CN109840483B - 一种滑坡裂缝检测与识别的方法及装置 - Google Patents

Abstract

本发明适用于图像处理领域，提供了一种滑坡裂缝检测与识别的方法及装置，其中，所述方法包括：获取待识别图像；基于卷积神经网络和局部纹理信息对所述待识别图像进行裂缝检测与识别。所述装置包括待识别图像获取单元以及裂缝检测与识别单元，所述装置的功能与所述方法相对应。本发明将传统数字图像处理方法和深度学习相结合进行滑坡裂缝检测，同时兼顾了传统数字图像处理方法定位速度快、深度学习方法检测精度高的优点，为滑坡裂缝检测与识别提供了一种新的思路。

Description

一种滑坡裂缝检测与识别的方法及装置

技术领域

本发明属于图像识别领域，尤其涉及一种滑坡裂缝检测与识别的方法及装置。

背景技术

山体滑坡是人类面临最为广泛的地质灾害之一，我国每年都有泥石流和山体滑坡发生，而由于野外勘探、开采以及其他工程建设等造成的类似灾害也时有发生，对人们的人身安全和财产造成严重危害。人们对滑坡等灾害的早期研究多集中在山体稳定性及加固预防措施方面，随着技术的进步，近年来人们开始对一些新的技术和方法在早期预警和检测中的应用越来越关注。山体滑坡发生前，都会出现一些征兆，比如山体出现裂缝，所以检测这些山体裂缝是预警山体滑坡的一个重要方法。目前对裂缝检测的方法主要有两大类，一类是基于传统的数字图像处理的方法，而另一类是基于神经网络的方法。

图像检测是要解决图像中是否包含某类物体的问题，对图像进行特征描述是物体检测的主要研究内容。一般说来，物体检测算法通过手工特征或者特征学习方法对整个图像进行全局描述，然后使用分类器判断是否存在某类物体。山体裂缝图像具有复杂的特性，光照不均匀，噪声繁多、分布不规律，而且容易受到植被影响，用传统的图像处理方法检测山体裂缝效果不佳，虽然基于传统的图像处理方法的裂缝特征的提取已经取得很多研究成果，但是大多数特征提取过程是人工设计的，通过浅层学习获得图像底层特征，与图像高级主题间还存在很大的“语义鸿沟”，造成裂缝检测精度不高，效率低下，在现实中很难得到应用。

随着近年来人工智能、神经网络、机器学习等智能化信息处理技术的进步，有些学者提出用基于卷积神经网络的方法来检测裂缝。神经网络利用设定好的网络结构，完全从训练数据中学习图像的层级结构性特征，能够提取更加接近图像高级语义的抽象特征，因此在图像识别上的表现远远超过传统方法。卷积神经网络在特征表示上具有极大的优越性，模型提取的特征随着网络深度的增加越来越抽象，越来越能表现图像主题语义，不确定性越少，识别能力越强。虽然卷积神经网络能提取接近图像高级语义的抽象特征，但是它的训练步骤繁琐，训练速度慢，生成的目标候选区域数量多，计算量大。

发明内容

本发明提供了一种滑坡裂缝检测与识别的方法及装置，旨在解决现有技术中单纯地用传统图像处理方法或者单纯地用深度学习方法进行裂缝检测与识别导致的精确度低或效率低的技术问题。

为此，按照本发明的第一方面，本发明提供了一种滑坡裂缝检测与识别的方法，包括：获取待识别图像；以及，基于卷积神经网络和局部纹理信息对待识别图像进行裂缝检测与识别。

按照本发明的第二方面，本发明提供了一种滑坡裂缝检测与识别的装置，包括：待识别图像获取单元以及裂缝检测与识别单元；其中，待识别图像获取单元用于获取待识别图像；以及，裂缝检测与识别单元用于基于卷积神经网络和局部纹理信息对待识别图像进行裂缝检测与识别。

按照本发明的第三方面，本发明提供了一种计算机存储介质，用于存储计算机程序指令，当计算机执行该计算机程序指令时，执行如上述第一方面所述的方法。

本发明提供的一种滑坡裂缝检测与识别的方法及装置，将传统数字图像处理方法和深度学习相结合进行滑坡裂缝检测，同时兼顾了传统数字图像处理方法定位速度快、深度学习方法检测精度高的优点，为滑坡裂缝检测与识别提供了一种新的思路。

