CN108198173A - 一种混凝土裂缝区域的在线检测方法、装置及终端设备 - Google Patents

一种混凝土裂缝区域的在线检测方法、装置及终端设备 Download PDF

Info

Publication number
CN108198173A
CN108198173A CN201711456120.2A CN201711456120A CN108198173A CN 108198173 A CN108198173 A CN 108198173A CN 201711456120 A CN201711456120 A CN 201711456120A CN 108198173 A CN108198173 A CN 108198173A
Authority
CN
China
Prior art keywords
sample
default
image
detection model
frequency domain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711456120.2A
Other languages
English (en)
Other versions
CN108198173B (zh
Inventor
王保宪
赵维刚
张宇峰
张�浩
李义强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN201711456120.2A priority Critical patent/CN108198173B/zh
Publication of CN108198173A publication Critical patent/CN108198173A/zh
Application granted granted Critical
Publication of CN108198173B publication Critical patent/CN108198173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明适用于图像处理技术领域，提供了一种混凝土裂缝区域的在线检测方法、装置及终端设备，包括：获取预设样本库中的裂缝样本和非裂缝样本；基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取；基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数；基于所述分类决策函数对待检测的混凝土裂缝图像进行检测；本发明有效地提高了对混凝土裂缝图像区域的检测精度，并增强了检测算法的鲁棒性，并且分类决策函数可以实现在线更新。

