[发明专利]一种基于机器视觉的复杂背景建筑物裂缝检测方法

说明书

本发明公开了一种基于机器视觉的复杂背景建筑物裂缝检测方法，使用相机获取图像；将resnet101网络作为主干网络，将图像输入到主干网络中进行特征提取；采用OCR结构对主干网络提取的中间层特征做粗略的语义分割，结合粗略的语义分割结果与主干网络提取的最深层特征计算得到K组向量，即物体区域表示；结合物体区域表示与主干网络提取的最深层特征计算得到像素与物体区域表示的关系矩阵，并得到每个像素和物体区域表示的值；根据值与物体区域表示加权求和，得到最后的物体上下文特征表示；将物体上下文特征表示与主干网络提取的最深层特征进行拼接，获得最后的分割结果图像并进行上采样，得到最终的裂缝分割图。本发明能够很好的区分裂缝和背景，提高识别质量。

技术领域

本发明涉及裂缝检测技术领域，具体涉及一种基于机器视觉的复杂背景建筑物裂缝检测方法。

背景技术

随着城市化进程的推进，城市建设不断发展。但由于经济发展、城市规划、地质变化、施工影响、建筑质量等各方面原因，目前城市存在不少超期服役、结构损伤的房屋等各种病害，导致住宅建筑成为危险建筑，严重威胁居民和周边设施的安全。

裂缝是危险房屋三大类构件危险性鉴定的主要内容，反映了结构受力状态及其安全性、耐久性，开裂是结构细观层面受力状态的宏观体现。裂缝是结构损伤的表现，是耐久性不足的预警，是结构破坏的先兆。并且房屋裂缝的现象十分普遍，其形成原因也相对复杂。在危房健康监测过程中关注裂缝的形成及变化规律能够及时发现建筑物潜在的安全隐患，并为相应补救措施的制定提供依据。

在工程结构现场检测与实验室试验中，现有的人工裂缝识别技术难以满足需求。裂缝检查的效果依赖于检查者的主动性，客观原因如危险、不舒适检查环境等同样影响裂缝检查的可靠性，总结起来存在测不准、高空多、效率低、记不全等缺点，导致现有的人工裂缝检查手段无法满足工程实践的需求。

随着数字图像软硬件技术的发展，利用数字图像法进行结构表面的裂缝检查成为有效的结构损伤检查方法，使用拍摄得到的结构表面图像，经过裂缝检出与提取、裂缝参数计算等步骤，得到裂缝长度、宽度、分布等定量信息，完成裂缝检查。

但是目前基于图像检测的硬件系统和软件算法上均存在局限,无法较好实现在实际运用中的要求,算法的好坏决定了检测的正确率和速度。传统的图像处理算法对复杂条件下的裂缝特征拟合能力有限，难以完全消除照片中的所有噪声，特别是现有的基于机器视觉的裂缝检测技术自适应能力较差，对于阴影、水渍、破损等复杂背景下的裂缝拟合能力有限，精度仍有上升空间。

发明内容

本发明要解决的技术问题是提供一种基于机器视觉的复杂背景建筑物裂缝检测方法，通过添加注意力机制来获取丰富上下文信息，提高裂缝特征通道的学习能力，降低背景噪声影响；然后通过公共数据集和小样本数据集组合建立源域数据集、目标域数据集以供迁移学习使用，以此来降低训练样本过少对检测性能的影响。

为了解决上述技术问题，本发明提供了一种基于机器视觉的复杂背景建筑物裂缝检测方法，包括以下步骤：

步骤一、通过相机进行图像获取；

步骤二、将resnet101网络作为主干网络，将图像输入到主干网络中进行特征提取，得到图像在缩小8倍下采样的特征图；

步骤三、采用OCR结构对主干网络提取的中间层特征做粗略的语义分割，获得像素的类别概率分布，即软物体区域；

步骤四、将主干网络的中间层特征使用SE注意力机制进行通道增强之后代替主干网络的最深层特征，得到最深层替代特征，结合软物体区域与最深层替代特征计算得到K组向量，即物体区域表示，每一组向量表示一类物体的特征表示，赋予类别标签；

步骤五、结合物体区域表示与最深层替代特征计算得到像素与物体区域表示的关系矩阵，并通过关系矩阵得到每个像素和物体区域表示的值；