附图说明

图1是本发明具体实施例提供的一种滑坡裂缝检测与识别的方法的流程图；

图2是本发明具体实施例提供的基于卷积神经网络和局部纹理信息对待识别图像进行裂缝检测与识别的具体流程图；

图3是本发明具体实施例提供的relu激活函数表达式图像；

图4是本发明具体实施例提供的基于局部纹理信息及裂缝特征获取待识别图像的裂缝候选区域的具体流程图；

图5是本发明具体实施例提供的基于第二卷积神经网络识别裂缝候选区域是否为裂缝的具体流程图；

图6是本发明具体实施例提供的一种滑坡裂缝检测与识别的装置的结构图；

图7是本发明具体实施例提供的裂缝检测与识别单元结构图。

其中，1-待识别图像获取单元；2-裂缝检测与识别单元；21-裂缝特征获取单元；22-裂缝候选区域获取单元；23-裂缝判断单元。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明的各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例一

如图1所示，本发明提供了一种滑坡裂缝检测与识别的方法，其是基于改进的Faster RCNN的滑坡裂缝检测与识别的方法，包括：

S1、获取待识别图像。

在本发明的具体实施例中，待识别图像为山体图像，可以通过航拍或其他摄像装置获得。

S2、基于卷积神经网络和局部纹理信息对待识别图像进行裂缝检测与识别。

基于卷积神经网络的图像识别为基于深度学习的卷积神经网络的图像处理方法，其利用设定好的网络结构，完全从训练数据中学习图像的层级结构性特征，能够提取更加接近图像高级语义的抽象特征，对于裂缝检测识别精度高。

基于局部纹理信息的图像识别为传统的图像处理方法，其能够快速定位目标候选区域。

采用基于卷积神经网络的图像识别与基于局部纹理信息的图像识别的结合，可以在保证裂缝监测识别精度的情况下，还能快速定位出目标所在区域。

其中，如图2所示，步骤S2包括：

S21、基于第一卷积神经网络提取待识别图像的裂缝特征。

在本发明的具体实施例中，第一卷积神经网络包括13个卷积层，13个relu激活层以及4个池化层。所有的卷积层都是：卷积核大小为3×3；所有的池化层都是：卷积核大小为2×2，步长为2。

relu激活层的作用是增加卷积层之间的非线性关系，根据链式法则，由于层数的增加，图像的计算梯度越来越小，而relu激活函数能够很好地解决梯度耗散问题，提取出来的特征具有代表性，泛化能力强。relu激活函数表达式图像如图3所示，relu激活函数的表达式如下：

relu激活函数的含义同现有技术一致，在此不做具体限定。relu激活层对卷积层的卷积结果进行抑制，所以relu激活层的输出结果与输入大小一样。

在本发明的具体实施例中，池化层的卷积核大小为2×2，步长为2，待识别图像大小为R×S，R为待识别图像的高，S为待识别图像的宽，每个经过池化层的R×S矩阵，都会变为(R/2)×(S/2)大小。综上所述，在这个过程中，卷积层和relu激活层不改变输入输出大小，只有池化层使输出长宽都变为输入的1/2。那么，一个R×S大小的矩阵经过4个池化层后变为(R/16)×(S/16)。这样生成的特征图都可以和原图对应起来。在本发明的具体实施例中，最后的卷积层输出维度为256维，对应生成256张特征图，所以相当于特征图每个点都是256维。

在生成特征图之后，又做了3×3卷积且维度为256维，相当于每个点又融合了周围3×3的空间信息，同时256维不变。

S22、基于局部纹理信息及裂缝特征获取待识别图像的裂缝候选区域。

S23、基于第二卷积神经网络识别裂缝候选区域是否为裂缝。

其中，如图4所示，步骤S22包括：

S221、对待识别图像进行分块处理，获得多个子图像。

对于待识别图像，由于其背景图像占据比较大的面积，对原图像进行裂缝检测影响较大，导致原图像裂缝检测的精度较低，所以在本发明的具体实施例中，将待识别图像分成若干子图像。

S222、对子图像进行灰度化，获得灰度图像。

对每一个子图像进行灰度化，为了突出裂缝纹理的灰度表现，可以对每一个子图像进行匀光计算获得灰度图像I_D(x,y)，匀光计算方式如下：

I_D(x,y)＝I_n(x,y)-I_G(x,y)+ΔE。

其中，I_n(x,y)为子图像，I_G(x,y)为通过二维离散高斯平滑得到背景图像，x为待识别图像行坐标，y为待识别图像列坐标，ΔE是灰度偏移量，一般取原图像的全部像素灰度均值，是为了保证运算前后图像灰度值分布一致性，I_G(x,y)、ΔE计算方式如下所示：

