CN108564569A - 一种基于多核分类学习的混凝土裂缝检测方法及装置 - Google Patents

一种基于多核分类学习的混凝土裂缝检测方法及装置 Download PDF

Info

Publication number
CN108564569A
CN108564569A CN201810247226.XA CN201810247226A CN108564569A CN 108564569 A CN108564569 A CN 108564569A CN 201810247226 A CN201810247226 A CN 201810247226A CN 108564569 A CN108564569 A CN 108564569A
Authority
CN
China
Prior art keywords
indicate
image block
sample
pixel
crack
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
CN201810247226.XA
Other languages
English (en)
Other versions
CN108564569B (zh
Inventor
王保宪
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 CN201810247226.XA priority Critical patent/CN108564569B/zh
Publication of CN108564569A publication Critical patent/CN108564569A/zh
Application granted granted Critical
Publication of CN108564569B publication Critical patent/CN108564569B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种混凝土裂缝的检测方法、检测装置及终端设备，包括：获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本；基于协方差特征提取模型分别对每个训练样本建立样本特征向量；根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。通过上述方法可以有效解决复杂背景下混凝土裂缝检测不精准的问题。

Description

一种基于多核分类学习的混凝土裂缝检测方法及装置
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于多核分类学习的混凝土裂缝检测方法及装置。
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混凝土结构物的表面裂缝信息，构建一种非接触的混凝土裂缝无损检测平台，成为土木工程走向信息智能化的热点研究方向之一。
现有的混凝土裂缝检测方法在其各自特定的环境下能够取得良好的检测效果，但是在受到不均匀光照、阴影噪声等影响时，通常检测效果不理想。
发明内容
有鉴于此，本申请实施例提供了一种基于多核分类学习的混凝土裂缝检测方法及装置，以解决复杂背景下混凝土裂缝检测不精准的问题。
本申请实施例的第一方面提供了一种基于多核分类学习的混凝土裂缝检测方法，包括：
获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本；
基于协方差特征提取模型分别对每个训练样本建立样本特征向量；
根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；
基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。
本申请实施例的第二方面提供了一种基于多核分类学习的混凝土裂缝检测装置，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，得到训练样本；
建立单元，用于基于协方差特征提取模型分别对每个训练样本建立样本特征向量；
决策单元，用于根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；
检测单元，用于基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。
本申请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申请实施例第一方面提供的所述方法的步骤。
本申请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申请实施例第一方面提供的所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例通过获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本；基于协方差特征提取模型分别对每个训练样本建立样本特征向量；根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。通过上述方法可以有效解决复杂背景下混凝土裂缝检测不精准的问题。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例提供的基于多核分类学习的混凝土裂缝检测方法的实现流程示意图；
