CN110472666A - 一种基于卷积神经网络的混凝土裂缝识别方法 - Google Patents

一种基于卷积神经网络的混凝土裂缝识别方法 Download PDF

Info

Publication number
CN110472666A
CN110472666A CN201910651438.9A CN201910651438A CN110472666A CN 110472666 A CN110472666 A CN 110472666A CN 201910651438 A CN201910651438 A CN 201910651438A CN 110472666 A CN110472666 A CN 110472666A
Authority
CN
China
Prior art keywords
neural networks
convolutional neural
picture
distress
concrete
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.)
Pending
Application number
CN201910651438.9A
Other languages
English (en)
Inventor
陈贡发
腾帅
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910651438.9A priority Critical patent/CN110472666A/zh
Publication of CN110472666A publication Critical patent/CN110472666A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络的混凝土裂缝识别方法，包括：采集混凝土裂缝图片裁剪为预设的尺寸；将尺寸裁剪后的图片进行旋转、剪切变换得到图片扩充数据集；将图片扩充数据集中的图片进行灰度处理，得到待用图像数据集；构建卷积神经网络，将所述待用图像数据集按预设的比例分为训练集、测试集、验证集；训练已构建的卷积神经网络，保存训练完毕的卷积神经网络，利用验证集选出分类准确率最高的卷积神经网络模型并保存；测试集输入到遴选出的卷积神经网络，输出识别结果。本发明利用卷积神经网络的特征提取能力对混凝土裂缝图片进行识别，相比于传统的识别方法提高了识别的准确度，同时基于卷积神经网络快速计算能力，提高了识别效率。

