CN111257341A - 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 - Google Patents
基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 Download PDFInfo
- Publication number
- CN111257341A CN111257341A CN202010236401.2A CN202010236401A CN111257341A CN 111257341 A CN111257341 A CN 111257341A CN 202010236401 A CN202010236401 A CN 202010236401A CN 111257341 A CN111257341 A CN 111257341A
- Authority
- CN
- China
- Prior art keywords
- crack
- crack detection
- network
- convolution
- image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法,属于图像处理与目标检测领域。方法包括获取待检测水下建筑物图像数据,并将其作为预先训练的裂缝检测神经网络模型的输入,裂缝检测神经网络模型对图像数据的各像素点进行分类,进而输出裂缝区域区别于非裂缝区域的裂缝检测结果图像;裂缝检测神经网络模型包括卷积网络、多尺度特征提取网络、堆叠网络以及损失函数计算模块,多尺度特征提取网络基于卷积网络提取的裂缝特征图进行多尺度特征提取,堆叠网络基于已提取的多尺度特征生成多个裂缝检测结果,损失函数计算模块基于训练样本的标注和检测结果,确定裂缝检测神经网络模型的参数,使得裂缝检测神经网络模型能够针对待检测水下建筑物图像数据,输出相应的裂缝检测结果图像。利用本发明可提高水下建筑物裂缝检测的精度。
Description
技术领域
本发明涉及水下建筑物裂缝检测技术领域,属于机器视觉、图像处理领域,特别是一种基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法。
背景技术
近年来,随着水下工程的逐渐增多,水泥建筑物在水下环境中由于水体的浸泡、水下微生物的腐蚀或其他不可抗力因素而产生裂缝,这对于水下建筑物的可靠性与安全性产生了很大的隐患。由于水下环境的复杂,基于传统算法的水下建筑物表面裂缝的检测效果往往不理想,原因主要有以下方面,首先由于水下建筑物表面产生的裂缝长短、大小、宽度相差颇大,传统方法往往无法完成这种变化多样的裂缝识别;其次,在水下光照不足、浮游物遮挡等复杂环境下,对于裂缝的精确检测更增添了难度。故对于水下复杂环境,水泥建筑物表面裂缝的有效检测已经成为机器视觉领域的重要研究课题。传统水下裂缝检测算法具有很大的难度与提升空间,这使得基于神经网络的算法逐渐被用于水下裂缝检测。
发明内容
本发明的目的是,提供一种基于多尺度特征与堆叠式全卷积网络的水下建筑物表面裂缝检测方法,通过多尺度特征与堆叠式全卷积网络的结合,减少检测误差。
本发明采取的技术方案如下。
一方面,本发明提供一种水下建筑物表面裂缝检测方法,包括:
获取待检测水下建筑物图像数据;
将获取到的图像数据作为预先训练的裂缝检测神经网络模型的输入,裂缝检测神经网络模型对图像数据的各像素点进行裂缝区域与非裂缝区域的分类,输出裂缝区域区别于非裂缝区域的裂缝检测结果图像;
所述预先训练的裂缝检测神经网络模型的训练样本为已分别标注裂缝区域与非裂缝区域的水下建筑物裂缝图像;裂缝检测神经网络模型包括卷积网络、多尺度特征提取网络、堆叠网络以及损失函数计算模块,卷积网络对输入图像进行裂缝特征图提取,多尺度特征提取网络基于裂缝特征图进行多尺度特征提取,堆叠网络基于已提取的多尺度特征生成多个裂缝检测结果,损失函数计算模块基于训练样本的标注和多个裂缝检测结果确定裂缝检测神经网络模型的参数,使得裂缝检测神经网络模型能够针对待检测水下建筑物图像数据,输出相应的裂缝检测结果图像。
可选的,所述裂缝检测网络模型中,卷积网络包括多个依次设置的卷积层,相邻卷积层之间由池化层连接;
多尺度特征提取网络包括输入分别连接卷积网络输出的多层并行池化层,各并行池化层采用不同尺度进行特征提取,并分别经一并行卷积层输出后融合;
堆叠网络为多层堆叠网络,多层堆叠网络的输出依次连接,其中一层堆叠网络以多尺度特征提取网络的输出作为输入;各层堆叠网络分别包括依次设置的多个卷积层和至少1个反卷积层;损失函数计算模块根据多层堆叠网络的输出进行损失函数计算。
可选的,裂缝检测网络模型中:
卷积网络的卷积层为5层,每层卷积层的卷积核大小均为3×3,步长为1;相邻卷积层之间连接一层池化层,该池化层采用最大池化方式,池化窗口为2×2,步长为2;