图2是本申请实施例提供的基于多核分类学习的混凝土裂缝检测装置的示意图；
图3是本申请实施例提供的终端设备的示意图；
图4是本申请实施例提供的基于多核分类学习的混凝土裂缝检测方法的示意图；
图5是本申请实施例提供的部分典型裂缝病害的检测结果对比示意图。
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，以便透彻理解本申请实施例。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申请。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申请的描述。
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，在此本申请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申请。如在本申请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，在本申请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]”。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
图1是本申请实施例提供的基于多核分类学习的混凝土裂缝检测方法的实现流程示意图，如图所示，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，得到训练样本。
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。预设样本库中的样本可以通过人工采集获得。将采集的图像划分为若干个不重叠的图像区域，人工将这些图像区域划分为包含裂缝图像区域和不包含非裂缝图像区域，并将包含裂缝图像的区域标记为裂缝样本，将不包含裂缝图像的区域标记为非裂缝样本，之后将标记好的裂缝样本和非裂缝样本存入预设样本库(如图4中的“方块图像集合”)。在需要建立分类决策函数时，从预设样本库中获取裂缝样本和非裂缝样本，得到训练样本。训练样本可以是预设样本库中所有的裂缝样本和非裂缝样本的集合，也可以是从预设样本库中随机抽取一定数量的裂缝样本和非裂缝样本作为训练样本，此处不做具体限定。
步骤S102，基于协方差特征提取模型分别对每个训练样本建立样本特征向量。
在一个实施例中，所述基于协方差特征提取模型分别对每个训练样本建立样本特征向量，包括：
将每个训练样本分别划分为n个面积相等的图像块。
按照预设顺序分别对每个训练样本的每个图像块建立图像块特征向量。
根据每个训练样本对应的图像块特征向量生成该训练样本的样本特征向量。
步骤S102可参见图4中的“图像特征提取”。其中，n为大于或等于1的自然数。当n等于1时，只有一个图像块，即不对训练样本进行划分，直接对该训练样本本身建立样本特征向量。但是在实际应用中，为了进一步强化裂缝样本与非裂缝样本之间的特征区分度，优选的，将每个训练样本划分为多个面积相等的图像块(如图4中将样本划分为4个面积相等的图像块)。
预设顺序可以是人为预先设定的，例如：从左到右、从右到左、从上到下等等。示例性的，将样本A划分为4个面积相等的图像块(4个图像块呈田字形分布)，先建立左上角图像块的图像块特征向量，再建立左下角图像块的图像块特征向量，然后再建立右上角图像块的图像块特征向量，最后建立右下角图像块的图像块特征向量。当然，在根据每个训练样本对应的图像块特征向量生成该训练样本的样本特征向量的时候，也是按照建立图像块特征向量的预设顺序生成样本特征向量，可以将该训练样本对应的所有图像块特征向量按照预设顺序进行堆叠生成样本特征向量。需要说明的是，上述只是建立图像块特征向量的一个示例，并不对预设顺序、图像块数量等做具体限定。
在一个实施例中，所述按照预设顺序分别对每个训练样本的每个图像块建立图像块特征向量，包括：
通过公式分别将所述图像块上的每个像素点表示为像素点特征向量。
根据所述像素点特征向量，并通过公式P＝{pi},i＝1,...,K建立与所述像素点对应的图像块的特征集合。
根据所述特征集合，并通过公式计算与所述特征集合对应的图像块的协方差矩阵。
根据所述协方差矩阵，并通过公式r＝L[log(C)]计算得到与所述协方差矩阵对应图像块的图像块特征向量；
其中，所述p表示像素点特征向量，所述(x,y)表示像素点的位置坐标，所述I(x,y)表示像素点的灰度值，所述|Ix|、|Iy|分别表示像素点在x方向、y方向的灰度差分绝对值，所述表示像素点的图像灰度梯度绝对值，所述arctan|Iy|/|Ix|表示像素点的图像梯度角度，所述P表示图像块的特征集合，所述pi表示第i个像素点的像素点特征向量，所述K表示图像块中像素点的个数，所述C表示图像块的协方差矩阵，所述μ表示像素点特征向量的均值，所述r表示图像块特征向量，所述L[·]表示列堆叠运算过程，所述log(·)表示对数运算过程。