Description

一种混凝土裂缝区域的在线检测方法、装置及终端设备
技术领域
本发明属于图像处理技术领域，尤其涉及一种混凝土裂缝区域的在线检测方法、装置及终端设备。
背景技术
随着信息技术的飞速发展，利用图像采集设备获取结构物的表面缺损信息，构建一种非接触的图像无损检测方法，成为土木工程走向信息智能化的热点研究方向之一。由于工程结构裂缝病害检测的巨大需求，基于图像分析的裂缝检测识别研究受到相关学者的广泛关注。
目前，国内外学者已提出多种混凝土裂缝图像检测方法。但是在受到不均匀光照、各种阴影噪声影响及背景干扰时，现有方法的检测效果较差；另外，随着工程结构裂缝采集密度的进一步提高以及裂缝形状等特征的变化，将产生庞大的图像数据量和较高的检测精度需求，给现有的检测方法带来了严重的计算负担，使得现有的裂缝区域检测方法难以取得较高的精度、鲁棒性差。
发明内容
有鉴于此，本发明实施例提供了一种混凝土裂缝区域的在线检测方法、装置及终端设备，以解决现有技术中裂缝检测精度低、鲁棒性差的问题。
本发明实施例的第一方面提供了一种混凝土裂缝区域的在线检测方法，包括：
获取预设样本库中的裂缝样本和非裂缝样本；
基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取；
基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数；
基于所述分类决策函数对待检测的混凝土裂缝图像进行检测。
本发明实施例的第二方面提供了一种混凝土裂缝区域的在线检测装置，包括：
获取单元，用于获取预设样本库中的裂缝样本和非裂缝样本；
提取单元，用于基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取；
建立单元，用于基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数；
检测单元，用于基于所述分类决策函数对待检测的混凝土裂缝图像进行检测。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明通过获取预设样本库中的裂缝样本和非裂缝样本；基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取；基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数；基于所述分类决策函数对待检测的混凝土裂缝图像进行检测；提高了混凝土裂缝图像的检测精度，并增强了检测算法的鲁棒性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的混凝土裂缝区域的在线检测方法的实现流程示意图；
图2是本发明实施例提供的混凝土裂缝区域的在线检测方法的示意图；
图3是本发明实施例提供的裂缝与非裂缝图像区域的频域响应系数对比图；
图4是本发明实施例提供的混凝土裂缝区域的在线检测模型的示意图；
图5是本发明实施例提供的对待检测的混凝土裂缝区域的在线检测结果示意图；
图6是本发明实施例提供的利用混凝土裂缝区域的在线检测方法得到的实验结果图；
图7是本发明实施例提供的混凝土裂缝区域的在线检测装置示意图；
图8是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明实施例提供的混凝土裂缝区域的在线检测方法的实现流程示意图，图2中示出了本发明实施例中混凝土裂缝区域的在线检测方法的示意图；图1结合图2，可以更直观、形象地了解本实施中混凝土裂缝区域的在线检测方法。
如图1所示，所述方法可以包括以下步骤：
步骤S101，获取预设样本库中的裂缝样本和非裂缝样本。
在实际应用中，为了建立裂缝样本与非裂缝样本之间的分类决策函数，首先需要建立一个具有足够多样本的预设样本库(如图2中的训练样本库)以使检测模型进行分类学习。
其中，预设样本库中的裂缝样本和非裂缝样本可以是对实际采集图像(如图2表示的实际采集图像)进行人工标定后的样本图像。在实际应用中，对实际采集图像进行分块处理，可以将实际采集图像按照2D平面网格划分为Z个不重叠的图像块区域，这Z个不重叠的图像块区域可以分为有裂缝的图像块区域(如图2中的裂缝块图)和不含裂缝的图像块区域(如图2中的非裂缝块图)两类，由此得到裂缝样本图像块和非裂缝样本图像块；将得到的裂缝样本图像块标记为裂缝样本、非裂缝样本图像块标记为非裂缝样本，并存入预设样本库。需要说明的是，Z为大于1的任一整数，Z值的选择需要保证对实际采集图像的划分足够细致、且各个图像块的尺寸大小需要保持一致。