多尺度特征提取网络包括三层并行池化层,采用池化窗口分别为2×2、4×4和8×8,步长为2的最大池化方式;三层并行池化层所提取的特征分别经并行卷积层统一特征图尺寸后,以相加的方式融合输出多尺度特征图;
堆叠网络为三层堆叠网络,各层堆叠网络分别包括3层卷积层和2层反卷积层,依次连接的卷积层的卷积核大小分别为3×3、1×1、1×1,步长均为1,依次连接的反卷积层的卷积核大小分别为4×4、4×4,步长为2;多尺度特征图经3层卷积层后输出裂缝检测结果,依次设置的两个反卷积层的输出分别叠加卷积网络中第四卷积层和第三卷积层的池化结果后输出;
各层堆叠网络的输出分别接入一卷积核大小为4×4,步长为8的反卷积层后,将检测结果图像还原至原图尺寸,进而分别计算损失函数值;定义三层堆叠网络对应的损失函数值分别为y1、y2、y3,w1、w2、w3为对应y1、y2、y3的加权系数,则整个裂缝检测神经网络的损失函数值为:
y=w1y1+w2y2+w3y3。
可选的,所述裂缝检测神经网络模型构建方法,包括:
获取多个水下建筑物裂缝图像;
对获取的图像进行标注,分别标注出裂缝区域与非裂缝区域,将已标注的图像作为训练样本;
将训练样本图像输入到卷积网络中,利用卷积网络提取裂缝特征图;
将卷积网络提取的裂缝特征图输入多尺度特征提取网络,多尺度特征提取网络通过多层并行池化层生成多个特征大小不同的特征图,进而通过卷积层将多个特征图融合,得到多尺度特征图;
将多个堆叠的网络输出的裂缝检测结果图像还原至原图像尺寸,并根据还原后的多个裂缝检测结果图像计算损失函数,并通过基于多个训练样本图像的损失函数优化计算,确定裂缝检测神经网络模型的参数。
可选的,作为训练样本的水下建筑物裂缝图像为三通道的彩色图像,通过人工像素级别的标注区分裂缝区域与非裂缝区域,裂缝区域与非裂缝区域采用不同颜色的单通道二值化图像标注。
可选的,对训练样本标注时,将裂缝区域标注为白色,非裂缝区域标注为黑色。可使得神经网络的学习更加高效,进一步减小后续应用时的检测误差。
可选的,裂缝检测神经网络模型构建方法还包括,对已标注的各训练样本图像进行归一化处理,得到预定像素尺寸的样本图像,作为预先训练的裂缝检测神经网络模型的输入。
第二方面,本发明公开一种水下建筑物表面裂缝检测装置,包括:
图像获取模块,被配置用于获取待检测水下建筑物图像数据;
裂缝检测模块,被配置用于将获取到的图像数据作为预先训练的裂缝检测神经网络模型的输入,裂缝检测神经网络模型对图像数据的各像素点进行裂缝区域与非裂缝区域的分类,输出裂缝区域区别于非裂缝区域的裂缝检测结果图像;
所述预先训练的裂缝检测神经网络模型的训练样本为已分别标注裂缝区域与非裂缝区域的水下建筑物裂缝图像;裂缝检测神经网络模型包括卷积网络、多尺度特征提取网络、堆叠网络以及损失函数计算模块,卷积网络对输入图像进行裂缝特征图提取,多尺度特征提取网络基于裂缝特征图进行多尺度特征提取,堆叠网络基于已提取的多尺度特征生成多个裂缝检测结果,损失函数计算模块基于训练样本的标注和多个裂缝检测结果确定裂缝检测神经网络模型的参数,使得裂缝检测神经网络模型能够针对待检测水下建筑物图像数据,输出相应的裂缝检测结果图像。
第三方面,本发明公开一种利用第一方面所述水下建筑物表面裂缝检测方法的水下建筑物表面裂缝检测系统,包括处理器、存储介质和显示器;
所述存储介质用于存储待检测水下建筑物图像数据、训练样本图像数据、程序指令数据以及程序执行过程产生的中间数据和图像检测结果数据;
所述处理器用于读取存储介质中存储的数据,以执行第一方面所述水下建筑物表面裂缝检测方法的步骤,生成图像检测结果数据;
所述显示器用于显示所述图像检测结果数据对应的裂缝检测图。
有益效果
本发明通过多尺度特征与堆叠式全卷积网络,实现一种水下建筑物表面裂缝检测算法,针对水下建筑物裂缝长短、大小、宽度相差较大的特点,能够利用多尺度特征结果识别出不同尺寸的裂缝;利用堆叠式全卷积网络可实现在水下光照强度不足、浮游物遮挡、背景不同等复杂环境干扰下对裂缝进行多次检测,并最终融合多次检测分类值,输出裂缝检测的结果,通过这种方式可以减少单层网络的误差,使得裂缝检测神经网络模型的检测精度可大大提高。
附图说明
图1为本发明基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法的算法原理示意图;
图2为本发明一种实施例的基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测神经网络结构示意图。
具体实施方式
以下结合附图和具体实施例进一步描述。
实施例1
参考图1所示,本实施例为一种水下建筑物表面裂缝检测方法,包括:
获取待检测水下建筑物图像数据;
将获取到的图像数据作为预先训练的裂缝检测神经网络模型的输入,裂缝检测神经网络模型对图像数据的各像素点进行裂缝区域与非裂缝区域的分类,输出裂缝区域区别于非裂缝区域的裂缝检测结果图像;