在实际应用中，由于在欧式空间中不能较好地度量不同类别样本之间的协方差矩阵，所以本申请考虑利用对称正定矩阵的黎曼几何特性，通过对数映射计算方法将协方差矩阵直接转换到欧式空间。示例性的，假设一个7×7的协方差矩阵，经过对数映射计算后，最终可以得到一个49×1的图像块特征向量。
步骤S103，根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数。
在一个实施例中，所述根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数，包括：
获取预先设置的m个不同的核函数，并通过分类决策函数分别计算每个核函数对应的单核分类决策函数；
根据每个核函数对应的单核分类决策函数，并通过公式生成所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；
其中，所述分类决策函数为所述sign(·)表示符号函数，所述N表示训练样本的个数，所述θk表示拉格朗日乘子法引入的正则化参数，所述yk表示第k个训练样本对应的人工标定结果，所述K(·)表示核函数，所述b表示最优分类超平面参数，所述F(x)表示多核分类决策函数，所述βi表示第i个单核分类决策函数对应的权重因子，所述Ji(x)表示第i个单核分类决策函数。
在一个实施例中，所述权重因子可以通过以下公式获得：
其中，所述βk表示第k个单核分类决策函数对应的权重因子，所述errori表示第i个核函数对应的裂缝检测模型的训练误差值，errork表示第k个核函数对应的裂缝检测模型的训练误差值。
在实际应用中，通常利用支持向量机最大化两类目标(裂缝和非裂缝)的分类间隔以实现裂缝与非裂缝样本特征的区分，最大化过程需要求解二次规划问题完成。但是在裂缝病害检测中，通过现场采集会获得大量的样本数据，基于支持向量机的裂缝检测计算效率较低。所以本申请中采用最小二乘支持向量机模型，如下：
上式中，rk为输入的图像区域特征，根据人工经验知识设定其对应的标签yk；γ为正则化参数，ek为训练误差量，(w,b)为最优分类超平面参数，Φ(·)为非线性映射函数。显然相比于支持向量机模型，最小二乘支持向量机模型将不等式约束条件变为等式约束后，可求得裂缝与非裂缝分类判决函数的解析解，有助于提高整个裂缝检测模型在海量样本数据下的计算效率。利用拉格朗日乘子法引入新参数θ，上述最小二乘支持向量机模型等价于求解下式：
进一步分别对ω，b，e，θ求偏导并等于0，可建立新的关于(θ,b)超平面参数的线性方程组：
上式中y为向量，Ω为核矩阵，其定义如下：
这里，K(xk,xl)称为核函数。基于上述推导结果，建立裂缝与非裂缝区域的分类决策函数：
在实际应用中，分类决策函数中的核函数可以是人为预先设定的，而核函数的选择对混凝土裂缝的检测精度有重要影响。因此，本申请在保证计算效率的前提下，提出一种多核分类决策函数(参见图4中的“多核分类训练”)。具体而言，分别设定多个不同的核函数K1,...,Km，通过计算机多线程操作并行训练得到m个裂缝区域检测函数J1,...,Jm。最终可得如下裂缝区域多核综合判据函数：
而对于多核分类决策函数中的权重因子的确定，本申请采用一种自适应启发式的权重计算方法，具体如下：
其中，所述βk表示第k个单核分类决策函数对应的权重因子，所述errori表示第i个核函数对应的裂缝检测模型的训练误差值，errork表示第k个核函数对应的裂缝检测模型的训练误差值。
根据多核分类决策函数对获取的预设样本库中的样本进行分类(如图4中的“裂缝分类检测”)，之后根据建立预设样本库时对样本的标记结果对分类结果进行训练与检验，并计算检测精度。当检测精度不符合要求时，重新根据步骤S101-S103建立多核分类决策函数，直到符合检测精度为止。当然，随着时间的增加，也可以对预设样本库进行更新，往预设样本库中添加最新采集的样本图像，并根据最新采集的样本图像重新建立多核分类决策函数，以保证裂缝检测精度。
步骤S104，基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。
参见图5，图5是本申请实施例提供的部分典型裂缝病害的检测结果对比示意图。图(a)是待检测图像，图(b)是基于Canny边缘分析的裂缝检测方法的检测结果，图(c)是基于Ostu阈值分割的裂缝检测方法的检测结果，图(d)是基于均值方差的裂缝局部检测方法的检测结果，图(e)是本申请的基于多核分类学习的混凝土裂缝检测方法的检测结果，图(f)是待检测图像的人工标记结果。从图中可以看出，本申请中的基于多核分类学习的混凝土裂缝检测方法在光照不均匀、存在背景杂波等干扰的情况下均取得了最佳的裂缝检测结果。
本申请实施例通过获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本；基于协方差特征提取模型分别对每个训练样本建立样本特征向量；根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。通过上述方法可以有效解决复杂背景下混凝土裂缝检测不精准的问题。