步骤S102，基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取。
其中，离散余弦变换英文缩写为DCT，对预设样本库中的每个样本进行频域特征提取，即如图2中所示的对训练样本库中的每个样本进行DCT频域特征提取。
可选的，所述基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取，包括：
获取所述预设样本库中的每个样本的图像区域列向量；
基于离散余弦变换公式对所述图像区域列向量进行离散余弦变换得到频域响应系数，并根据所述频域响应系数计算当前样本的频域特征。
进一步的，所述获取所述预设样本库中的每个样本的图像区域列向量，包括：
对所述预设样本库中的每个样本分别建立图像区域矩阵；
将所述图像区域矩阵中的数据生成第一列向量；
对所述图像区域矩阵进行转置运算，并将转置运算后的图像区域矩阵中的数据生成第二列向量；
将所述第一列向量和所述第二列向量串联生成图像区域列向量。
在实际应用中，可以设图像区域矩阵为将矩阵v每一列的数据按顺序堆叠，生成第一列向量向量x1可反映原始矩阵v中水平方向裂缝的灰度变化特征。
示例性的，假设矩阵v为：
则生成的第一列向量x1为：
将矩阵v进行转置运算，并将转置运算后的矩阵每一列的数据按顺序堆叠，生成第二列向量向量x2可反映原始矩阵v中垂直方向裂缝的灰度变化特征。
示例性的，将上述矩阵v进行转置运算得到转置运算后的矩阵为：
则生成的第二列向量x2为：
将第一列向量和第二列向量按照列顺序进一步堆叠，串联生成图像区域列向量。
示例性的，将上述第一列向量x1和第二列向量x2按照列顺序进一步堆叠，串联生成图像区域列向量为：
在获取到所述预设样本库中的每个样本的图像区域列向量之后，基于离散余弦变换公式对所述图像区域列向量进行离散余弦变换得到频域响应系数。其中，离散余弦变换公式为：
式中，u,x＝0,1，…，N-1，(N＝2d2)，F(u)为频域响应系数，即当前样本的频域特征，其每个点的幅值大小反应了图像区域像素在该点频率的响应程度，所述f(x)为图像区域列向量，C(u)是归一化系数，具体如下式：
进一步的，由于裂缝样本中裂缝在图像区域中呈现聚集的特点，其对应较大的F(u)会集中分布在某些频段范围。相比之下，非裂缝样本中的噪声分布是随机的，其对应较大的F(u)分布比较均匀(参见图3，图3示出了裂缝与非裂缝图像区域的频域响应系数对比图)。根据裂缝样本与非裂缝样本的这个区别特征，所述根据所述频域响应系数计算当前样本的频域特征，还包括：
分别统计各个预设频段内的频域响应系数的波峰值，并将所述波峰值按照从大到小的顺序进行排序，得到排序队列；
将所述排序队列中前面预设个数波峰值标记为所述当前样本的频域特征。
示例性的，对图像区域向量计算频域响应系数，分别统计各个预设频段内的频域响应系数的波峰值为F(1)(0～500HZ)，F(2)(500～1000HZ)，F(3)(1000～1500HZ)，F(4)(1500～2000HZ)(F(u)为频域响应系数的波峰值，其中，u＝1,2,3,4，括号里的是F(u)所在的频段，)；并将所述波峰值按照从大到小的顺序进行排序，得到排序队列：F(1)>F(2)>F(3)>F(4)，假设预设个数为3，则将上述排序队列中前面3个频域响应系数的波峰值标记为当前样本的频域特征：[F(1),F(2),F(3)]，可参见图3中的左图。需要说明的是，此处只是对如何计算样本频域特征的一个示例，各个预设频段内可能存在至少一个频域响应系数的波峰值，这里并不对频域响应系数及其对应的频段做具体限定。
步骤S103，基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数。
在实际应用中，预设检测模型可以是ELM(Extreme Learning Machine，超限学习机)检测模型，是一种基于神经网络的检测分类器(如图2中的ELM检测分类器)。
可选的，所述基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数，包括：
获取所述预设检测模型的隐层节点的个数；
将所述当前样本的频域特征输入到所述预设检测模型；
根据所述频域特征和所述隐层节点的个数生成隐层输入参数；
