CN106910187A - 一种用于桥梁裂缝检测的图像数据集人工扩增方法 - Google Patents

Abstract

本发明公开了一种用于桥梁裂缝检测的图像数据集人工扩增方法,包括以下步骤:1).将图像归一化为1024*1024分辨率的图片；2).使用固定窗口在图片上滑动并切片；3).将切片作为一个ROI图片,构建RGB数据集；4).将RGB数据集进行挑选标记；5).对挑选标记后的RGB数据集进行分类。本发明的用于桥梁裂缝检测的图像数据集人工扩增方法,是基于窗口滑动算法进行的,首先将大量的1024*1024分辨率的桥梁裂缝图片切分成16*16像素的图片,然后将16*16像素的图片构成RGB数据集,最后将RGB数据集挑选标记后分成训练集和验证集,因此，本发明的数据集人工扩增方法简单、易操作并且数据集扩增速度快。

Description

一种用于桥梁裂缝检测的图像数据集人工扩增方法

技术领域

本发明属于图像处理与计算机视觉领域,具体涉及一种用于桥梁裂缝检测的图像数据集人工扩增方法。

背景技术

桥梁作为道路,公路,铁路等交通系统的枢纽,需要定期的对其健康状况做出评估,而桥梁裂缝作为最主要的桥梁病害之一,严重影响着桥梁的安全运营,更为严重的会发生桥毁人亡的事故。因此,对桥梁裂缝进行有效的检测识别至关重要。

目前的桥梁裂缝检测方法主要是基于传统的图像处理算法,针对同一种背景纹理和同一种材质进行的裂缝检测,并不能直接针对彩色图像进行裂缝检测。经研究,使用彩色图像直接对桥梁裂缝进行检测,需基于深度学习中的卷积神经网络(CNN)以及窗口滑动算法。使用深度学习中的卷积神经网络(CNN)进行桥梁裂缝检测定位,需要大量的、带标记的桥梁裂缝图像作为训练集、验证集训练模型,使用训练好的模型再进行桥梁裂缝检测定位。但是,到目前为止,还没有公开的、带标记的、用于深度学习的桥梁裂缝图像的数据集。如果直接用人工的方式去采集大量的桥梁裂缝图像,这将是个非常严峻的问题。

发明内容

为了解决目前市面上没有用于深度学习的桥梁裂缝图像数据集这一技术问题,本发明提供了一种用于桥梁裂缝检测的图像数据集人工扩增方法。本发明要解决的技术问题通过以下技术方案实现:

一种用于桥梁裂缝检测的图像数据集人工扩增方法,包括以下步骤:

步骤一、将采集的大量桥梁裂缝图像分辨率归一化为1024*1024；

步骤二、使用W*H固定大小的窗口在桥梁裂缝图片上不重叠的进行滑动,同时,将窗口覆盖下的桥梁裂缝图片切分成小切片,

其中,包含桥梁背景的小切片称为桥梁背景面元,包含桥梁裂缝的小切片称为桥梁裂缝面元,不重叠滑动的计算方法如公式(1)所示:

公式(1)中,W和H为滑动窗口的宽和高,坐标(imgRoiL_x,imgRoiL_y)为ROI区域的左上角点坐标,坐标(imgRoiR_x,imgRoiR_y)为ROI区域的右下角点坐标,其中i和j的计算如公式(2)所示:

公式(2)中,srcImg_w，srcImg_h分别为被窗口滑动的桥梁裂缝图片的宽和高,令srcImg_w＝srcImg_h＝1024pixel；

步骤三、将每个小切片作为一个ROI图片,构建成一个RGB数据集；

步骤四、对步骤三中的RGB数据集进行挑选标记,挑选标记采用的方式是:将ROI图片分成桥梁裂缝面元和桥梁背景面元；

步骤五、对挑选标记后的RGB数据集进行分类,构成一个用于训练深度学习模型的训练集和验证集。

上述的一种用于桥梁裂缝检测的图像数据集人工扩增方法,步骤二中W和H的取值为16pixel。

与现有技术相比,本发明的有益效果:

本发明的用于桥梁裂缝检测的图像数据集人工扩增方法,是基于窗口滑动算法进行的,首先将大量的1024*1024分辨率的桥梁裂缝图片切分成16*16像素的图片,然后将16*16像素的图片构成RGB数据集,最后将RGB数据集挑选标记后分成训练集和验证集,本发明的数据集人工扩增方法简单、易操作并且数据集扩增速度快。