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，而不应对本申请实施例的实施过程构成任何限定。
图2是本申请实施例提供的基于多核分类学习的混凝土裂缝检测装置的示意图，为了便于说明，仅示出与本申请实施例相关的部分。
图2所示的基于多核分类学习的混凝土裂缝检测装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
所述基于多核分类学习的混凝土裂缝检测装置2包括：
获取单元21，用于获取预设样本库中的裂缝样本和非裂缝样本，得到训练样本。
建立单元22，用于基于协方差特征提取模型分别对每个训练样本建立样本特征向量。
决策单元23，用于根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数。
检测单元24，用于基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。
在一个实施例中，所述建立单元22包括：
划分模块，用于将每个训练样本分别划分为n个面积相等的图像块。
建立模块，用于按照预设顺序分别对每个训练样本的每个图像块建立图像块特征向量。
生成模块，用于根据每个训练样本对应的图像块特征向量生成该样本的样本特征向量。
在一个实施例中，所述建立模块包括：
表示子模块，用于通过公式分别将所述图像块上的每个像素点表示为像素点特征向量。
建立子模块，用于根据所述像素点特征向量，并通过公式P＝{pi},i＝1,...,K建立与所述像素点对应的图像块的特征集合。
第一计算子模块，用于根据所述特征集合，并通过公式计算与所述特征集合对应的图像块的协方差矩阵。
第二计算子模块，用于根据所述协方差矩阵，并通过公式r＝L[log(C)]计算得到与所述协方差矩阵对应图像块的图像块特征向量。
其中，所述p表示像素点特征向量，所述(x,y)表示像素点的位置坐标，所述I(x,y)表示像素点的灰度值，所述|Ix|、|Iy|分别表示像素点在x方向、y方向的灰度差分绝对值，所述表示像素点的图像灰度梯度绝对值，所述arctan|Iy|/|Ix|表示像素点的图像梯度角度，所述P表示图像块的特征集合，所述pi表示第i个像素点的像素点特征向量，所述K表示图像块中像素点的个数，所述C表示图像块的协方差矩阵，所述μ表示像素点特征向量的均值，所述r表示图像块特征向量，所述L[·]表示列堆叠运算过程，所述log(·)表示对数运算过程。
在一个实施例中，所述决策单元23还包括：
计算模块，用于获取预先设置的m个不同的核函数，并通过分类决策函数分别计算每个核函数对应的单核分类决策函数。
决策模块，用于根据每个核函数对应的单核分类决策函数，并通过公式生成所述裂缝样本与所述非裂缝样本之间的多核分类决策函数。
其中，所述分类决策函数为所述sign(·)表示符号函数，所述N表示训练样本的个数，所述θk表示拉格朗日乘子法引入的正则化参数，所述yk表示第k个训练样本对应的人工标定结果，所述K(·)表示核函数，所述b表示最优分类超平面参数，所述F(x)表示多核分类决策函数，所述βi表示第i个单核分类决策函数对应的权重因子，所述Ji(x)表示第i个单核分类决策函数。
在一个实施例中，所述权重因子可以通过以下公式获得：
其中，所述βk表示第k个单核分类决策函数对应的权重因子，所述errori表示第i个核函数对应的裂缝检测模型的训练误差值，errork表示第k个核函数对应的裂缝检测模型的训练误差值。
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3是本申请实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个基于多核分类学习的混凝土裂缝检测方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块21至24的功能。
示例性的，所述计算机程序32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31中，并由所述处理器30执行，以完成本申请。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32在所述终端设备3中的执行过程。例如，所述计算机程序32可以被分割成获取单元、建立单元、决策单元、检测单元，各单元具体功能如下：
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，得到训练样本。
建立单元，用于基于协方差特征提取模型分别对每个训练样本建立样本特征向量。
决策单元，用于根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数。
检测单元，用于基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。
在一个实施例中，所述建立单元包括：
划分模块，用于将每个训练样本分别划分为n个面积相等的图像块。
建立模块，用于按照预设顺序分别对每个训练样本的每个图像块建立图像块特征向量。
