂缝检测方法，其特征在于，步骤4具体包括以下步骤：

步骤41：在实际的裂缝区域描绘具有固定尺寸的取样框，并对取样框内的图像进行截取得到实测图像，从而得到裂缝实测值；

步骤42：建立裂缝实测值与裂缝分割图像的对应关系；

步骤43：用对应关系对计算出来的像素长宽值进行运算，得出裂缝真实值。

7.如权利要求6所述的基于深度学习及图像处理的室内墙面裂缝检测方法，其特征在于，步骤42中对应关系的具体建立方法包括：

步骤421：确定裂缝图像中的任意一条边为像素边，并计算像素边的像素数量为h；

步骤422在实测图像中找到对应像素边的实测边，并计算实测边的像素数量为h’；

步骤423：采用公式和进行像素长宽值和裂缝真实值的换算，其中L’为裂缝区域的像素长度对应的像素点数量，W’裂缝区域的像素宽度对应的像素点数量。

8.如权利要求2所述的基于深度学习及图像处理的室内墙面裂缝检测方法，其特征在于，步骤5中对裂缝图像进行拼接的具体方法包括：

步骤51：采用多种算法分别对裂缝图像分别进行拼接；

步骤52：综合对比不同算法检测的特征点数、可匹配的特征点数和拼接耗时，选择其中一个算法进行拼接。

9.如权利要求8所述的基于深度学习及图像处理的室内墙面裂缝检测方法，其特征在于，步骤51中的多种算法包括SIFT算法、SURF算法以及ORB算法。