I_G(x,y)＝I_n(x,y)*H(i,j)，

其中，H(i,j)为3×3的离散高斯卷积核，i为离散高斯卷积核的行坐标，j为离散高斯卷积核的列坐标，M和N为子图像的宽度和高度。

S223、利用对比度线性拉伸法增强灰度图像的反差和细节纹理信息，获得区域拉伸图像。

区域拉伸图像I_E(x,y)计算方式如下：

其中，β为处理拉伸参数，根据经验取β＝32。对于裂缝图像的纹理特性：其背景图像占据较大面积而裂缝纹理数据信息较少。基于此特征可以对子图像进行直方图分析初步滤除大面积的背景图像保留裂缝纹理区域。对区域拉伸图像I_E(x,y)进行灰度均值计算，区域拉伸图像I_E(x,y)的灰度均值A_E计算方式如下：

其中，M_E、N_E是I_E(x,y)的宽度和高度，然后计算图像区域内所有像素点灰度值的方差，分析图像区域的纹理特征灰度量，方差V_E计算方式如下：

S224、对区域拉伸图像进行背景滤波，获得滤波图像。

定义待识别图像中所有子图像的灰度方差为V_n，n＝1,2,…,L。

其中L为待识别图像的子图像数量，n为待识别图像的子图像的标号。利用子图像灰度值方差的最大值和最小值之差来计算待识别图像二值化的阈值，阈值thresh计算方式如下：

thresh＝f×[max(V_n)-min(V_n)]。

其中，f为背景滤波系数，为了尽可能保留裂缝纹理，滤波系数一般取0.5～0.6，可以去除明显的背景区域。通过背景滤波获得的滤波图像I_B(x,y)计算方式如下：

S225、基于裂缝特征对滤波图像进行判断，获得裂缝候选区域。

待识别图像经过上述算法处理后，按照阈值分割后的二值图像进行裂缝特征判断。利用图像最大类间方差法进行阈值分割，对滤波图像I_B(x,y)进行二值化处理。对于不同的图像，计算得到对应的最佳阈值T_B，二值化图像I′_B(x,y)计算方式如下：

二值分割后的图像，裂缝纹理灰度值与背景灰度值，分别按照0和1表示。对于图像中灰度值为0的像素点，设定其最大外接正方形表示连通区域，即为可能的裂缝纹理像素区域，定义为proposal_k＝[x_k,y_k,w_k,h_k]，k＝1,2,…,J，J为可能是裂缝区域的数量，k为可能是裂缝区域的标号，x_k,y_k为裂缝区域窗口的的中心坐标，w_k,h_k为窗口的宽高。

其中，如图5所示，步骤S23包括：

S231、通过池化层实现裂缝候选区域的固定大小输出。

获得的裂缝候选区域大小形状各不相同，裂缝候选区域的坐标对应的是大小为R×S的待识别图像的尺寸，所以需要将其映射回(R/16)×(S/16)大小的特征图的尺寸，之后将每个裂缝候选区域的水平和竖直方向分成7分，对每一份都进行最大值池化处理，这样处理之后，即使大小不同的裂缝候选区域输出结果都是7×7×256的大小，接着将每个7×7×256的裂缝候选区域特征图送入全连接层。

S232、通过全连接层以及Softmax层获得裂缝候选区域属于裂缝的概率。

利用已经获得的裂缝候选区域特征图通过全连接层和Softmax计算出各个裂缝候选区域是否属于裂缝，并算出属于裂缝的概率；同时利用边界框回归获得各个裂缝候选区域的位置偏移量，用于回归更加精确的目标检测框。