根据所述隐层输入参数计算所述预设检测模型的隐层输出矩阵；
根据所述隐层输出矩阵及每个样本对应的标定结果计算所述预设检测模型的输出权重，并根据所述输出权重计算所述裂缝样本与所述非裂缝样本之间的分类决策函数。
在实际应用中，获取预设样本库中裂缝样本和非裂缝样本时，即已经相应地获取了每个样本对应的标定结果。例如，获取预设样本库中裂缝样本1和非裂缝样本2，则相应地获取了裂缝样本1的标定结果为裂缝，非裂缝样本2的标定结果为非裂缝，即相应地获取了每个样本对应的标定结果。
示例性的，如图4所示，图中c表示频域特征(ci表示第i个样本图像对应的频域特征)，令其作为预设检测模型的输入，隐层节点的个数可以是预先设定的，图中为L个，根据隐层节点的个数L和频域特征c可以按照高斯正态分布生成隐层输入参数(w,b)；根据隐层输入参数计算隐层输出矩阵为：
式中，所述H为隐层输出矩阵，所述hi(c)＝G(wi,bi,c)是第i个隐层输出量，(wi,bi)是第i个隐层的输入参数，G(·)是激活函数，激活函数可采用sigmoid，sine，RBF等函数；在本发明实施例中，可以有裂缝与非裂缝两类样本属性作为预设检测模型的输出；根据隐层输出矩阵及每个样本对应的标定结果计算预设检测模型的输出权重β为：
式中，所述β为输出权重，所述H为隐层输出矩阵，所述T为样本标定结果矩阵(T中元素为每个样本对应的标定结果)，所述λ为正则化参数；由于上述目标函数是光滑凸函数，通过梯度计算可得最优解为β＝(HTH+I/λ)-1HTT。
相应的，根据输出权重计算裂缝样本与非裂缝样本之间的分类决策函数为：
J(x)＝h(x)β，
式中，所述J(x)为判决结果，所述β为输出权重，所述h(x)为待检测的混凝土裂缝图像对应的隐层输出矩阵。
步骤S104，基于所述分类决策函数对待检测的混凝土裂缝图像进行检测。
参见图5，图5示出了对待检测的混凝土裂缝区域的在线检测结果示意图，图5(b)中白色图像块表示裂缝，灰色图像块表示非裂缝。需要说明的是，图5中只是给出了待检测的混凝土裂缝图像及其检测结果的一个示例，在实际应用中，利用本发明中的检测方法还可以对不同的混凝土裂缝图像进行检测，此处并不对检测结果和待检测的混凝土裂缝图像做具体限定。
可选的，可以通过在线更新保证预设检测模型的检测精度和良好的鲁棒性，在基于所述分类决策函数对待检测的混凝土裂缝图像进行检测之后，还包括：
根据所述隐层输出矩阵计算所述预设检测模型的更新参数；
保存所述隐层输入参数、所述预设检测模型的更新参数和所述预设检测模型的输出权重；
对所述预设检测模型的输出权重进行更新。
在实际应用中，上述步骤获得的隐层节点的个数、隐层输入参数在混凝土裂缝检测任务开始后，其数值均不会在变化，所以需要保存隐层输入参数。而为了适应混凝土结构检测对象不断变化的情况，需要对预设检测模型的输出权重进行更新，更新过程中需要用到预设检测模型的更新参数和输出权重，所以同样需要对预设检测模型的更新参数和输出权重进行保存。
其中，预设检测模型的更新参数为：
式中，所述W1为预设检测模型的更新参数，所述H1为与当前新增样本对应的隐层输出矩阵，所述I为单位矩阵，所述λ为正则化参数。
进一步的，所述对所述预设检测模型的输出权重进行更新，包括：
获取混凝土裂缝的新增样本图像；
基于所述预设检测模型，根据所述预设检测模型的隐层节点的个数和保存的所述隐层输入参数，计算与所述新增样本图像对应的隐层输出矩阵和所述新增样本图像的检测结果；
基于增量更新表达式，根据与所述新增样本图像对应的隐层输出矩阵、所述新增样本图像的标定结果、保存的所述预设检测模型的更新参数和保存的所述预设检测模型的输出权重，获得更新后的所述预设检测模型的输出权重；
所述增量更新表达式为：
式中，所述β1为更新后的所述预设检测模型的输出权重，所述β0为更新前保存的所述预设检测模型的输出权重，所述T1为所述新增样本图像的标定结果矩阵，所述所述W0为保存的所述预设参数模型的更新参数，所述H1为与所述新增样本图像对应的隐层输出矩阵。
基于所述预设检测模型，根据所述预设检测模型的隐层节点的个数和保存的所述隐层输入参数，计算与所述新增样本图像对应的隐层输出矩阵的步骤与上述步骤S101-S103中所描述的方法相同，具体可参照步骤S101-S103，在此不再赘述。
图6中示出了利用本发明提出的混凝土裂缝区域的在线检测方法得到的实验结果示意图。图中，图6(a)为实际拍摄图像，图6(b)为人工标记图像，图6(c)为根据本发明实施例提供的混凝土裂缝图像的检测方法得到的裂缝区域的检测结果图，与人工标记的裂缝区域基本一致。