所述预先训练的裂缝检测神经网络模型的训练样本为已分别标注裂缝区域与非裂缝区域的水下建筑物裂缝图像;裂缝检测神经网络模型包括卷积网络、多尺度特征提取网络、堆叠网络以及损失函数计算模块,卷积网络对输入图像进行裂缝特征图提取,多尺度特征提取网络基于裂缝特征图进行多尺度特征提取,堆叠网络基于已提取的多尺度特征生成多个裂缝检测结果,损失函数计算模块基于训练样本的标注和多个裂缝检测结果确定裂缝检测神经网络模型的参数,使得裂缝检测神经网络模型能够针对待检测水下建筑物图像数据,输出相应的裂缝检测结果图像。
利用多尺度特征可使得裂缝检测神经网络模型能够针对水下建筑物裂缝的多尺度特征进行裂缝识别,利用堆叠式全卷积网络能够实现对于不同检测图像环境的裂缝图像的训练和识别,从而使得裂缝检测神经网络模型能够更准确的识别裂缝并输出误差较小的裂缝图像。
实施例1-2
在实施例1的基础上,本实施例中:
参考图2所示,本实施例的裂缝检测网络模型中,卷积网络包括多个依次设置的卷积层,相邻卷积层之间由池化层连接;
多尺度特征提取网络包括输入分别连接卷积网络输出的多层并行池化层,各并行池化层采用不同尺度进行特征提取,并分别经一并行卷积层输出后融合;
堆叠网络为多层堆叠网络,多层堆叠网络的输出依次连接,其中一层堆叠网络以多尺度特征提取网络的输出作为输入;各层堆叠网络分别包括依次设置的多个卷积层和至少1个反卷积层;损失函数计算模块根据多层堆叠网络的输出进行损失函数计算。
参考图1,裂缝检测神经网络模型构建方法,包括:
获取多个水下建筑物裂缝图像;
对获取的图像进行标注,分别标注出裂缝区域与非裂缝区域,将已标注的图像作为训练样本;
将训练样本图像输入到卷积网络中,利用卷积网络提取裂缝特征图;
将卷积网络提取的裂缝特征图输入多尺度特征提取网络,多尺度特征提取网络通过多层并行池化层生成多个特征大小不同的特征图,进而通过卷积层将多个特征图融合,得到多尺度特征图;
将所述多尺度特征图输入至堆叠网络,堆叠网络的数量为多个且输出端依次连接;各堆叠网络分别通过多个卷积层生成裂缝检测结果,进而通过多个反卷积层提高图像分辨率图像;
将多个堆叠的网络输出的裂缝检测结果图像还原至原图像尺寸,并根据还原后的多个裂缝检测结果图像计算损失函数,并通过基于多个训练样本图像的损失函数优化计算,确定裂缝检测神经网络模型的参数。
作为训练样本的水下建筑物裂缝图像为三通道的彩色图像,通过人工像素级别的标注区分裂缝区域与非裂缝区域,裂缝区域与非裂缝区域采用不同颜色的单通道二值化图像标注。
实施例1-3
本实施例在实施例1-2的基础上继续细化。
裂缝检测神经网络模型构建方法,包括:
S1,获取多个水下建筑物裂缝图像;
S2,对获取的图像进行标注,分别标注出裂缝区域与非裂缝区域,将已标注的图像作为训练样本;
S3,对已标注的各训练样本图像进行归一化处理,得到预定像素尺寸的样本图像;
S4,将归一化处理后的训练样本图像输入到卷积网络中,利用卷积网络提取裂缝特征图;
S5,将卷积网络提取的裂缝特征图输入多尺度特征提取网络,多尺度特征提取网络通过多层并行池化层生成多个特征大小不同的特征图,进而通过卷积层将多个特征图融合,得到多尺度特征图;
S6,将所述多尺度特征图输入至堆叠网络,堆叠网络的数量为多个且输出端依次连接;各堆叠网络分别通过多个卷积层生成裂缝检测结果,进而通过多个反卷积层提高图像分辨率图像;
S7,将多个堆叠的网络输出的裂缝检测结果图像还原至原图像尺寸,并根据还原后的多个裂缝检测结果图像计算损失函数,并通过基于多个训练样本图像的损失函数优化计算,确定裂缝检测神经网络模型的参数。
S1中,所获取的水下建筑物裂缝待检测图像可为通过相机拍摄的三通道彩色图像,S2中,通过人工像素级别的标注对训练样本进行标注,将裂缝区域标注为白色,非裂缝区域标注为黑色。由多个训练样本组成训练集、测试集、验证集等。
S3将水下建筑物裂缝训练集图像尺寸归一化为预定的像素尺寸,输入到裂缝检测网络模型的卷积网络CN中以提取裂缝初步特征图。
S4中,卷积网络CN的卷积层为5层,如图2,5层CN网络由Conv_1-Conv_5共5层卷积层构成,每层卷积层的卷积核大小均为3×3,步长为1;其中前4层卷积层的每层之后都接有一层池化层,池化层选择最大池化方式,池化窗口均为2×2,步长为2。Conv_1-Conv_5每层网络生成的特征图记为Fn_1(x,y)-Fn_5(x,y)。
S4中,多尺度特征提取网络设置在卷积层Conv_5之后,与Conv_1-Conv_4采用单层池化层的方式不同的是,Conv_5层之后采用了3层不同尺度的池化层并行的方式以提取不同尺度的特征,即包括三层并行池化层,采用池化窗口分别为2×2、4×4和8×8,步长为2的最大池化方式;特征图Fn_5(x,y)经三层并行池化层后生成FP_1(x,y)-FP_3(x,y)三个特征大小不同的特征图,三层并行池化层所提取的特征分别经并行卷积层统一特征图尺寸后,以相加的方式融合输出多尺度特征图Fn_6(x,y)。