全连接层的作用是把每个大小为7×7×256的裂缝区域转化成一维的一个向量，输入的每一张特征图，都使用一个和图像大小一样的核卷积进行点积运算，这样整个特征图就变成了一个数了，如果维度是256维就是那256个核卷积完了之后相加求和。这样就能把一张图高度浓缩成一个数，全连接层的每一个输出都可以看成前一层的每一个结点乘以一个权重系数w，也叫卷积核，最后加上一个偏置值b得到，w和b是训练得到的。x₁、x₂、x₃为全连接层的输入，y₁、y₂、y₃为全连接层输出，输入输出的关系如下所示：

y₁＝w₁₁x₁+w₁₂x₂+w₁₃x₃+b₁，

y₂＝w₂₁x₁+w₂₂x₂+w₂₃x₃+b₂，

y₃＝w₁₁x₁+w₃₂x₂+w₃₃x₃+b₃。

这个式子可以写成矩阵的形式，如下所示：

经过这个处理后，各个裂缝候选区域特征图就变成一个大小为1×4096的特征向量，然后再经过一个全连接层，这个全连接层只有两个输出，这两个输出通过Softmax函数算出一幅待识别图像每个裂缝候选区域属于裂缝的概率。

在步骤S232之后，还包括：

S233、基于边界框线性回归以及裂缝候选区域属于裂缝的概率获得裂缝候选区域被修正后的目标检测区域。

线性回归就是给定输入的特征向量，学习一组参数w_*，使得经过线性回归后的值跟真实值非常接近，这种线性回归关系如下所示：

G_x′＝P_wd_x(P)+P_x，

G_y′＝P_hd_y(P)+P_y，

这里P_x、P_y、P_w、P_h是裂缝候选区域的坐标，G_x′、G_y′、G_w′、G_h′是修正后的目标检测框坐标，d_x(P)、d_y(P)、d_w(P)、d_h(P)是在训练中需要学习的量，它们的获得的方式如下所示：

φ(P)是裂缝候选区域的经过全连接层的特征向量，w_*是要学习的参数(*表示x,y,w,h)，在训练中，我们要让d_*(P)和t_*＝(t_x,t_y,t_w,t_h)差距最小，得到损失函数，如下所示：

其中，i表示的是第i个裂缝候选区域，N表示的是一张图片中裂缝候选区域的数量；

G_*是训练样本中标好的目标框的坐标，最终我们优化目标如下所示：

在训练阶段，我们从训练数据中学习到正确的d_x(P)、d_y(P)、d_w(P)、d_h(P)在测试时，将测试的样本输入到改进的网络中，得到各个裂缝候选区域是裂缝的概率，将裂缝概率比较小的候选区域剔除，并返回修正后正确的裂缝区域的目标框。

在步骤S2之前，还包括：对待识别图像进行扩边处理。

扩边处理即在待识别图像周围填充一圈0，使得待识别图像大小变为(R+2)×(S+2)。之后再进行3×3卷积后输出R×S，正是这种扩边处理，使得经过卷积层处理后不改变输入和输出矩阵的大小。

裂缝检测的传统图像处理方法已经很成熟了，有的学者也开始尝试用深度学习的方法去做，也有一些研究成果，但是对于山体滑坡裂缝而言，它复杂的特性，单纯的用传统图像处理方法或者单纯用深度学习的方法似乎效果没有那么理想，因此，本发明提出了一种传统数字图像处理方法和深度学习相结合的滑坡裂缝检测方法，即基于局部纹理信息和Faster RCNN相结合的裂缝检测方法，为裂缝检测提供了一种新思路，也为山体滑坡的预警做出一份贡献。

实施例二

如图6所示，本发明提供了一种滑坡裂缝检测与识别的装置，包括：待识别图像获取单元以及裂缝检测与识别单元。

待识别图像获取单元用于获取待识别图像。

在本发明的具体实施例中，待识别图像为山体图像，可以通过航拍或其他摄像装置获得。

裂缝检测与识别单元用于基于卷积神经网络和局部纹理信息对待识别图像进行裂缝检测与识别。

基于卷积神经网络的图像识别为基于深度学习的卷积神经网络的图像处理方法，其利用设定好的网络结构，完全从训练数据中学习图像的层级结构性特征，能够提取更加接近图像高级语义的抽象特征，对于裂缝检测识别精度高。