本发明实施例通过获取预设样本库中的裂缝样本和非裂缝样本；基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取；基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数；基于所述分类决策函数对待检测的混凝土裂缝图像进行检测；提高了混凝土裂缝图像的检测精度，并通过在线更新分类决策函数增强了裂缝区域检测算法的鲁棒性和适应性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图7是本发明实施例提供的混凝土裂缝图像的检测装置的示意图，为了便于说明，仅示出与本发明实施例相关的部分。
所述混凝土裂缝区域的在线检测装置7包括：
获取单元71，用于获取预设样本库中的裂缝样本和非裂缝样本；
提取单元72，用于基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取；
建立单元73，用于基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数；
检测单元74，用于基于所述分类决策函数对待检测的混凝土裂缝图像进行检测。
可选的，所述提取单元72包括：
第一获取模块，用于获取所述预设样本库中的每个样本的图像区域列向量；
变换模块，用于基于离散余弦变换公式对所述图像区域列向量进行离散余弦变换得到频域响应系数，并根据所述频域响应系数计算当前样本的频域特征。
进一步的，所述第一获取模块包括：
建立子模块，用于对所述预设样本库中的每个样本分别建立图像区域矩阵；
第一生成子模块，用于将所述图像区域矩阵中的数据生成第一列向量；
第二生成子模块，用于对所述图像区域矩阵进行转置运算，并将转置运算后的图像区域矩阵中的数据生成第二列向量；
第三生成子模块，用于将所述第一列向量和所述第二列向量串联生成图像区域列向量。
进一步的，所述变换模块还包括：
排序子模块，用于分别统计各个预设频段内的频域响应系数的波峰值，并将所述波峰值按照从大到小的顺序进行排序，得到排序队列；
标记子模块，用于将所述排序队列中前面预设个数波峰值标记为所述当前样本的频域特征。
可选的，所述建立单元73包括：
第二获取模块，用于获取所述预设检测模型的隐层节点的个数；
输入模块，用于将所述当前样本的频域特征输入所述预设检测模型；
隐层输入参数生成模块，用于根据所述频域特征和所述隐层节点的个数生成隐层输入参数；
第一计算模块，用于根据所述隐层输入参数计算所述预设检测模型的隐层输出矩阵；
第二计算模块，用于根据所述隐层输出矩阵及每个样本对应的标定结果计算所述预设检测模型的输出权重，并根据所述输出权重计算所述裂缝样本与所述非裂缝样本之间的分类决策函数。
可选的，所述装置7还包括：
计算单元75，用于根据所述隐层输出矩阵计算所述预设检测模型的更新参数；
保存单元76，用于保存所述隐层输入参数、所述检测模型的更新参数和所述预设检测模型的输出权重。
更新单元77，用于对所述预设检测模型的输出权重进行更新。
进一步的，所述更新单元77包括：
第三获取模块，用于获取混凝土裂缝的新增样本图像；
第三计算模块，用于基于所述预设检测模型，根据所述预设检测模型的隐层节点的个数和保存的所述隐层输入参数，计算与所述新增样本图像对应的隐层输出矩阵；
第四获取模块，用于基于增量更新表达式，根据与所述新增样本图像对应的隐层输出矩阵、所述新增样本图像的标定结果、保存的所述预设检测模型的更新参数和保存的所述预设检测模型的输出权重，获得更新后的所述预设检测模型的输出权重；
其中，所述增量更新表达式为：
式中，所述β1为更新后的所述预设检测模型的输出权重，所述β0为更新前保存的所述预设检测模型的输出权重，所述T1为所述新增样本图像的标定结果矩阵，所述所述W0为保存的所述预设参数模型的更新参数，所述H1为与所述新增样本图像对应的隐层输出矩阵。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图8是本发明实施例提供的终端设备的示意图。如图8所示，该实施例的终端设备8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个混凝土裂缝区域的在线检测方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块71至77的功能。
