[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

说明书

本发明涉及计算机视觉、深度学习技术领域，具体涉及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：采集裂缝图像数据，将采集的裂缝图像样本进行预处理，并对其进行人工标注；将标注后的数据样本进行数据增广，并划分为训练集、验证集和测试集；搭建卷积神经网络模型；对卷积神经网络模型进行训练、验证和测试，以得到最终的算法模型；利用所述的算法模型对待检测的裂缝图像进行检测，得到检测结果。本发明相较于传统的人工检测方法，大大降低了人工成本并且提高了检测的精度。此外，相对于现有的图像处理检测方法，本发明可对高分辨率图像进行检测，具有可操作性强和检测精度较高的优点。

技术领域

本发明涉及计算机视觉、深度学习技术领域，具体涉及一种基于深度学习的混凝土预制构件裂缝检测方法。

背景技术

质量控制在产品生产中的意义日趋显著，产品的表面缺陷影响其质量。据调查统计，在美国多达10％的建设成本用于因材料缺陷而导致的返工。裂缝缺陷是一种十分常见的预制构件表面缺陷类型，准确地进行裂缝缺陷检测对于提高产品质量和降低建设成本具有非常重要的作用。

目前检测评估预制构件质量主要有人工识别检测法、基于图像处理算法检测方法以及深度学习方法。其中，传统的人工检测方法，该方法抽检率低、检测准确度受人工经验和疲劳程度等主观因素的影响大、劳动强度大、检测效率低和实时性差。图像处理算法检测方法，主要是针对同一材质和纹理背景图像进行裂缝检测，且目前尚无法对彩色图像直接进行裂缝检测。现有的深度学习算法检测方法，一般是将待检测图像直接压缩到较小尺寸，以满足神经网络输入要求，再送入提前训练好的神经网络模型中进行检测，得出预测结果，此类算法在处理高分辨率的裂缝图像时，会因过度的压缩会导致图像失真，有较高的漏检率和误检率。

有研究采用滑动窗口算法去解决有损产品检测有遗漏的问题，该算法是通过提前预设滑动窗口的大小，在待检测图像上进行滑动，其每次滑动的距离为滑动窗口的宽度或高度尺寸，从而得到若干个不具有重复图像的子图像，再送入提前训练好的卷积神经网络模型中进行预测，得出预测结果。采用此类算法采集的子图像，如果裂缝位于子图像边缘处，其裂缝特征在检测过程中极易被忽略，从而出现有损产品检测时被遗漏现象。

综上，对于混凝土预制构件裂缝的检测还需要开发新的检测方法，不仅要实现自动化检测来代替低效且高成本的人工检测，还需要降低检测的漏检率，并提高检测精度。

发明内容

针对现有技术中存在的不足，本发明所要解决的技术问题是提供一种基于深度学习的混凝土预制构件裂缝检测方法，该方法采用自动图像处理算法，不仅能够处理高分辨率的彩色图像，并且能够保留图像特征，具有较高的检测精度。

本发明解决上述技术问题的方案是：

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；