S5中,参考图2所示,堆叠网络包括三层堆叠网络Stack_1、Stack_2和Stack_3,各层堆叠网络分别包括3层卷积层Conv_7-Conv_9和2层反卷积层Deconv_1-Deconv_2;
Stack_1结构中,多尺度特征图Fn_6(x,y)经过卷积核大小为3×3,步长为1的Conv_7层生成特征图Fn_7(x,y);之后在不影响感受野的情况下为了增加模型的非线性性,将Fn_7(x,y)经过一层卷积核大小为1×1,步长为1的卷积层Conv_8生成特征图Fn_8(x,y);特征图Fn_8(x,y)经由卷积核大小1×1,步长为1的Conv_9生成裂缝检测结果Fn_9(x,y),此时的检测结果图像分辨率为原始图像的1/32,为了获得更准确的边界信息,采用卷积核大小为4×4,步长为2的反卷积网络Deconv_1将检测结果的分辨率提高为1/16,并将Conv_4的池化结果与之相加生成Fn_10(x,y);之后再由卷积核大小为4×4,步长为2的Deconv_2将Fn_10(x,y)分辨率提高至1/8,并将Conv_3的池化结果与之相加生成Fn_11(x,y);最后经过一层卷积核大小为4×4,步长为8的Deconv_3,将Fn_11(x,y)还原至原图尺寸,并计算损失值Loss_1;
Stack_2结构中,Deconv_2生成的特征图Fn_11(x,y)作为Stack_2网络结果的输入,经过卷积核大小为3×3,步长为2的Conv_10层,得到分辨率为原图1/16的特征图Fn_12(x,y);之后经过一层步长为2,池化窗口为2×2的最大池化层将分辨率降为原图的1/32,生成特征图Fn_13(x,y);再经过卷积核大小为3×3,步长为1的Conv_11层,生成特征图Fn_14(x,y);之后经过卷积核大小1×1,步长为1的Conv_12生成裂缝检测结果Fn_15(x,y),此时的检测结果图像分辨率为原始图像的1/32,为了获得更准确的边界信息,采用卷积核大小为4×4,步长为2的反卷积网络Deconv_4将检测图像分辨率提高至1/16,并将Conv_4的池化结果与之相加生成Fn_16(x,y);之后再由卷积核大小为4×4,步长为2的Deconv_5将Fn_16(x,y)分辨率提高至1/8,并将Conv_3的池化结果与之相加生成Fn_17(x,y);最后经过一层卷积核大小为4×4,步长为8的Deconv_6,将Fn_17(x,y)还原至原图尺寸,并计算损失值Loss_2。
Stack_3结构中,Deconv_5生成的特征图Fn_17(x,y)作为Stack_3网络结果的输入,经过卷积核大小为3×3,步长为2的Conv_13层,得到分辨率为原图1/16的特征图Fn_18(x,y);之后经过一层步长为2,池化窗口为2×2的最大池化层将分辨率降为原图的1/32,生成特征图Fn_19(x,y);再经过卷积核大小为3×3,步长为1的Conv_14层,生成特征图Fn_20(x,y);之后经过卷积核大小1×1,步长为1的Conv_15生成裂缝检测结果Fn_21(x,y),此时的检测结果图像分辨率为原始图像的1/32,为了获得更准确的边界信息,采用卷积核大小为4×4,步长为2的反卷积网络Deconv_7将检测结果图像分辨率提高至1/16,并将Conv_4的池化结果与之相加生成Fn_22(x,y);之后再由卷积核大小为4×4,步长为2的Deconv_5将Fn_22(x,y)分辨率提高至1/8,并将Conv_3的池化结果与之相加生成Fn_23(x,y);最后经过一层卷积核大小为4×4,步长为8的Deconv_9,将Fn_23(x,y)还原至原图尺寸,并计算损失值Loss_3。
S7中,在计算出堆叠网络中的Loss_1、Loss_2和Loss_3之后,整个网络的最终Loss由上述Loss_1、Loss_2和Loss_3加权组成,计算公式为:
y=w1y1+w2y2+w3y3
y1,y2,y3分别代表Loss_1,Loss_2和Loss_3;w1,w2,w3分别为Loss_1,Loss_2和Loss_3的加权系数;y为整个网络的Loss值。
经上述训练得到的裂缝检测模型可针对输入的待检测水下建筑物图像,对其中的像素点进行分类,输出裂缝区域为白色,非裂缝区域为黑色的检测结果图像,结果误差小,且裂缝区域与其他区域的界限清晰。
实施例2
与实施例1、实施例1-1、实施例1-2、实施例1-3基于同样的发明构思,本实施例为水下建筑物表面裂缝检测装置,包括:
图像获取模块,被配置用于获取待检测水下建筑物图像数据;
裂缝检测模块,被配置用于将获取到的图像数据作为预先训练的裂缝检测神经网络模型的输入,裂缝检测神经网络模型对图像数据的各像素点进行裂缝区域与非裂缝区域的分类,输出裂缝区域区别于非裂缝区域的裂缝检测结果图像;