附图说明

图1是本发明的流程图；

图2是本发明人工扩增方式的示意图；

图3是桥梁裂缝检测定位的流程图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。

实施例1:

本实施例是对采集来的2000张桥梁裂缝图像研究的基础上,提出一种基于窗口滑动算法,用于桥梁裂缝检测的图像数据集人工扩增方法,包括以下步骤:

步骤一、将采集的桥梁裂缝图像归一化为1024*1024分辨率的桥梁裂缝图片；

步骤二、使用W*H固定大小的窗口在桥梁裂缝图片不重叠的进行滑动,同时,将窗口覆盖下的桥梁裂缝图片切分成小切片,优选W和H的取值为16pixel；

其中,包含桥梁背景的小切片称为桥梁背景面元,包含桥梁裂缝的小切片称为桥梁裂缝面元,不重叠滑动的计算方法如公式(1)所示:

其中,W和H为滑动窗口的宽和高,取W＝H＝16pixel,坐标(imgRoiL_x,imgRoiL_y)为ROI区域的左上角点坐标,坐标(imgRoiR_x,imgRoiR_y)为ROI区域的右下角点坐标,其中i和j的计算如公式(2)所示:

其中,srcImg_w，srcImg_h,分别为被窗口滑动的桥梁裂缝图片的宽和高,令srcImg_w＝srcImg_h＝1024pixel；

步骤三、将每个小切片作为一个ROI图片,构建成一个RGB数据集；

步骤四、对步骤三中的RGB数据集进行挑选标记,挑选标记采用的方式是:将ROI图片分成桥梁裂缝面元和桥梁背景面元；

步骤五、对挑选标记后的RGB数据集进行分类,构成一个用于训练深度学习模型的训练集和验证集。

通过对采集来的2000张桥梁裂缝图片中的1000张图片进行上述操作,然后通过挑选、标记,构成了一个拥有55000张图片,16*16像素大小的RGB数据集。将这55000张小图片分为两类,桥梁裂缝面元和桥梁背景面元。并且分为训练集(裂缝面元10000张图片,桥梁背景面元40000张图片)和验证集(裂缝面元1000张,背景面元4000张)。

本实施例的用于桥梁裂缝检测的图像数据集人工扩增方法,是基于窗口滑动算法进行的,首先将大量的1024*1024分辨率的桥梁裂缝图片切分成16*16像素的图片,然后将16*16像素的图片构成RGB数据集,最后将RGB数据集挑选标记后分成训练集和验证集,因此,本实施例的数据集人工扩增方法简单、易操作并且数据集扩增速度快。

实施例2:

参照图3,详细叙述桥梁裂缝检测定位的操作过程:

第一步,利用图像采集设备采集五种不同背景纹理、不同材质的桥梁裂缝图片,采集的图片总数为2000张,并将所有的图片归一化为1024*1024分辨率的图片,将这2000张图片分为2个数据集,人工扩增数据集和测试数据集,每个数据集1000张；

第二步,使用W*H固定大小的窗口在人工扩增数据集中的1000张图片上不重叠的进行滑动,同时,将滑动窗口覆盖下的桥梁裂缝图片的小切片作为一个ROI感兴趣区域。其中,包含桥梁背景的小切片图像称为桥梁背景面元,包含桥梁裂缝的小切片称为桥梁裂缝面元,具体过程如下面的公式所示:

imgRoiL_x＝i*W

imgRoiL_y＝j*H

imgRoiR_x＝i*W+W

imgRoiR_y＝j*H+H

其中,W和H为滑动窗口的宽和高,坐标(imgRoiL_x,imgRoiL_y)为ROI区域的左上角点坐标,坐标(imgRoiR_x,imgRoiR_y)为ROI区域的右下角点坐标,其中i和j的计算如下面的公式所示:

i＝srcImg_w/W

j＝srcImg_h/H

其中,srcImg_w，srcImg_h,分别为被窗口滑动的桥梁裂缝图片的宽和高,令srcImg_w＝srcImg_h＝1024pixel；

第三步,对基于窗口滑动算法扩增而来的数据集进行挑选,标记,分类构成一个有一定规模的用于训练深度学习模型的训练集和验证集；

第四步,利用第三步预处理好的数据集对DBCC分类模型进行训练；

第五步,采集一张桥梁裂缝图片,将图片归一化为1024*1024分辨率的图片,然后使用图像高斯金字塔对桥梁裂缝图像进行采样,得到一幅低分辨率的桥梁裂缝图片；

第六步,利用训练好的DBCC分类模型和窗口滑动算法在上一步求得的低分辨率的桥梁裂缝图片上进行检测,并将由DBCC分类模型识别出来的所有的桥梁裂缝面元的横纵坐标记录下来,其中窗口滑动算法如下面的公式所示:

