CN111784667B - 一种裂纹识别方法及装置 - Google Patents

Abstract

本申请涉及一种裂纹识别方法及装置，包括：获取待分析对象对应的待分析图像；将待分析图像输入预设的图像分析模型，得到用于表征各个部分图像是否包括裂纹的局部特征信息；待分析图像包括多个部分图像；根据部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息；根据关联特征信息确定部分图像的分类结果；根据分类结果得到待分析对象对应的裂纹识别信息。本申请方案可以对待分析图像进行分块处理，通过关联部分图像集的关联特征信息得到各个部分图像的分类结果，进而使分类结果是对待分析图像中不同范围的图像进行综合判断后得到的，可以有效克服由于部分图像的尺寸小导致特征很少，导致最终得到的裂纹识别信息精度会比较低的问题。

Description

一种裂纹识别方法及装置

技术领域

本申请涉及图像识别技术领域，尤其涉及一种裂纹识别方法及装置。

背景技术

禽蛋在运输过程中经常会因为各种原因被磕碰和撞击，导致一些禽蛋产生裂纹，有的禽蛋甚至直接破损。对于破损比较明显的蛋，目前有很多种方法来处理，比如图像分类，目标检测等技术。而对于不太明显的裂纹而言，单独通过这些模型是很难有很高的准确率的。

相关技术中，由于裂纹在全图中占比较小，以及裂纹的不连贯且多变性；因此，对于裂纹检测问题，现有的视觉上常用的技术方案无法达到很好的裂纹识别效果。

针对相关技术中存在的诸多技术问题，目前尚未提供有效的解决方案。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种裂纹识别方法及装置。

第一方面，本申请实施例提供了一种裂纹识别方法，包括：

获取待分析对象对应的待分析图像；

将所述待分析图像输入预设的图像分析模型，得到用于表征各个部分图像是否包括裂纹的局部特征信息；所述待分析图像包括多个所述部分图像；

根据所述部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息；所述关联部分图像集中包括多个相互连接的所述部分图像；

根据所述关联特征信息确定所述部分图像的分类结果；

根据所述分类结果得到所述待分析对象对应的裂纹识别信息。

可选的，如前述的裂纹识别方法，所述根据所述部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息，包括：

确定所有所述部分图像中的目标部分图像的第一局部特征信息；

在所有所述部分图像中，确定与目标部分图像满足预设相邻要求的相邻部分图像；所述关联部分图像集包括：所述目标部分图像和相邻部分图像；

确定各个所述相邻部分图像对应的第二局部特征信息；

根据所述第二局部特征信息得到与所述相邻部分图像对应的相邻特征信息；

根据所述第一局部特征信息和相邻特征信息得到所述关联特征信息。

可选的，如前述的裂纹识别方法，所述根据所述第一局部特征信息和相邻特征信息得到所述关联特征信息，包括：

根据每个所述部分图像的局部特征信息，得到所述待分析图像对应的全局特征信息；

将所述第一局部特征信息、相邻特征信息和全局特征信息按照预设的加权策略进行计算后得到加权结果；

根据所述加权结果得到所述关联特征信息。

可选的，如前述的裂纹识别方法，还包括：

获取用于对待训练模型进行训练的样本图像；

确定对所述样本图像进行分割的分割策略；

按照所述分割策略对所述样本图像进行分割得到多个分割子图像；

根据各个所述分割子图像的第一位置信息以及裂纹信息得到与所述样本图像对应的分类矩阵；对应于同一个所述分割子图像的第一位置信息与第二位置信息对应设置；所述第一位置信息用于表征所述分割子图像在所述待分析图像中的位置；所述第二位置信息用于表征根据所述分割子图像对应的裂纹信息得到的预设局部特征信息在所述分类矩阵中的位置；