示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述终端设备8中的执行过程。例如，所述计算机程序82可以被分割成获取单元、存入单元、提取单元、建立单元、检测单元，各单元具体功能如下：
获取单元71，用于获取预设样本库中的裂缝样本和非裂缝样本；
提取单元72，用于基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取；
建立单元73，用于基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数；
检测单元74，用于基于所述分类决策函数对待检测的混凝土裂缝图像进行检测。
可选的，所述提取单元72包括：
第一获取模块，用于获取所述预设样本库中的每个样本的图像区域列向量；
变换模块，用于基于离散余弦变换公式对所述图像区域列向量进行离散余弦变换得到频域响应系数，并根据所述频域响应系数计算当前样本的频域特征。
进一步的，所述第一获取模块包括：
建立子模块，用于对所述预设样本库中的每个样本分别建立图像区域矩阵；
第一生成子模块，用于将所述图像区域矩阵中的数据生成第一列向量；
第二生成子模块，用于对所述图像区域矩阵进行转置运算，并将转置运算后的图像区域矩阵中的数据生成第二列向量；
第三生成子模块，用于将所述第一列向量和所述第二列向量串联生成图像区域列向量。
进一步的，所述变换模块还包括：
排序子模块，用于分别统计各个预设频段内的频域响应系数的波峰值，并将所述波峰值按照从大到小的顺序进行排序，得到排序队列；
标记子模块，用于将所述排序队列中前面预设个数波峰值标记为所述当前样本的频域特征。
可选的，所述建立单元73包括：
第二获取模块，用于获取所述预设检测模型的隐层节点的个数；
输入模块，用于将所述当前样本的频域特征输入所述预设检测模型；
隐层输入参数生成模块，用于根据所述频域特征和所述隐层节点的个数生成隐层输入参数；
第一计算模块，用于根据所述隐层输入参数计算所述预设检测模型的隐层输出矩阵；
第二计算模块，用于根据所述隐层输出矩阵及每个样本对应的标定结果计算所述预设检测模型的输出权重，并根据所述输出权重计算所述裂缝样本与所述非裂缝样本之间的分类决策函数。
可选的，所述装置7还包括：
计算单元75，用于根据所述隐层输出矩阵计算所述预设检测模型的更新参数；
保存单元76，用于保存所述隐层输入参数、所述检测模型的更新参数和所述预设检测模型的输出权重。
更新单元77，用于对所述预设检测模型的输出权重进行更新。
进一步的，所述更新单元77包括：
第三获取模块，用于获取混凝土裂缝的新增样本图像；
第三计算模块，用于基于所述预设检测模型，根据所述预设检测模型的隐层节点的个数和保存的所述隐层输入参数，计算与所述新增样本图像对应的隐层输出矩阵；
第四获取模块，用于基于增量更新表达式，根据与所述新增样本图像对应的隐层输出矩阵、所述新增样本图像的标定结果、保存的所述预设检测模型的更新参数和保存的所述预设检测模型的输出权重，获得更新后的所述预设检测模型的输出权重；
其中，所述增量更新表达式为：
式中，所述β1为更新后的所述预设检测模型的输出权重，所述β0为更新前保存的所述预设检测模型的输出权重，所述T1为所述新增样本图像的标定结果矩阵，所述所述W0为保存的所述预设参数模型的更新参数，所述H1为与所述新增样本图像对应的隐层输出矩阵。
所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的示例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种混凝土裂缝区域的在线检测方法，其特征在于，包括：
获取预设样本库中的裂缝样本和非裂缝样本；
基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取；
基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数；
基于所述分类决策函数对待检测的混凝土裂缝图像进行检测。
2.如权利要求1所述的混凝土裂缝区域的在线检测方法，其特征在于，所述基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取，包括：