生成模块，用于根据每个训练样本对应的图像块特征向量生成该训练样本的样本特征向量。
在一个实施例中，所述建立模块包括：
表示子模块，用于通过公式分别将所述图像块上的每个像素点表示为像素点特征向量。
建立子模块，用于根据所述像素点特征向量，并通过公式P＝{pi},i＝1,...,K建立与所述像素点对应的图像块的特征集合。
第一计算子模块，用于根据所述特征集合，并通过公式计算与所述特征集合对应的图像块的协方差矩阵。
第二计算子模块，用于根据所述协方差矩阵，并通过公式r＝L[log(C)]计算得到与所述协方差矩阵对应图像块的图像块特征向量。
其中，所述p表示像素点特征向量，所述(x,y)表示像素点的位置坐标，所述I(x,y)表示像素点的灰度值，所述|Ix|、|Iy|分别表示像素点在x方向、y方向的灰度差分绝对值，所述表示像素点的图像灰度梯度绝对值，所述arctan|Iy|/|Ix|表示像素点的图像梯度角度，所述P表示图像块的特征集合，所述pi表示第i个像素点的像素点特征向量，所述K表示图像块中像素点的个数，所述C表示图像块的协方差矩阵，所述μ表示像素点特征向量的均值，所述r表示图像块特征向量，所述L[·]表示列堆叠运算过程，所述log(·)表示对数运算过程。
在一个实施例中，所述决策单元包括：
计算模块，用于获取预先设置的m个不同的核函数，并通过分类决策函数分别计算每个核函数对应的单核分类决策函数。
决策模块，用于根据每个核函数对应的单核分类决策函数，并通过公式生成所述裂缝样本与所述非裂缝样本之间的多核分类决策函数。
其中，所述分类决策函数为所述sign(·)表示符号函数，所述N表示样本的个数，所述θk表示拉格朗日乘子法引入的正则化参数，所述yk表示第k个训练样本对应的人工标定结果，所述K(·)表示核函数，所述b表示最优分类超平面参数，所述F(x)表示多核分类决策函数，所述βi表示第i个单核分类决策函数对应的权重因子，所述Ji(x)表示第i个单核分类决策函数。
在一个实施例中，所述权重因子可以通过以下公式获得：
其中，所述βk表示第k个单核分类决策函数对应的权重因子，所述errori表示第i个核函数对应的裂缝检测模型的训练误差值，errork表示第k个核函数对应的裂缝检测模型的训练误差值。
所述终端设备3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30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3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30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31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3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31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31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31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申请的范围。
在本申请所提供的实施例中，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，在本申请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，本申请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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于多核分类学习的混凝土裂缝检测方法，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，得到训练样本；
基于协方差特征提取模型分别对每个训练样本建立样本特征向量；
根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；
基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。
2.如权利要求1所述的基于多核分类学习的混凝土裂缝检测方法，其特征在于，所述基于协方差特征提取模型分别对每个训练样本建立样本特征向量，包括：
将每个训练样本分别划分为n个面积相等的图像块；
按照预设顺序分别对每个训练样本的每个图像块建立图像块特征向量；
根据每个训练样本对应的图像块特征向量生成该训练样本的样本特征向量。
3.如权利要求2所述的基于多核分类学习的混凝土裂缝检测方法，其特征在于，所述按照预设顺序分别对每个训练样本的每个图像块建立图像块特征向量，包括：
通过公式分别将所述图像块上的每个像素点表示为像素点特征向量；
根据所述像素点特征向量，并通过公式P＝{pi},i＝1,...,K建立与所述像素点对应的图像块的特征集合；
