[发明专利]一种基于深度学习的混凝土预制构件裂缝检测方法

权利要求书

1.一种基于深度学习的混凝土预制构件裂缝检测方法，该方法包括以下步骤：

S1、将采集的含有裂缝的裂缝图像样本进行预处理，以构造裂缝图像样本数据集：

(1)使用固定大小的正方形滑动窗口在裂缝图像样本上按照从左到右、从上到下的顺序滑动，每次滑动后，将所述的滑动窗口所覆盖的图像区域单独保存为一个子图像；

其中，滑动窗口的尺寸的取值范围为150～300像素，滑动窗口移动的步长的取值范围为滑动窗口的尺寸的0.4～0.6倍；若当前行或列剩余的未覆盖的裂缝图像样本的边长小于滑动窗口移动的步长，则以剩余的图像边长为本次滑动的步长，之后以原来的步长继续滑动，直至滑动窗口覆盖裂缝图像样本的所有区域，结束所述的子图像的采集过程；

(2)对保存的子图像进行人工标注，将含有裂缝特征的子图像标注为正样本，值为1，否则标注为负样本，值为0，然后将标注好的正负样本分别按照数量比为7∶1∶2的比例随机划分为数据集1、数据集2和数据集3；

(3)对所述的数据集1、数据集2和数据集3分别进行数据增广处理，然后将经数据增广处理后的数据集1～3分别依次保存为训练卷积神经网络模型的训练集、用来辅助训练过程的验证集和测试网络模型性能的测试集；

所述的数据增广处理的方法为：对每张子图像采用旋转变换、翻转变换、平移变换、错切变换以及放缩变换共五种操作方式随机结合的方法进行处理；每张子图像根据需要进行多次数据增广,以得到多张图像；

其中，所述的翻转变换分为水平翻转和垂直翻转；对于所述的旋转变换、平移变换、错切变换和放缩变换这四种变换方式，在每次数据增广过程中，其变换的幅度为指定范围内的随机值；其中，旋转变换的角度范围为-30°～+30°；平移变换包括水平平移变换和垂直平移变换，其平移的距离范围为子图像的宽度的0～0.3倍；错切变换包括水平错切变换和垂直错切变换，其变换方向为逆时针方向的剪切变换角度，变换角度的范围为0°～30°；放缩变换的倍数的取值范围为0.8～1.2，放缩方式为等比例放缩；

S2、搭建卷积神经网络模型：

搭建由两个卷积层、两个池化层和三个全连接层构成的卷积神经网络模型，其中：

所述的卷积层所含卷积核大小设置为3×3，步长为1，填充层数为1；

所述的池化层方式为最大池化，大小为2×2，步长为2；

所述的全连接层中的第一个全连接层的神经元个数为128，第二个全连接层的神经元个数为64，第三个全连接层的神经元个数为2；

采用交叉熵损失函数计算损失值，其公式如下：

其中，n表示训练时的小批量样本数量，其取值范围为2¹～2⁵，x表示图像数据样本的特征值，y表示人工标注的标签，y’表示网络模型预测的输出；

采用Relu函数Max(z，0)作为卷积神经网络激活函数，其中z为输入的神经元；优化器设置为Adam优化器，学习率的取值范围为1e-4～1e-3；

S3、训练卷积神经网络模型，以得到最终的算法模型：

利用所述的训练集对所述的卷积神经网络模型进行多个轮次的训练，并在每个轮次的训练结束后保存卷积神经网络模型，然后利用所述的验证集对保存的卷积神经网络模型的性能进行检测，并用准确率作为评价算法性能的标准，所述的准确率的计算公式为式中，TP为预测正确的正样本数量，FP为预测错误的正样本数量，TN为预测正确的负样本数量，FN为预测错误的负样本数量；其中，所述的轮次的值由验证集检测的结果确定，若训练集误差降低，但验证集误差升高，则停止训练；停止训练后，将保存的网络模型按照准确率由高到低排序，保留前五个网络模型；

最后将所述的测试集分别送入保留的五个网络模型中进行测试，然后按照测试的准确率由高到低进行排序，将准确率最高的网络模型作为最终的算法模型；

S4、利用所述的算法模型对待检测的裂缝图像进行检测，具体过程如下：

若待检测的裂缝图像的尺寸大于或小于S1中所述的滑动窗口的尺寸的5倍，则将待检测的裂缝图像进行等比放缩至滑动窗口的尺寸的5倍，然后按照S1之(1)中的方法采集待检测的子图像，最后将其送入所述的算法模型中进行检测，即可得到检测结果。