所述预先训练的裂缝检测神经网络模型的训练样本为已分别标注裂缝区域与非裂缝区域的水下建筑物裂缝图像;裂缝检测神经网络模型包括卷积网络、多尺度特征提取网络、堆叠网络以及损失函数计算模块,卷积网络对输入图像进行裂缝特征图提取,多尺度特征提取网络基于裂缝特征图进行多尺度特征提取,堆叠网络基于已提取的多尺度特征生成多个裂缝检测结果,损失函数计算模块基于训练样本的标注和多个裂缝检测结果确定裂缝检测神经网络模型的参数,使得裂缝检测神经网络模型能够针对待检测水下建筑物图像数据,输出相应的裂缝检测结果图像。
以上各模块的功能实现具体参考实施例1、实施例1-1、实施例1-2、实施例1-3的相应内容。
实施例3
本实施例为利用实施例1水下建筑物表面裂缝检测方法的水下建筑物表面裂缝检测系统,包括处理器、存储介质和显示器;
所述存储介质用于存储待检测水下建筑物图像数据、训练样本图像数据、程序指令数据以及程序执行过程产生的中间数据和图像检测结果数据;
所述处理器可基于Linux系统运行,读取存储介质中存储的数据,以执行实施例1的水下建筑物表面裂缝检测方法的步骤,生成图像检测结果数据;
所述显示器用于显示所述图像检测结果数据对应的裂缝检测图。
综上实施例,本发明针对水下建筑物裂缝长短、大小、宽度相差较大的特点,利用多尺度特征结果识别出不同尺寸的裂缝;同时通过构建堆叠式网络架构训练出一个分割精度更高的裂缝检测网络模型,可对图像的分层预测,有效地克服水下光线强度弱、浮游物遮挡等复杂多变的环境问题。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种水下建筑物表面裂缝检测方法,其特征是,包括:
获取待检测水下建筑物图像数据;
将获取到的图像数据作为预先训练的裂缝检测神经网络模型的输入,裂缝检测神经网络模型对图像数据的各像素点进行裂缝区域与非裂缝区域的分类,输出裂缝区域区别于非裂缝区域的裂缝检测结果图像;
所述预先训练的裂缝检测神经网络模型的训练样本为已分别标注裂缝区域与非裂缝区域的水下建筑物裂缝图像;裂缝检测神经网络模型包括卷积网络、多尺度特征提取网络、堆叠网络以及损失函数计算模块,卷积网络对输入图像进行裂缝特征图提取,多尺度特征提取网络基于裂缝特征图进行多尺度特征提取,堆叠网络基于已提取的多尺度特征生成多个裂缝检测结果,损失函数计算模块基于训练样本的标注和多个裂缝检测结果确定裂缝检测神经网络模型的参数,使得裂缝检测神经网络模型能够针对待检测水下建筑物图像数据,输出相应的裂缝检测结果图像。
2.根据权利要求1所述的方法,其特征是,所述裂缝检测网络模型中,卷积网络包括多个依次设置的卷积层,相邻卷积层之间由池化层连接;
多尺度特征提取网络包括输入分别连接卷积网络输出的多层并行池化层,各并行池化层采用不同尺度进行特征提取,并分别经一并行卷积层输出后融合;
堆叠网络为多层堆叠网络,多层堆叠网络的输出依次连接,其中一层堆叠网络以多尺度特征提取网络的输出作为输入;各层堆叠网络分别包括依次设置的多个卷积层和至少1个反卷积层;损失函数计算模块根据多层堆叠网络的输出进行损失函数计算。
3.根据权利要求1或2所述的方法,其特征是,裂缝检测网络模型中:
卷积网络的卷积层为5层,每层卷积层的卷积核大小均为3×3,步长为1;相邻卷积层之间连接一层池化层,该池化层采用最大池化方式,池化窗口为2×2,步长为2;
多尺度特征提取网络包括三层并行池化层,采用池化窗口分别为2×2、4×4和8×8,步长为2的最大池化方式;三层并行池化层所提取的特征分别经并行卷积层统一特征图尺寸后,以相加的方式融合输出多尺度特征图;
堆叠网络为三层堆叠网络,各层堆叠网络分别包括3层卷积层和2层反卷积层,依次连接的卷积层的卷积核大小分别为3×3、1×1、1×1,步长均为1,依次连接的反卷积层的卷积核大小分别为4×4、4×4,步长为2;多尺度特征图经3层卷积层后输出裂缝检测结果,依次设置的两个反卷积层的输出分别叠加卷积网络中第四卷积层和第三卷积层的池化结果后输出;
各层堆叠网络的输出分别接入一卷积核大小为4×4,步长为8的反卷积层后,将检测结果图像还原至原图尺寸,进而分别计算损失函数值;定义三层堆叠网络对应的损失函数值分别为y1、y2、y3,w1、w2、w3为对应y1、y2、y3的加权系数,则整个裂缝检测神经网络的损失函数值为:
y=w1y1+w2y2+w3y3。
4.根据权利要求1所述的方法,其特征是,所述裂缝检测神经网络模型构建方法,包括:
获取多个水下建筑物裂缝图像;
对获取的图像进行标注,分别标注出裂缝区域与非裂缝区域,将已标注的图像作为训练样本;
将训练样本图像输入到卷积网络中,利用卷积网络提取裂缝特征图;
将卷积网络提取的裂缝特征图输入多尺度特征提取网络,多尺度特征提取网络通过多层并行池化层生成多个特征大小不同的特征图,进而通过卷积层将多个特征图融合,得到多尺度特征图;
将多个堆叠的网络输出的裂缝检测结果图像还原至原图像尺寸,并根据还原后的多个裂缝检测结果图像计算损失函数,并通过基于多个训练样本图像的损失函数优化计算,确定裂缝检测神经网络模型的参数。