基于局部纹理信息的图像识别为传统的图像处理方法，其能够快速定位目标候选区域。

采用基于卷积神经网络的图像识别与基于局部纹理信息的图像识别的结合，可以在保证裂缝监测识别精度的情况下，还能快速定位出目标所在区域。

其中，如图7所示，裂缝检测与识别单元包括：裂缝特征获取单元、裂缝候选区域获取单元以及裂缝判断单元。

裂缝特征获取单元用于基于第一卷积神经网络提取待识别图像的裂缝特征。

在本发明的具体实施例中，第一卷积神经网络包括13个卷积层，13个relu激活层以及4个池化层。所有的卷积层都是：卷积核大小为3×3；所有的池化层都是：卷积核大小为2×2，步长为2。

relu激活层的作用是增加卷积层之间的非线性关系，根据链式法则，由于层数的增加，图像的计算梯度越来越小，而relu激活函数能够很好地解决梯度耗散问题，提取出来的特征具有代表性，泛化能力强。relu激活函数表达式图像如图3所示，relu激活函数的表达式如下：

relu激活函数的含义同现有技术一致，在此不做具体限定。relu激活层对卷积层的卷积结果进行抑制，所以relu激活层的输出结果与输入大小一样。

在本发明的具体实施例中，池化层的卷积核大小为2×2，步长为2，待识别图像大小为R×S，R为待识别图像的高，S为待识别图像的宽，每个经过池化层的R×S矩阵，都会变为(R/2)×(S/2)大小。综上所述，在这个过程中，卷积层和relu激活层不改变输入输出大小，只有池化层使输出长宽都变为输入的1/2。那么，一个R×S大小的矩阵经过4个池化层后变为(R/16)×(S/16)。这样生成的特征图都可以和原图对应起来。在本发明的具体实施例中，最后的卷积层输出维度为256维，对应生成256张特征图，所以相当于特征图每个点都是256维。

在生成特征图之后，又做了3×3卷积且维度为256维，相当于每个点又融合了周围3×3的空间信息，同时256维不变。

裂缝候选区域获取单元用于基于局部纹理信息及裂缝特征获取待识别图像的裂缝候选区域。

裂缝判断单元用于基于第二卷积神经网络识别裂缝候选区域是否为裂缝。

在本发明的具体实施例中，裂缝候选区域获取单元用于对待识别图像进行分块处理，获得多个子图像。

对于待识别图像，由于其背景图像占据比较大的面积，对原图像进行裂缝检测影响较大，导致原图像裂缝检测的精度较低，所以在本发明的具体实施例中，将待识别图像分成若干子图像。

裂缝候选区域获取单元还用于对子图像进行灰度化，获得灰度图像。

对每一个子图像进行灰度化，为了突出裂缝纹理的灰度表现，可以对每一个子图像进行匀光计算获得灰度图像I_D(x,y)，匀光计算方式如下：

I_D(x,y)＝I_n(x,y)-I_G(x,y)+ΔE。

其中，I_n(x,y)为子图像，I_G(x,y)为通过二维离散高斯平滑得到背景图像，x为待识别图像行坐标，y为待识别图像列坐标，ΔE是灰度偏移量，一般取原图像的全部像素灰度均值，是为了保证运算前后图像灰度值分布一致性，I_G(x,y)、ΔE计算方式如下所示：

I_G(x，y)＝I_n(x,y)*H(i,j)，

其中，H(i,j)为3×3的离散高斯卷积核，i为离散高斯卷积核的行坐标，j为离散高斯卷积核的列坐标，M和N为子图像的宽度和高度。

裂缝候选区域获取单元还用于利用对比度线性拉伸法增强灰度图像的反差和细节纹理信息，获得区域拉伸图像。

区域拉伸图像I_E(x,y)计算方式如下：

其中，β为处理拉伸参数，根据经验取β＝32。对于裂缝图像的纹理特性：其背景图像占据较大面积而裂缝纹理数据信息较少。基于此特征可以对子图像进行直方图分析初步滤除大面积的背景图像保留裂缝纹理区域。对区域拉伸图像I_E(x,y)进行灰度均值计算，区域拉伸图像I_E(x,y)的灰度均值A_E计算方式如下：

其中，M_E、N_E是I_E(x,y)的宽度和高度，然后计算图像区域内所有像素点灰度值的方差，分析图像区域的纹理特征灰度量，方差V_E计算方式如下：

裂缝候选区域获取单元还用于对区域拉伸图像进行背景滤波，获得滤波图像。

定义待识别图像中所有子图像的灰度方差为V_n，n＝1,2,…,L。

其中L为待识别图像的子图像数量，n为待识别图像的子图像的标号。利用子图像灰度值方差的最大值和最小值之差来计算待识别图像二值化的阈值，阈值thresh计算方式如下：

thresh＝f×[max(V_n)-min(W_n)]。

其中，f为背景滤波系数，为了尽可能保留裂缝纹理，滤波系数一般取0.5～0.6，可以去除明显的背景区域。通过背景滤波获得的滤波图像I_B(x,y)计算方式如下：

裂缝候选区域获取单元还用于基于裂缝特征对滤波图像进行判断，获得裂缝候选区域。

待识别图像经过上述算法处理后，按照阈值分割后的二值图像进行裂缝特征判断。利用图像最大类间方差法进行阈值分割，对滤波图像I_B(x,y)进行二值化处理。对于不同的图像，计算得到对应的最佳阈值T_B，二值化图像I′_B(x,y)计算方式如下：