根据所述样本图像以及与各个所述样本图像对应的分类矩阵得到训练数据和校验数据；

通过所述训练数据对待训练模型进行训练，得到训练后模型；

在通过所述校验数据对所述训练后模型进行校验，并满足预设精度要求后，将所述训练后模型作为所述图像分析模型。

可选的，如前述的裂纹识别方法，所述根据各个分割子图像的第一位置信息以及裂纹信息得到与样本图像对应的分类矩阵，包括：

获取对所述样本图像进行裂纹标记得到的裂纹标记信息；

根据各个所述分割子图像中包括的所述裂纹标记信息的长度得到各个所述分割子图像对应的所述裂纹信息；

根据所述裂纹信息确定各个所述分割子图像中包括的所述裂纹标记信息的长度是否在预设范围内，得到各个所述分割子图像对应的预设局部特征信息；

根据各个所述分割子图像在所述样本图像中的位置，得到与各个所述分割子图像对应的所述第一位置信息；

根据各个所述分割子图像对应的所述第一位置信息和预设局部特征信息，得到与所述样本图像对应的分类矩阵。

可选的，如前述的裂纹识别方法，在所述待分析对象的类型为第一预设类型时；在所述根据所述分类结果得到所述待分析对象对应的裂纹识别信息之后，还包括：

根据所述裂纹识别信息确定所述待分析对象的裂纹长度信息；

在所述裂纹长度信息超过预设的上限阈值时，判定所述待分析对象为破损对象；

获取所述待分析对象的对象位置信息；

根据所述对象位置信息生成与所述待分析对象对应的剔除信息。

可选的，如前述的裂纹识别方法，在所述待分析对象的类型为第二预设类型时；在所述根据所述分类结果得到所述待分析对象对应的裂纹识别信息之后，还包括：

根据所述裂纹识别信息确定所述待分析对象的裂纹长度信息；

在所述裂纹长度信息超过预设的第二上限阈值时，获取所述待分析对象的定位信息；

根据所述定位信息生成与所述待分析对象对应的维修信息。

第二方面，本申请实施例提供了一种裂纹识别装置，包括：

获取模块，用于获取待分析对象对应的待分析图像；

局部特征模块，用于将所述待分析图像输入预设的图像分析模型，得到用于表征各个部分图像是否包括裂纹的局部特征信息；所述待分析图像包括多个所述部分图像；

关联特征模块，用于根据所述部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息；所述关联部分图像集中包括多个相互连接的所述部分图像；

分类模块，用于根据所述关联特征信息确定所述部分图像的分类结果；

识别模块，用于根据所述分类结果得到所述待分析对象对应的裂纹识别信息。

第三方面，本申请实施例提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述计算机程序时，实现如前述任一项所述的处理方法。

第四方面，本申请实施例提供了一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前述任一项所述的处理方法。

本申请实施例提供了一种裂纹识别方法及装置，包括：获取待分析对象对应的待分析图像；将所述待分析图像输入预设的图像分析模型，得到用于表征各个部分图像是否包括裂纹的局部特征信息；所述待分析图像包括多个所述部分图像；根据所述部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息；所述关联部分图像集中包括多个相互连接的所述部分图像；根据所述关联特征信息确定所述部分图像的分类结果；根据所述分类结果得到所述待分析对象对应的裂纹识别信息。本申请实施例提供的上述技术方案与现有技术相比具有如下优点：可以对待分析图像进行分块处理，然后得到每个部分图像的局部特征信息，并通过关联部分图像集的关联特征信息得到各个部分图像的分类结果，进而使分类结果是对待分析图像中不同范围的图像进行综合判断后得到的，可以有效克服由于部分图像的尺寸小导致特征很少，导致最终得到的裂纹识别信息精度会比较低的问题。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，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为本申请实施例提供的一种裂纹识别方法的流程图；

图2为本申请另一实施例提供的一种裂纹识别方法的流程图；

图3为本申请另一实施例提供的一种裂纹识别方法的流程图；

图4为本申请实施例提取不同维度特征识别裂纹的示意图；

图5为本申请一个实施例中的样本图像；

图6为本申请一个实施例中的裂纹图像；

图7为本申请一个实施例中的待分析图像；

图8为本申请一个实施例中的裂纹识别结果的示意图；

图9为本申请一个实施例中待分析对象为路面时的待分析图像；

图10为本申请一个实施例中待分析对象为路面时的裂纹识别结果的示意图；

图11为本申请一个应用例中裂纹识别方法的流程图；

图12为本申请实施例提供的一种裂纹识别装置的框图；

图13为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种裂纹识别方法，包括如下所述步骤S1至S5：

步骤S1.获取待分析对象对应的待分析图像。

具体的，待分析对象可以是需要进行裂纹识别的对象，裂纹识别用于获取待分析对象的表面是否存在裂纹，以及裂纹的长度。

待分析图像可以由摄像装置对待分析对象进行拍摄得到，也可以是摄像装置对包括待分析对象在内的整体进行拍摄后，截取的与待分析对象对应的部分图像。可选的，摄像装置可以采用2000万像素的高清摄像机。