其中,P_b(x)和P_c(x)为在本次识别过程中,所识别的小切片分别为桥梁背景面元和桥梁裂缝面元的概率；f(x)为0,表示当前的桥梁面元图像为桥梁背景面元,f(x)为1,表示当前的桥梁面元图像为桥梁裂缝面元,t为一个概率区分阈值,一般取值为0.90～0.99；

第七步,使用简单选择排序算法对第六步记录的所有桥梁裂缝面元的横纵坐标分别进行排序,将最小的横纵坐标组成一个坐标点,将最大的横纵坐标也组成一个坐标点,并将这两个坐标点代入下面的公式,求解出两个新的坐标点,具体的公式如下所示:

x_h＝(x_l)*2ⁿ

y_h＝(y_l)*2ⁿ

其中坐标(x_l,y_l)为低分辨率图片上确定的位置坐标,坐标(x_h,y_h)为高分辨率图片确定的位置坐标,n代表图像高斯金字塔向下采样的次数,通常n的值为2；

第八步,根据第七步求解出来的两个新的坐标点在高分辨率图片上确定一个矩形区域,并且将这个矩形区域设置为ROI感兴趣区域；

第九步,利用训练好的DBCC分类模型和窗口滑动算法在1024*1024分辨率的图片上进行桥梁裂缝的检测,在桥梁裂缝检测的过程中,记录所有的桥梁裂缝面元的横纵坐标,并且,在这一过程中,统计桥梁裂缝面元图像的个数,并且将这一统计数记为N；

第十步,使用简单选择排序算法对第九步记录的所有的桥梁裂缝面元的横纵坐标进行排序,并且挑选出最小的横纵坐标和最大的横纵坐标组成两个新的位置坐标点,然后根据这两个新的位置坐标点在高分辨率图片上画一个矩形区域,该矩形区域和这两个新的坐标点就标识出了桥梁裂缝在桥梁裂缝图片中的位置；

第十一步,将桥梁裂缝检测过程中统计出来的桥梁裂缝面元的数据N带入下面的公式就可以求解出桥梁裂缝的面积,具体的公式如下所示:

area_crack＝N*W*H

其中area_crack为最终求解出来的桥梁裂缝的面积,N代表桥梁裂缝面元的个数,W为桥梁裂缝面元的宽度,H为桥梁裂缝面元的高度。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。

Claims (2)

1.一种用于桥梁裂缝检测的图像数据集人工扩增方法,包括以下步骤:

步骤一、将采集的大量桥梁裂缝图像分辨率归一化为1024*1024；

步骤二、使用W*H固定大小的窗口在桥梁裂缝图片上不重叠的进行滑动,同时,将窗口覆盖下的桥梁裂缝图片切分成小切片,

其中,包含桥梁背景的小切片称为桥梁背景面元,包含桥梁裂缝的小切片称为桥梁裂缝面元,不重叠滑动的计算方法如公式(1)所示:

$\begin{array}{c}{\mathrm{imgRoiL}}_x=i*W\\ {\mathrm{imgRoiL}}_y=j*H\\ {\mathrm{imgRoiR}}_x=i*W+W\\ {\mathrm{imgRoiR}}_y=j*H+H\end{array}---\left(1\right)$

公式(1)中,W和H为滑动窗口的宽和高,坐标(imgRoiL_x,imgRoiL_y)为ROI区域的左上角点坐标,坐标(imgRoiR_x,imgRoiR_y)为ROI区域的右下角点坐标,其中i和j的计算如公式(2)所示:

$\begin{array}{c}i=src\mathrm{Im}{g}_w/W\\ j=src\mathrm{Im}{g}_h/H\end{array}---\left(2\right)$

公式(2)中,srcImg_w，srcImg_h,分别为被窗口滑动的桥梁裂缝图片的宽和高,令srcImg_w＝srcImg_h＝1024pixel；

步骤三、将每个小切片作为一个ROI图片,构建成一个RGB数据集；

步骤四、对步骤三中的RGB数据集进行挑选标记,挑选标记采用的方式是:将ROI图片分成桥梁裂缝面元和桥梁背景面元；

步骤五、对挑选标记后的RGB数据集进行分类,构成一个用于训练深度学习模型的训练集和验证集。

2.根据权利要求1所述的用于桥梁裂缝检测的图像数据集人工扩增方法,其特征在于:步骤二中W和H的取值为16pixel。