Description

一种基于卷积神经网络的混凝土裂缝识别方法
技术领域
本发明涉及图像识别领域，更具体地，涉及一种基于卷积神经网络的混凝土裂缝识别方法。
背景技术
混凝土结构是土木工程中应用最为广泛的结构形式，对在役混凝土结构进行健康监测已经成为一个重要研究领域。表征结构损伤的最直观信息是其表现裂缝的出现及扩展，裂缝作为混凝土结构损伤的一个重要特征现象，已经成为研究混凝土结构健康状况重要对象。
裂缝在混凝土结构上具有普遍性，其产生与发展具有一定的规律性，但是混凝土结构裂缝的发展不够稳定，具体表现在：(1)裂缝的走向不规律，裂缝在发展过程中，出现分叉及多重分叉等随机性表现，(2)裂缝在发展过程中，宽度信息会有所改变，通常裂缝都是形状狭长且宽度具有不均匀性，(3)裂缝出现的位置及数量不可预见性，在结构承受荷载产生裂缝的过程中，无法预计裂缝产生的位置。所有这些都给裂缝识别及矢量数据提取增加了难度。--传统的表观裂缝检测及信息获取手法是用裂缝显微镜采用人工肉眼的方法观察查找裂缝并读取数据，最后将结构及裂缝相关信息描绘下来。传统方法效率低下，精度低且不同的工程技术人员所作的图有明显差别。
发明内容
本发明为克服上述现有技术中混凝土裂缝识别效率低、准确度差的缺陷，提供一种基于卷积神经网络的混凝土裂缝识别方法。
本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
一种基于卷积神经网络的混凝土裂缝识别方法，所述方法包括：
S1：采集混凝土裂缝图片，将所述混凝土裂缝图片裁剪为预设的尺寸；
S2：将尺寸裁剪后的混凝土裂缝图片进行旋转、剪切变换得到图片扩充数据集；
S3：将图片扩充数据集中的图片进行灰度处理，得到待用图像数据集；
S4：构建卷积神经网络，将所述待用图像数据集按预设的比例分为训练集、测试集、验证集；
S5：利用训练集训练已构建的卷积神经网络，保存训练完毕的卷积神经网络，利用验证集选出分类准确率最高的卷积神经网络模型并保存；
S6：测试集输入到分类准确率最高的卷积神经网络，输出识别结果。
本方案中，所述训练集、测试集、验证集的比例分别为：M％、N％、L％，其中，M+N+L＝100。
本方案中，所述卷积神经网络的激活函数为：Sigmoid非线性激活函数。
本方案中，所述卷积神经网络包括：三个卷积层，两个池化层，一个全连接层。
本方案中，所述卷积神经网络的输出结果为数值为1或0，其中，0代表混泥土无裂缝，1代表混凝土有裂缝。
本方案中，步骤S3所述的灰度处理具体为将步骤S2中得到的图片扩充数据集中的图片转化为灰度图。
与现有技术相比，本发明技术方案的有益效果是：
本发明利用卷积神经网络的特征提取能力对混凝土裂缝图片进行识别，相比于传统的识别方法提高了识别的准确度，同时基于卷积神经网络快速计算能力，提高了识别效率。
附图说明
图1为本发明的方法流程图。
图2为混泥土裂缝示意图。
图3为本发明卷积神经网络模型示意图。
图4为卷积原理示意图。
图5为池化原理示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种基于卷积神经网络的混凝土裂缝识别方法，所述方法包括：
S1：采集混凝土裂缝图片，利用MATLAB软件将所述混凝土裂缝图片裁剪为预设的尺寸；所述预设尺寸本实施中28像素x28像素。
利用相机拍摄不同场景下、不同地点的裂缝图片，将图片裁剪为同样的大小，如图2所示。
S2：将尺寸裁剪后的混凝土裂缝图片进行旋转、剪切变换得到图片扩充数据集；通过旋转、剪切可以将一个图片变成若干个图片，从而丰富图片数量。本实施中每一张混凝土裂缝图片每一次旋转30度，旋转11次。
S3：将图片扩充数据集中的图片进行灰度处理，得到待用图像数据集；本实施例可以使用MATLAB软件进行图片的灰度化处理。
S4：构建卷积神经网络，将所述待用图像数据集按预设的比例分为训练集、测试集、验证集；
如图3所示卷积神经网络模型示意图，包括输入层、卷积层、池化层、全连接层，混凝土裂缝图片为卷积神经网络的输入，网络的输出为数值0或1，其中，0代表混泥土无裂缝，1代表混凝土有裂缝。
所述卷积神经网络的激活函数为：Sigmoid非线性激活函数。
本实施例中训练集、测试集、验证集分别为90％、5％、5％。
S5：利用训练集训练已构建的卷积神经网络，保存训练完毕的卷积神经网络，利用验证集选出分类准确率最高的卷积神经网络模型并保存；
卷积和池化的工作原理如图4和图5所示。卷积神经网络的训练过程如下：
第一步：混凝土图片数据由输入层进入第一个卷积层，由10个卷积核得到10个特征矩阵。以图4的第一个卷积核和特征矩阵的第一个值为例，特征矩阵的第一个值为-8就等于1×1+0×3+(-1)×5+2×(-2),卷积核通过向右和向下移动就可以得到一个特征矩阵，其余九个同理。
第二步：第一个卷积层的输出特征矩阵进入第一个池化层，得到10个特征矩阵。池化操作就是在池化范围内选取一个最大值，如图5中，第一个池化范围的数字为[1，3，5，-2]，从中选择一个最大值就是5，就得到图5特征矩阵中的第一个值。
第三步：再次经过卷积层和池化层，由于第二个卷积层的卷积核个数为20个，因此从第二个池化层输出20个特征矩阵。所述第三步的工作原理同第二步。
第四步：第三个卷积层的卷积核个数为30个，因此从第二个池化层输出30个特征矩阵。
第五步：将第三个卷积层的30个特征矩阵展开作为全连接层的输入，最后经过全连接输出一个数值(0代表混凝土无裂缝，1代表混凝土有裂缝)。
第六步：利用输入与输出的映射关系完成训练，最后保存训练完成的卷积神经网络模型。卷积神经网络只需要知道输入(图片)和输出(有无裂缝)，然后训练过程是自动完成的，训练完成的卷积神经网络可以看成一个非线性函数(没有具体的表达式)。
S6：测试集输入到分类准确率最高的卷积神经网络，输出识别结果，混凝土有裂缝输出1，混凝土无裂缝输出0。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于卷积神经网络的混凝土裂缝识别方法，其特征在于，所述方法包括：
S1：采集混凝土裂缝图片，将所述混凝土裂缝图片裁剪为预设的尺寸；
S2：将尺寸裁剪后的混凝土裂缝图片进行旋转、剪切变换得到图片扩充数据集；
S3：将图片扩充数据集中的图片进行灰度处理，得到待用图像数据集；
S4：构建卷积神经网络，将所述待用图像数据集按预设的比例分为训练集、测试集、验证集；
S5：利用训练集训练已构建的卷积神经网络，保存训练完毕的卷积神经网络，利用验证集选出分类准确率最高的卷积神经网络模型并保存；
S6：测试集输入到分类准确率最高的卷积神经网络，输出识别结果。
2.根据权利要求1所述的一种基于卷积神经网络的混凝土裂缝识别方法，其特征在于，所述训练集、测试集、验证集的比例分别为：M％、N％、L％，其中，M+N+L＝100。
3.根据权利要求1所述的一种基于卷积神经网络的混凝土裂缝识别方法，其特征在于，所述卷积神经网络的激活函数为：Sigmoid非线性激活函数。
4.根据权利要求1所述的一种基于卷积神经网络的混凝土裂缝识别方法，其特征在于，所述卷积神经网络包括：三个卷积层，两个池化层，一个全连接层。
5.根据权利要求1所述的一种基于卷积神经网络的混凝土裂缝识别方法，其特征在于，所述卷积神经网络的输出结果为数值1或0，其中，0代表混泥土无裂缝，1代表混凝土有裂缝。
6.根据权利要求1所述的一种基于卷积神经网络的混凝土裂缝识别方法，其特征在于，步骤S3所述的灰度处理具体为将步骤S2中得到的图片扩充数据集中的图片转化为灰度图。
CN201910651438.9A 2019-07-18 2019-07-18 一种基于卷积神经网络的混凝土裂缝识别方法 Pending CN110472666A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910651438.9A CN110472666A (zh) 2019-07-18 2019-07-18 一种基于卷积神经网络的混凝土裂缝识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910651438.9A CN110472666A (zh) 2019-07-18 2019-07-18 一种基于卷积神经网络的混凝土裂缝识别方法

