[发明专利]一种基于深度学习的裂缝识别方法

摘要

本发明公开了一种基于深度学习的裂缝识别方法，利用深度卷积神经网络同时实现裂缝位置和裂缝属性的准确识别，提出了带分支的深度卷积神经网络，在网络主干上将卷积层和反卷积层进行组合实现端到端的裂缝位置预测，在网络分支上，实现对其属性的识别；为了克服裂缝样本标注费时费力的难题，设计了仿真裂缝绘制算法实现了仿真裂缝的自动绘制和标注，从而大大减轻了人工标注的工作量，并且为深度学习提供了大数据量的训练样本，避免深度网络模型的过拟合，提高了真实裂缝训练时的收敛性和收敛效率；其识别正确率大幅提升，通用性更强，可靠性更高，能够满足工业检测的需求。

主权项

1.一种基于深度学习的裂缝识别方法，其特征在于，包括以下步骤：/ns1构建仿真裂缝数据集，具体包括：/ns11构建仿真裂缝数据集Dataset1，即利用计算机生成一定数量的空白图像，利用线条绘制算法在空白图像上绘制裂缝线和噪声；/ns12构建仿真裂缝数据集Dataset2，选取一定数量的路面影像，路面影像中不包含裂缝，利用线条绘制算法在每一幅路面图像上绘制裂缝线条；/ns2构建真实裂缝数据集；/ns3构建深度卷积神经网络模型，所述构建的深度卷积神经网络模型包含一个主干网络和一个分支网络两部分；所述主干网络由一个输入层、若干个卷积层、池化层和反卷积层构成，所述分支网络由若干个卷积层、池化层、全连接层和一个输出层构成，其中主干网络的最后一个卷积层输出两个特征图，其中，所述主干网络由14层组成，具体为：第1层是输入层，第2、4、6、9、11、13、14层是卷积层，第3、5、7是三个池化层，第8、10、12是三个反卷积层，其中，第7层为分支网络的输入层，第14层输出裂缝的位置；/ns4利用步骤s1构建的仿真裂缝数据集对步骤s3所构建的深度卷积神经网络进行训练；/ns5将步骤s4训练所得参数作为深度卷积神经网络模型的初始化参数，利用步骤s2构建的真实裂缝数据集对深度卷积神经网络模型继续进行训练；/ns6利用步骤s5所训练的深度神经网络模型和初始化参数对待识别的影像进行裂缝识别。/n