获取所述预设样本库中的每个样本的图像区域列向量；
基于离散余弦变换公式对所述图像区域列向量进行离散余弦变换得到频域响应系数，并根据所述频域响应系数计算当前样本的频域特征。
3.如权利要求2所述的混凝土裂缝区域的在线检测方法，其特征在于，所述获取所述预设样本库中的每个样本的图像区域列向量，包括：
对所述预设样本库中的每个样本分别建立图像区域矩阵；
将所述图像区域矩阵中的数据生成第一列向量；
对所述图像区域矩阵进行转置运算，并将转置运算后的图像区域矩阵中的数据生成第二列向量；
将所述第一列向量和所述第二列向量串联生成图像区域列向量。
4.如权利要求3所述的混凝土裂缝区域的在线检测方法，其特征在于，所述根据所述频域响应系数计算当前样本的频域特征，还包括：
分别统计各个预设频段内的频域响应系数的波峰值，并将所述波峰值按照从大到小的顺序进行排序，得到排序队列；
将所述排序队列中前面预设个数波峰值标记为所述当前样本的频域特征。
5.如权利要求4所述的混凝土裂缝区域的在线检测方法，其特征在于，所述基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数，包括：
获取所述预设检测模型的隐层节点的个数；
将所述当前样本的频域特征输入到所述预设检测模型；
根据所述频域特征和所述隐层节点的个数生成隐层输入参数；
根据所述隐层输入参数计算所述预设检测模型的隐层输出矩阵；
根据所述隐层输出矩阵及每个样本对应的标定结果计算所述预设检测模型的输出权重，并根据所述输出权重计算所述裂缝样本与所述非裂缝样本之间的分类决策函数。
6.如权利要求5所述的混凝土裂缝区域的在线检测方法，其特征在于，在基于所述分类决策函数对待检测的混凝土裂缝图像进行检测之后，还包括：
根据所述隐层输出矩阵计算所述预设检测模型的更新参数；
保存所述隐层输入参数、所述预设检测模型的更新参数和所述预设检测模型的输出权重；
对所述预设检测模型的输出权重进行更新。
7.如权利要求6所述的混凝土裂缝区域的在线检测方法，其特征在于，所述对所述预设检测模型的输出权重进行更新，包括：
获取混凝土裂缝的新增样本图像；
基于所述预设检测模型，根据所述预设检测模型的隐层节点的个数和保存的所述隐层输入参数，计算与所述新增样本图像对应的隐层输出矩阵；
基于增量更新表达式，根据与所述新增样本图像对应的隐层输出矩阵、所述新增样本图像的标定结果、保存的所述预设检测模型的更新参数和保存的所述预设检测模型的输出权重，获得更新后的所述预设检测模型的输出权重；
所述增量更新表达式为：
式中，所述β1为更新后所述预设检测模型的输出权重，所述β0为更新前保存的所述预设检测模型的输出权重，所述T1为所述新增样本图像的标定结果矩阵，所述所述W0为保存的所述预设检测模型的更新参数，所述H1为与所述新增样本图像对应的隐层输出矩阵。
8.一种混凝土裂缝区域的在线检测装置，其特征在于，包括：
获取单元，用于获取预设样本库中的裂缝样本和非裂缝样本；
提取单元，用于基于离散余弦变换对所述预设样本库中的每个样本进行频域特征的提取；
建立单元，用于基于预设检测模型，根据每个样本的频域特征建立所述裂缝样本与所述非裂缝样本之间的分类决策函数；
检测单元，用于基于所述分类决策函数对待检测的混凝土裂缝图像进行检测。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201711456120.2A 2017-12-28 2017-12-28 一种混凝土裂缝区域的在线检测方法、装置及终端设备 Active CN108198173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711456120.2A CN108198173B (zh) 2017-12-28 2017-12-28 一种混凝土裂缝区域的在线检测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711456120.2A CN108198173B (zh) 2017-12-28 2017-12-28 一种混凝土裂缝区域的在线检测方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN108198173A true CN108198173A (zh) 2018-06-22
CN108198173B CN108198173B (zh) 2019-11-26