Publications (1)

Publication Number Publication Date
CN110472666A true CN110472666A (zh) 2019-11-19

Family

ID=68508458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910651438.9A Pending CN110472666A (zh) 2019-07-18 2019-07-18 一种基于卷积神经网络的混凝土裂缝识别方法

Country Status (1)

Country Link
CN (1) CN110472666A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047585A (zh) * 2019-12-25 2020-04-21 苏州奥易克斯汽车电子有限公司 一种路面裂缝检测方法
CN111311538A (zh) * 2019-12-28 2020-06-19 北京工业大学 一种基于卷积神经网络的多尺度轻量化道路路面检测方法
CN111353396A (zh) * 2020-02-20 2020-06-30 江苏东印智慧工程技术研究院有限公司 一种基于SCSEOCUnet的混凝土裂缝分割方法
CN114295050A (zh) * 2021-12-24 2022-04-08 重庆创筑科技有限公司 基于卷积神经网络的预制混凝土板多尺寸检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910186A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种基于cnn深度学习的桥梁裂缝检测定位方法
CN107480611A (zh) * 2017-07-31 2017-12-15 浙江大学 一种基于深度学习卷积神经网络的裂缝识别方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910186A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种基于cnn深度学习的桥梁裂缝检测定位方法
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
CN107480611A (zh) * 2017-07-31 2017-12-15 浙江大学 一种基于深度学习卷积神经网络的裂缝识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047585A (zh) * 2019-12-25 2020-04-21 苏州奥易克斯汽车电子有限公司 一种路面裂缝检测方法
CN111311538A (zh) * 2019-12-28 2020-06-19 北京工业大学 一种基于卷积神经网络的多尺度轻量化道路路面检测方法
CN111311538B (zh) * 2019-12-28 2023-06-06 北京工业大学 一种基于卷积神经网络的多尺度轻量化道路路面检测方法
CN111353396A (zh) * 2020-02-20 2020-06-30 江苏东印智慧工程技术研究院有限公司 一种基于SCSEOCUnet的混凝土裂缝分割方法
CN114295050A (zh) * 2021-12-24 2022-04-08 重庆创筑科技有限公司 基于卷积神经网络的预制混凝土板多尺寸检测方法及系统
CN114295050B (zh) * 2021-12-24 2024-05-17 重庆创筑科技有限公司 基于卷积神经网络的预制混凝土板多尺寸检测方法及系统

Similar Documents

Publication Publication Date Title
CN110472666A (zh) 一种基于卷积神经网络的混凝土裂缝识别方法
CN108647585B (zh) 一种基于多尺度循环注意力网络的交通标识符检测方法
CN107784654A (zh) 图像分割方法、装置及全卷积网络系统
CN108596108B (zh) 基于三元组语义关系学习的航拍遥感图像变化检测方法
Li et al. Sewer pipe defect detection via deep learning with local and global feature fusion
CN110599445A (zh) 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置
CN110084304A (zh) 一种基于合成数据集的目标检测方法
CN108416774A (zh) 一种基于细粒度神经网络的织物种类识别方法
CN111611861B (zh) 一种基于多尺度特征关联的图像变化检测方法
CN111862143B (zh) 一种河堤坍塌自动监测方法
CN110059539A (zh) 一种基于图像分割的自然场景文本位置检测方法
CN112232328A (zh) 基于卷积神经网络的遥感影像建筑区提取方法、装置
CN103743750B (zh) 一种大口径光学元件表面损伤分布图的生成方法
CN109472790A (zh) 一种机械零件缺陷检测方法及系统
CN110321867A (zh) 基于部件约束网络的遮挡目标检测方法
CN111199539A (zh) 一种基于集成神经网络的裂缝检测方法
CN115631192B (zh) 一种阀门试压机的控制方法、装置、设备及介质
CN103761510A (zh) 模拟人类视皮层感知机制的动作识别方法
CN114120154B (zh) 一种高层建筑玻璃幕墙破损的自动检测方法
CN114529689B (zh) 基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统
CN116109813A (zh) 一种钻锚孔识别方法、系统、电子设备及介质
CN113034432B (zh) 一种产品缺陷检测方法、系统、装置及存储介质
CN115240057A (zh) 一种基于深度学习的架空输电线路监拍图像检测方法
CN116030292A (zh) 基于改进ResNext的混凝土表面粗糙度检测方法
Wang et al. Damage area identification of underwater structures based on wavelength difference of light source

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191119