根据所述特征集合，并通过公式计算与所述特征集合对应的图像块的协方差矩阵；
根据所述协方差矩阵，并通过公式r＝L[log(C)]计算得到与所述协方差矩阵对应图像块的图像块特征向量；
其中，所述p表示像素点特征向量，所述(x,y)表示像素点的位置坐标，所述I(x,y)表示像素点的灰度值，所述|Ix|、|Iy|分别表示像素点在x方向、y方向的灰度差分绝对值，所述表示像素点的图像灰度梯度绝对值，所述arctan|Iy|/|Ix|表示像素点的图像梯度角度，所述P表示图像块的特征集合，所述pi表示第i个像素点的像素点特征向量，所述K表示图像块中像素点的个数，所述C表示图像块的协方差矩阵，所述μ表示像素点特征向量的均值，所述r表示图像块特征向量，所述L[·]表示列堆叠运算过程，所述log(·)表示对数运算过程。
4.如权利要求3所述的基于多核分类学习的混凝土裂缝检测方法，其特征在于，所述根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数，包括：
获取预先设置的m个不同的核函数，并通过分类决策函数分别计算每个核函数对应的单核分类决策函数；
根据每个核函数对应的单核分类决策函数，并通过公式生成所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；
其中，所述分类决策函数为所述sign(·)表示符号函数，所述N表示训练样本的个数，所述θk表示拉格朗日乘子法引入的正则化参数，所述yk表示第k个训练样本对应的人工标定结果，所述K(·)表示核函数，所述b表示最优分类超平面参数，所述F(x)表示多核分类决策函数，所述βi表示第i个单核分类决策函数对应的权重因子，所述Ji(x)表示第i个单核分类决策函数。
5.如权利要求4所述的基于多核分类学习的混凝土裂缝检测方法，其特征在于，所述权重因子可以通过以下公式获得：
其中，所述βk表示第k个单核分类决策函数对应的权重因子，所述errori表示第i个核函数对应的裂缝检测模型的训练误差值，errork表示第k个核函数对应的裂缝检测模型的训练误差值。
6.一种基于多核分类学习的混凝土裂缝检测装置，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，得到训练样本；
建立单元，用于基于协方差特征提取模型分别对每个训练样本建立样本特征向量；
决策单元，用于根据所述样本特征向量获得所述裂缝样本与所述非裂缝样本之间的多核分类决策函数；
检测单元，用于基于所述多核分类决策函数对待检测的混凝土图像进行裂缝检测。
7.如权利要求6所述的基于多核分类学习的混凝土裂缝检测装置，其特征在于，所述建立单元包括：
划分模块，用于将每个训练样本分别划分为n个面积相等的图像块；
建立模块，用于按照预设顺序分别对每个训练样本的每个图像块建立图像块特征向量；
生成模块，用于根据每个训练样本对应的图像块特征向量生成该训练样本的样本特征向量。
8.如权利要求7所述的基于多核分类学习的混凝土裂缝检测装置，其特征在于，所述建立模块包括：
表示子模块，用于通过公式分别将所述图像块上的每个像素点表示为像素点特征向量。
建立子模块，用于根据所述像素点特征向量，并通过公式P＝{pi},i＝1,...,K建立与所述像素点对应的图像块的特征集合；
第一计算子模块，用于根据所述特征集合，并通过公式计算与所述特征集合对应的图像块的协方差矩阵；
第二计算子模块，用于根据所述协方差矩阵，并通过公式r＝L[log(C)]计算得到与所述协方差矩阵对应图像块的图像块特征向量。
其中，所述p表示像素点特征向量，所述(x,y)表示像素点的位置坐标，所述I(x,y)表示像素点的灰度值，所述|Ix|、|Iy|分别表示像素点在x方向、y方向的灰度差分绝对值，所述表示像素点的图像灰度梯度绝对值，所述arctan|Iy|/|Ix|表示像素点的图像梯度角度，所述P表示图像块的特征集合，所述pi表示第i个像素点的像素点特征向量，所述K表示图像块中像素点的个数，所述C表示图像块的协方差矩阵，所述μ表示像素点特征向量的均值，所述r表示图像块特征向量，所述L[·]表示列堆叠运算过程，所述log(·)表示对数运算过程。
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6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6任一项所述方法的步骤。
CN201810247226.XA 2018-03-23 2018-03-23 一种基于多核分类学习的混凝土裂缝检测方法及装置 Active CN108564569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810247226.XA CN108564569B (zh) 2018-03-23 2018-03-23 一种基于多核分类学习的混凝土裂缝检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810247226.XA CN108564569B (zh) 2018-03-23 2018-03-23 一种基于多核分类学习的混凝土裂缝检测方法及装置