5.根据权利要求1或4所述的方法,其特征是,作为训练样本的水下建筑物裂缝图像为三通道的彩色图像,通过人工像素级别的标注区分裂缝区域与非裂缝区域,裂缝区域与非裂缝区域采用不同颜色的单通道二值化图像标注。
6.根据权利要求1或4所述的方法,其特征是,对训练样本标注时,将裂缝区域标注为白色,非裂缝区域标注为黑色。
7.根据权利要求4所述的方法,其特征是,裂缝检测神经网络模型构建方法还包括,对已标注的各训练样本图像进行归一化处理,得到预定像素尺寸的样本图像,作为预先训练的裂缝检测神经网络模型的输入。
8.一种水下建筑物表面裂缝检测装置,其特征是,包括:
图像获取模块,被配置用于获取待检测水下建筑物图像数据;
裂缝检测模块,被配置用于将获取到的图像数据作为预先训练的裂缝检测神经网络模型的输入,裂缝检测神经网络模型对图像数据的各像素点进行裂缝区域与非裂缝区域的分类,输出裂缝区域区别于非裂缝区域的裂缝检测结果图像;
所述预先训练的裂缝检测神经网络模型的训练样本为已分别标注裂缝区域与非裂缝区域的水下建筑物裂缝图像;裂缝检测神经网络模型包括卷积网络、多尺度特征提取网络、堆叠网络以及损失函数计算模块,卷积网络对输入图像进行裂缝特征图提取,多尺度特征提取网络基于裂缝特征图进行多尺度特征提取,堆叠网络基于已提取的多尺度特征生成多个裂缝检测结果,损失函数计算模块基于训练样本的标注和多个裂缝检测结果确定裂缝检测神经网络模型的参数,使得裂缝检测神经网络模型能够针对待检测水下建筑物图像数据,输出相应的裂缝检测结果图像。
9.一种利用权利要求1-7任一项所述水下建筑物表面裂缝检测方法的水下建筑物表面裂缝检测系统,其特征是,包括处理器、存储介质和显示器;
所述存储介质用于存储待检测水下建筑物图像数据、训练样本图像数据、程序指令数据以及程序执行过程产生的中间数据和图像检测结果数据;
所述处理器用于读取存储介质中存储的数据,以执行第一方面所述水下建筑物表面裂缝检测方法的步骤,生成图像检测结果数据;
所述显示器用于显示所述图像检测结果数据对应的裂缝检测图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236401.2A CN111257341B (zh) | 2020-03-30 | 2020-03-30 | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236401.2A CN111257341B (zh) | 2020-03-30 | 2020-03-30 | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111257341A true CN111257341A (zh) | 2020-06-09 |
CN111257341B CN111257341B (zh) | 2023-06-16 |
Family
ID=70942260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010236401.2A Active CN111257341B (zh) | 2020-03-30 | 2020-03-30 | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111257341B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597941A (zh) * | 2020-05-08 | 2020-08-28 | 河海大学 | 一种面向大坝缺陷图像的目标检测方法 |
CN112215819A (zh) * | 2020-10-13 | 2021-01-12 | 中国民航大学 | 基于深度特征融合的机场道面裂缝检测方法 |
CN112465748A (zh) * | 2020-11-10 | 2021-03-09 | 西南科技大学 | 基于神经网络的裂缝识别方法、装置、设备及存储介质 |
CN112489023A (zh) * | 2020-12-02 | 2021-03-12 | 重庆邮电大学 | 一种基于多尺度和多层次的路面裂缝检测方法 |
CN112581441A (zh) * | 2020-12-10 | 2021-03-30 | 北京工业大学 | 路面裂缝检测方法、装置、电子设备及存储介质 |
CN112651959A (zh) * | 2020-12-31 | 2021-04-13 | 山东众阳健康科技集团有限公司 | 基于动态地图损失神经网络的ct颅内出血检测系统 |
CN113076962A (zh) * | 2021-05-14 | 2021-07-06 | 电子科技大学 | 一种基于可微神经网络搜索技术的多尺度目标检测方法 |