Family

ID=62585050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711456120.2A Active CN108198173B (zh) 2017-12-28 2017-12-28 一种混凝土裂缝区域的在线检测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN108198173B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020046213A1 (en) * 2018-08-31 2020-03-05 Agency For Science, Technology And Research A method and apparatus for training a neural network to identify cracks
CN110955476A (zh) * 2018-09-27 2020-04-03 佳能株式会社 信息处理装置、信息处理方法和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147788A (zh) * 2010-02-04 2011-08-10 成都市世嘉电子实业有限公司 一种无乘法器的快速无损整数dct算法
CN104077763A (zh) * 2014-07-08 2014-10-01 中国科学院高能物理研究所 基于压缩感知理论的tof-pet图像重建方法
CN106770325A (zh) * 2016-12-19 2017-05-31 湖北省建筑工程质量监督检验测试中心 一种混凝土构件裂缝自动检测方法
CN107506787A (zh) * 2017-07-27 2017-12-22 陕西师范大学 一种基于迁移自学习的混凝土桥梁裂缝分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147788A (zh) * 2010-02-04 2011-08-10 成都市世嘉电子实业有限公司 一种无乘法器的快速无损整数dct算法
CN104077763A (zh) * 2014-07-08 2014-10-01 中国科学院高能物理研究所 基于压缩感知理论的tof-pet图像重建方法
CN106770325A (zh) * 2016-12-19 2017-05-31 湖北省建筑工程质量监督检验测试中心 一种混凝土构件裂缝自动检测方法
CN107506787A (zh) * 2017-07-27 2017-12-22 陕西师范大学 一种基于迁移自学习的混凝土桥梁裂缝分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
N. UMADEVI ET AL: "《Multiple classification system for fracture detection in human bone x-ray images》", 《2012 THIRD INTERNATIONAL CONFERENCE ON COMPUTING, COMMUNICATION AND NETWORKING TECHNOLOGIES (ICCCNT"12)》 *
丁爱玲等: "《基于支撑矢量机的路面破损识别》", 《长安大学学报（自然科学版）》 *
关玉萍等: "《基于支持向量机决策树的驾驶员眼睛状态检测》", 《哈尔滨理工大学学报》 *
魏涛等: "《基于自标注在线顺序急速学习机的图像识别方法》", 《计算机工程》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020046213A1 (en) * 2018-08-31 2020-03-05 Agency For Science, Technology And Research A method and apparatus for training a neural network to identify cracks
CN110955476A (zh) * 2018-09-27 2020-04-03 佳能株式会社 信息处理装置、信息处理方法和存储介质
CN110955476B (zh) * 2018-09-27 2024-04-26 佳能株式会社 信息处理装置、信息处理方法和存储介质

Also Published As

Publication number Publication date
CN108198173B (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
Liu et al. Computer-aided breast cancer diagnosis based on image segmentation and interval analysis
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
Deng et al. Classification of breast density categories based on SE-Attention neural networks
CN108257121B (zh) 产品缺陷检测模型更新的方法、装置、存储介质及终端设备
Millán et al. Thin shell analysis from scattered points with maximum‐entropy approximants
CN107358182A (zh) 行人检测方法及终端设备
CN108564569B (zh) 一种基于多核分类学习的混凝土裂缝检测方法及装置
Fu et al. Genetic programming for edge detection: a global approach
CN106650572A (zh) 一种指纹图像的质量评估方法
Yonekura et al. Improving the generalization of disease stage classification with deep CNN for glioma histopathological images
Qi et al. Hep-2 cell classification: The role of gaussian scale space theory as a pre-processing approach
Tripathi et al. Ensembling handcrafted features with deep features: an analytical study for classification of routine colon cancer histopathological nuclei images
Bilaloglu et al. Efficient pan-cancer whole-slide image classification and outlier detection using convolutional neural networks
CN108447047A (zh) 抗酸杆菌检测方法及装置
CN108198173A (zh) 一种混凝土裂缝区域的在线检测方法、装置及终端设备
Martínez et al. Probing the geometry of data with diffusion fréchet functions
Rai et al. Can ImageNet feature maps be applied to small histopathological datasets for the classification of breast cancer metastatic tissue in whole slide images?
CN108182681A (zh) 一种基于多层超限学习网络的混凝土裂缝检测方法
Wei et al. Evaluating isosurfaces with level‐set‐based information maps
CN107633506A (zh) 一种图像对称性检测方法、装置及终端设备
CN108759648A (zh) 基于机器学习的探地雷达检测方法
Hamidinekoo et al. Comparing the performance of various deep networks for binary classification of breast tumours
Zheng et al. Laboratory-on-a-smartphone for estimating angularity of granular soils
CN109191452B (zh) 一种基于主动学习的腹腔ct图像腹膜转移自动标记方法
Mu et al. The application of RBF neural network in the wood defect detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Baoxian

Inventor after: Li Yiqiang

Inventor after: Zhao Weigang

Inventor after: Zhang Yufeng

Inventor after: Zhang Hao

Inventor before: Wang Baoxian

Inventor before: Zhao Weigang

Inventor before: Zhang Yufeng

Inventor before: Zhang Hao

Inventor before: Li Yiqiang

GR01 Patent grant
GR01 Patent grant