二值分割后的图像，裂缝纹理灰度值与背景灰度值，分别按照0和1表示。对于图像中灰度值为0的像素点，设定其最大外接正方形表示连通区域，即为可能的裂缝纹理像素区域，定义为proposal_k＝[x_k,y_k,w_k,h_k]，k＝1,2,…,J，J为可能是裂缝区域的数量，k为可能是裂缝区域的标号，x_k,y_k为裂缝区域窗口的的中心坐标，w_k,h_k为窗口的宽高。

在本发明的具体实施例中，裂缝判断单元用于通过池化层实现裂缝候选区域的固定大小输出。

获得的裂缝候选区域大小形状各不相同，裂缝候选区域的坐标对应的是大小为R×S的待识别图像的尺寸，所以需要将其映射回(R/16)×(S/16)大小的特征图的尺寸，之后将每个裂缝候选区域的水平和竖直方向分成7分，对每一份都进行最大值池化处理，这样处理之后，即使大小不同的裂缝候选区域输出结果都是7×7×256的大小，接着将每个7×7×256的裂缝候选区域特征图送入全连接层。

裂缝判断单元还用于通过全连接层以及Softmax层获得裂缝候选区域属于裂缝的概率。

利用已经获得的裂缝候选区域特征图通过全连接层和Softmax计算出各个裂缝候选区域是否属于裂缝，并算出属于裂缝的概率；同时利用边界框回归获得各个裂缝候选区域的位置偏移量，用于回归更加精确的目标检测框。

全连接层的作用是把每个大小为7×7×256的裂缝区域转化成一维的一个向量，输入的每一张特征图，都使用一个和图像大小一样的核卷积进行点积运算，这样整个特征图就变成了一个数了，如果维度是256维就是那256个核卷积完了之后相加求和。这样就能把一张图高度浓缩成一个数，全连接层的每一个输出都可以看成前一层的每一个结点乘以一个权重系数w，也叫卷积核，最后加上一个偏置值b得到，w和b是训练得到的。x₁、x₂、x₃为全连接层的输入，y₁、y₂、y₃为全连接层输出，输入输出的关系如下所示：

y₁＝w₁₁x₁+w₁₂x₂+w₁₃x₃+b₁，

y₂＝w₂₁x₁+w₂₂x₂+w₂₃x₃+b₂，

y₃＝w₁₁x₁+w₃₂x₂+w₃₃x₃+b₃。

这个式子可以写成矩阵的形式，如下所示：

经过这个处理后，各个裂缝候选区域特征图就变成一个大小为1×4096的特征向量，然后再经过一个全连接层，这个全连接层只有两个输出，这两个输出通过Softmax函数算出一幅待识别图像每个裂缝候选区域属于裂缝的概率。

裂缝判断单元还用于基于边界框线性回归以及裂缝候选区域属于裂缝的概率获得裂缝候选区域被修正后的目标检测区域。

线性回归就是给定输入的特征向量，学习一组参数w_*，使得经过线性回归后的值跟真实值非常接近，这种线性回归关系如下所示：

G_x′＝P_wd_x(P)+P_x，

G_y′＝P_hd_y(P)+P_y，

这里P_x、P_y、P_w、P_h是裂缝候选区域的坐标，G_x′、G_y′、G_w′、G_h′是修正后的目标检测框坐标，d_x(P)、d_y(P)、d_w(P)、d_h(P)是在训练中需要学习的量，它们的获得的方式如下所示：

φ(P)是裂缝候选区域的经过全连接层的特征向量，w_*是要学习的参数(*表示x,y,w,h)，在训练中，我们要让d_*(P)和t_*＝(t_x,t_y,t_w,t_h)差距最小，得到损失函数，如下所示：