CN113239809A (zh) * | 2021-05-14 | 2021-08-10 | 西北工业大学 | 基于多尺度稀疏sru分类模型的水声目标识别方法 |
CN116777865A (zh) * | 2023-06-16 | 2023-09-19 | 广州大学 | 一种水下裂缝的识别方法、系统、装置及存储介质 |
CN116993730A (zh) * | 2023-09-26 | 2023-11-03 | 四川新视创伟超高清科技有限公司 | 一种基于8k图像的裂缝检测方法 |
CN112581441B (zh) * | 2020-12-10 | 2024-07-05 | 北京工业大学 | 路面裂缝检测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182681A (zh) * | 2018-01-12 | 2018-06-19 | 石家庄铁道大学 | 一种基于多层超限学习网络的混凝土裂缝检测方法 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
CN108985238A (zh) * | 2018-07-23 | 2018-12-11 | 武汉大学 | 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统 |
CN110120041A (zh) * | 2019-05-14 | 2019-08-13 | 郑州大学 | 路面裂缝图像检测方法 |
CN110147772A (zh) * | 2019-05-23 | 2019-08-20 | 河海大学常州校区 | 一种基于迁移学习的水下坝体表面裂缝识别方法 |
CN110147714A (zh) * | 2019-03-28 | 2019-08-20 | 中国矿业大学 | 基于无人机的煤矿采空区裂缝识别方法及检测系统 |
CN110502972A (zh) * | 2019-07-05 | 2019-11-26 | 广东工业大学 | 一种基于深度学习的路面裂缝分割与识别方法 |
-
2020
- 2020-03-30 CN CN202010236401.2A patent/CN111257341B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
CN108182681A (zh) * | 2018-01-12 | 2018-06-19 | 石家庄铁道大学 | 一种基于多层超限学习网络的混凝土裂缝检测方法 |
CN108985238A (zh) * | 2018-07-23 | 2018-12-11 | 武汉大学 | 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统 |
CN110147714A (zh) * | 2019-03-28 | 2019-08-20 | 中国矿业大学 | 基于无人机的煤矿采空区裂缝识别方法及检测系统 |
CN110120041A (zh) * | 2019-05-14 | 2019-08-13 | 郑州大学 | 路面裂缝图像检测方法 |
CN110147772A (zh) * | 2019-05-23 | 2019-08-20 | 河海大学常州校区 | 一种基于迁移学习的水下坝体表面裂缝识别方法 |
CN110502972A (zh) * | 2019-07-05 | 2019-11-26 | 广东工业大学 | 一种基于深度学习的路面裂缝分割与识别方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597941B (zh) * | 2020-05-08 | 2021-02-09 | 河海大学 | 一种面向大坝缺陷图像的目标检测方法 |
CN111597941A (zh) * | 2020-05-08 | 2020-08-28 | 河海大学 | 一种面向大坝缺陷图像的目标检测方法 |
CN112215819B (zh) * | 2020-10-13 | 2023-06-30 | 中国民航大学 | 基于深度特征融合的机场道面裂缝检测方法 |
CN112215819A (zh) * | 2020-10-13 | 2021-01-12 | 中国民航大学 | 基于深度特征融合的机场道面裂缝检测方法 |
CN112465748A (zh) * | 2020-11-10 | 2021-03-09 | 西南科技大学 | 基于神经网络的裂缝识别方法、装置、设备及存储介质 |
CN112489023A (zh) * | 2020-12-02 | 2021-03-12 | 重庆邮电大学 | 一种基于多尺度和多层次的路面裂缝检测方法 |
CN112581441A (zh) * | 2020-12-10 | 2021-03-30 | 北京工业大学 | 路面裂缝检测方法、装置、电子设备及存储介质 |