Publications (2)

Publication Number Publication Date
CN108564569A true CN108564569A (zh) 2018-09-21
CN108564569B CN108564569B (zh) 2019-11-26

Family

ID=63532947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810247226.XA Active CN108564569B (zh) 2018-03-23 2018-03-23 一种基于多核分类学习的混凝土裂缝检测方法及装置

Country Status (1)

Country Link
CN (1) CN108564569B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109029381A (zh) * 2018-10-19 2018-12-18 石家庄铁道大学 一种隧道裂缝的检测方法、系统及终端设备
CN111882664A (zh) * 2020-07-08 2020-11-03 武汉武大卓越科技有限责任公司 一种多窗口累计差分的裂缝提取方法
CN113240635A (zh) * 2021-05-08 2021-08-10 中南大学 一种裂缝分辨为基准的结构物检测图像质量测试方法
CN116434087A (zh) * 2023-04-04 2023-07-14 中建二局土木工程集团有限公司 基于goa-svm协同算法与无人机的混凝土裂缝识别方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514456A (zh) * 2013-06-30 2014-01-15 安科智慧城市技术（中国）有限公司 基于压缩感知多核学习的图像分类方法及其装置
CN105718955A (zh) * 2016-01-25 2016-06-29 中国人民解放军军事医学科学院卫生装备研究所 一种基于多重编码与特征融合的视觉地形分类方法
CN106203487A (zh) * 2016-06-30 2016-12-07 北京航空航天大学 一种基于多核学习分类器融合的图像分类方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514456A (zh) * 2013-06-30 2014-01-15 安科智慧城市技术（中国）有限公司 基于压缩感知多核学习的图像分类方法及其装置
CN105718955A (zh) * 2016-01-25 2016-06-29 中国人民解放军军事医学科学院卫生装备研究所 一种基于多重编码与特征融合的视觉地形分类方法
CN106203487A (zh) * 2016-06-30 2016-12-07 北京航空航天大学 一种基于多核学习分类器融合的图像分类方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DINESH GOVINDARAJ: "Thesis: Multiple Kernel Learning for Object Categorization", 《ARXIV E-PRINT》 *
胡湘萍: "基于多核学习的多特征融合图像分类研究", 《计算机工程与应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109029381A (zh) * 2018-10-19 2018-12-18 石家庄铁道大学 一种隧道裂缝的检测方法、系统及终端设备
CN109029381B (zh) * 2018-10-19 2021-04-06 石家庄铁道大学 一种隧道裂缝的检测方法、系统及终端设备
CN111882664A (zh) * 2020-07-08 2020-11-03 武汉武大卓越科技有限责任公司 一种多窗口累计差分的裂缝提取方法
CN113240635A (zh) * 2021-05-08 2021-08-10 中南大学 一种裂缝分辨为基准的结构物检测图像质量测试方法
CN113240635B (zh) * 2021-05-08 2022-05-03 中南大学 一种裂缝分辨为基准的结构物检测图像质量测试方法
CN116434087A (zh) * 2023-04-04 2023-07-14 中建二局土木工程集团有限公司 基于goa-svm协同算法与无人机的混凝土裂缝识别方法及装置
CN116434087B (zh) * 2023-04-04 2024-01-23 中建二局土木工程集团有限公司 基于goa-svm协同算法与无人机的混凝土裂缝识别方法及装置

Also Published As

Publication number Publication date
CN108564569B (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
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
US7333962B2 (en) Techniques to organize test results
CN105354866B (zh) 一种多边形轮廓相似度检测方法
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
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
CN107492091A (zh) 基于机器视觉的标签外观检测方法及终端设备
Umbaugh et al. Feature extraction in image analysis. A program for facilitating data reduction in medical image classification
Fu et al. Genetic programming for edge detection: a global approach
CN107908566A (zh) 自动化测试管理方法、装置、终端设备及存储介质
CN107424160A (zh) 通过视觉系统查找图像中线的系统和方法
CN105513038A (zh) 图像匹配方法及手机应用测试平台
CN110378297A (zh) 一种基于深度学习的遥感图像目标检测方法
CN105069774B (zh) 基于多示例学习与图割优化的目标分割方法
CN110210625A (zh) 基于迁移学习的建模方法、装置、计算机设备和存储介质
Deng et al. Application of new advanced CNN structure with adaptive thresholds to color edge detection
CN109598249A (zh) 服饰检测方法和装置、电子设备、存储介质
EP3940373A1 (en) Inspection device and method
Rodolà et al. A simple and effective relevance-based point sampling for 3D shapes
JP5289412B2 (ja) 局所特徴量算出装置及び方法、並びに対応点探索装置及び方法
Tamosiunas et al. Investigating cosmological GAN emulators using latent space interpolation
Ansari et al. Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network
CN114445268A (zh) 一种基于深度学习的服装风格迁移方法及系统
Xiao et al. Recognition for woven fabric pattern based on gradient histogram
Siddiqui et al. Clustering techniques for image segmentation
CN104268550A (zh) 特征提取方法及装置

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
GR01 Patent grant
GR01 Patent grant