其中，

G_*是训练样本中标好的目标框的坐标，最终我们优化目标如下所示：

在训练阶段，我们从训练数据中学习到正确的d_x(P)、d_y(P)、d_w(P)、d_h(P)在测试时，将测试的样本输入到改进的网络中，得到各个裂缝候选区域是裂缝的概率，将裂缝概率比较小的候选区域剔除，并返回修正后正确的裂缝区域的目标框。

滑坡裂缝检测与识别的装置还包括扩边单元，扩边单元用于对待识别图像进行扩边处理。

扩边处理即在待识别图像周围填充一圈0，使得待识别图像大小变为(R+2)×(S+2)。之后再进行3×3卷积后输出R×S，正是这种扩边处理，使得经过卷积层处理后不改变输入和输出矩阵的大小。

实施例三

本发明提供了一种计算机存储介质，用于存储计算机程序指令，当计算机执行该计算机程序指令时，执行如上述实施例一所述的方法。

计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储设备、或它们中的一个或多个的组合。替选地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电信号、光信号或电磁信号，其被生成以对信息进行编码以供传输到合适的接收器设备以供数据执行处理。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种滑坡裂缝检测与识别的方法，其特征在于，包括：

获取待识别图像；

基于卷积神经网络和局部纹理信息对所述待识别图像进行裂缝检测与识别；

所述基于卷积神经网络和局部纹理信息对所述待识别图像进行裂缝检测与识别包括：

基于第一卷积神经网络提取所述待识别图像的裂缝特征；

基于局部纹理信息及所述裂缝特征获取所述待识别图像的裂缝候选区域；

基于第二卷积神经网络识别所述裂缝候选区域是否为裂缝；

所述基于局部纹理信息及所述裂缝特征获取所述待识别图像的裂缝候选区域包括：

对所述待识别图像进行分块处理，获得多个子图像；

对所述子图像进行灰度化，获得灰度图像；

利用对比度线性拉伸法增强所述灰度图像的反差和细节纹理信息，获得区域拉伸图像；

对所述区域拉伸图像进行背景滤波，获得滤波图像；

基于裂缝特征对所述滤波图像进行判断，获得裂缝候选区域。

2.如权利要求1所述的滑坡裂缝检测与识别的方法，其特征在于，所述基于第二卷积神经网络识别所述裂缝候选区域是否为裂缝包括：

通过池化层实现所述裂缝候选区域的固定大小输出；

通过全连接层以及Softmax层获得所述裂缝候选区域属于裂缝的概率。

3.如权利要求2所述的滑坡裂缝检测与识别的方法，其特征在于，所述基于第二卷积神经网络识别所述裂缝候选区域是否为裂缝还包括：基于边界框线性回归以及所述裂缝候选区域属于裂缝的概率获得所述裂缝候选区域被修正后的目标检测区域。

4.如权利要求1所述的滑坡裂缝检测与识别的方法，其特征在于，在所述基于卷积神经网络和局部纹理信息对所述待识别图像进行裂缝检测与识别之前，包括：对所述待识别图像进行扩边处理。

5.一种滑坡裂缝检测与识别的装置，其特征在于，包括：待识别图像获取单元以及裂缝检测与识别单元；

所述待识别图像获取单元用于获取待识别图像；

所述裂缝检测与识别单元用于基于卷积神经网络和局部纹理信息对所述待识别图像进行裂缝检测与识别；

所述裂缝检测与识别单元包括：裂缝特征获取单元、裂缝候选区域获取单元以及裂缝判断单元；

所述裂缝特征获取单元用于基于第一卷积神经网络提取所述待识别图像的裂缝特征；

所述裂缝候选区域获取单元用于基于局部纹理信息及所述裂缝特征获取所述待识别图像的裂缝候选区域；

所述裂缝判断单元用于基于第二卷积神经网络识别所述裂缝候选区域是否为裂缝；

所述裂缝候选区域获取单元用于

对所述待识别图像进行分块处理，获得多个子图像；

对所述子图像进行灰度化，获得灰度图像；

利用对比度线性拉伸法增强所述灰度图像的反差和细节纹理信息，获得区域拉伸图像；

对所述区域拉伸图像进行背景滤波，获得滤波图像；

基于裂缝特征对所述滤波图像进行判断，获得裂缝候选区域。

6.一种计算机存储介质，其特征在于，用于存储计算机程序指令，当计算机执行所述计算机程序指令时，执行如权利要求1-4任一项所述的方法。

Images