CN112581441B (zh) * | 2020-12-10 | 2024-07-05 | 北京工业大学 | 路面裂缝检测方法、装置、电子设备及存储介质 |
CN112651959A (zh) * | 2020-12-31 | 2021-04-13 | 山东众阳健康科技集团有限公司 | 基于动态地图损失神经网络的ct颅内出血检测系统 |
CN112651959B (zh) * | 2020-12-31 | 2023-08-15 | 众阳健康科技集团有限公司 | 基于动态地图损失神经网络的ct颅内出血检测系统 |
CN113239809A (zh) * | 2021-05-14 | 2021-08-10 | 西北工业大学 | 基于多尺度稀疏sru分类模型的水声目标识别方法 |
CN113076962B (zh) * | 2021-05-14 | 2022-10-21 | 电子科技大学 | 一种基于可微神经网络搜索技术的多尺度目标检测方法 |
CN113239809B (zh) * | 2021-05-14 | 2023-09-15 | 西北工业大学 | 基于多尺度稀疏sru分类模型的水声目标识别方法 |
CN113076962A (zh) * | 2021-05-14 | 2021-07-06 | 电子科技大学 | 一种基于可微神经网络搜索技术的多尺度目标检测方法 |
CN116777865A (zh) * | 2023-06-16 | 2023-09-19 | 广州大学 | 一种水下裂缝的识别方法、系统、装置及存储介质 |
CN116993730A (zh) * | 2023-09-26 | 2023-11-03 | 四川新视创伟超高清科技有限公司 | 一种基于8k图像的裂缝检测方法 |
CN116993730B (zh) * | 2023-09-26 | 2023-12-15 | 四川新视创伟超高清科技有限公司 | 一种基于8k图像的裂缝检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111257341B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111257341B (zh) | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN107169956B (zh) | 基于卷积神经网络的色织物疵点检测方法 | |
CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
CN111723732B (zh) | 一种光学遥感图像变化检测方法、存储介质及计算设备 | |
CN108345827B (zh) | 识别文档方向的方法、系统和神经网络 | |
WO2020046213A1 (en) | A method and apparatus for training a neural network to identify cracks | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
CN112907530B (zh) | 基于分组反向注意力的伪装物体检测方法及系统 | |
CN115841447A (zh) | 一种磁瓦表面缺陷的检测方法 | |
CN110135446A (zh) | 文本检测方法及计算机存储介质 | |
CN115829942A (zh) | 基于非负性约束稀疏自编码器的电子电路缺陷检测方法 | |
CN112052907A (zh) | 基于图像边缘信息的目标检测方法、装置及存储介质 | |
CN116029979A (zh) | 一种基于改进Yolov4的布料瑕疵视觉检测方法 | |
CN108549899B (zh) | 一种图像识别方法及装置 | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN116778346A (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
CN115082909B (zh) | 一种肺部病变识别方法及系统 | |
Yazid et al. | Automated system form concrete damage classification identification using pretrained deep learning model | |
CN111882545A (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 |
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 |