步骤S2.将待分析图像输入预设的图像分析模型，得到用于表征各个部分图像是否包括裂纹的局部特征信息；待分析图像包括多个部分图像。

具体的，预设的图像分析模型可以对输入的图像按照预设要求进行划分，得到N×M的网格，其中，每个网格框选出的图像即对应于一个部分图像，对一个待分析图像进行划分的方法可以根据应用场景进行选择。例如：可以是7×7或者9×9等等。

由于本申请用于对裂纹进行识别，因此预测量可以只有一个，局部特征信息可以是：存在裂纹和不存在裂纹中的一种；为了便于进行统计，可以将存在裂纹记为1，不存在裂纹记为0；此外，还可以采用其它表征方法，在此不对其进行限定；其中，局部特征信息是仅根据部分图像内的信息得到的，用于判断部分图像中是否包括裂纹的初步的识别结果。

步骤S3.根据部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息；关联部分图像集中包括多个相互连接的部分图像。

具体的，关联图像集中的各个部分图像至少存在一个与其相互连接的其它部分图像，因此各个关联部分图像集中的所有部分图像之间为相邻设置。可选的，关联部分图像集可以是某一范围内的所有部分图像的集合。

关联特征信息是用于表征待分析图像中是否存在裂纹的信息。

也就是说，预测结果是根据多个部分图像的局部特征信息得到的，可选的，可以对各个局部特征信息采用平均计算或者不同位置加权计算等方式计算得到关联特征信息。

步骤S4.根据关联特征信息确定部分图像的分类结果。

也就是说，各个部分图像的分类结果是根据关联图像集中的多个部分图像得到的。且一般的，每个部分图像得到分类结果依据的关联图像集中包括该部分图像。

步骤S5.根据分类结果得到待分析对象对应的裂纹识别信息。

也就是说，裂纹识别信息是用于表征待分析对象是否存在裂纹以及哪些位置存在裂纹的信息，由于对待分析对象进行分析是通过图像进行的，因此裂纹识别信息可以与根据各个部分图像的分类结果得到。

综上所述，采用本实施例中的方法，可以对待分析图像进行分块处理，然后得到每个部分图像的局部特征信息，同时通过关联部分图像集的关联特征信息得到各个部分图像的分类结果，进而使分类结果是对待分析图像中不同范围的图像进行综合判断后得到的，可以有效克服由于部分图像的尺寸小导致特征很少，导致最终得到的裂纹识别信息精度会比较低的问题。

如图2所示，在一些实施例中，如前述的裂纹识别方法，所述步骤S3根据部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息，包括如下所述步骤S31至S35：

步骤S31.确定所有部分图像中的目标部分图像的第一局部特征信息。

具体的，由于只要图像中任一部分图像中存在裂纹，即可判定该待分析图像对应的待分析对象存在裂纹，因此，需要判断每个部分图像是否存在裂纹。

目标部分图像则是当下选定的进行裂纹判断的部分图像。

第一局部特征信息是与目标部分图像对应的，用于预测目标部分图像中是否存在裂纹的局部特征信息。

步骤S32.在所有部分图像中，确定与目标部分图像满足预设相邻要求的相邻部分图像；关联部分图像集包括：目标部分图像和相邻部分图像。

也就是说，关联部分图像集中包括相邻部分图像和目标部分图；同时，相邻部分图像是与目标部分图像满足预设相邻要求的部分图像。举例的，一般对图像都采用矩形划分，且各个部分图像的大小形状都相同，因此，当目标部分图像不是位于待分析图像的边缘时，其对应的相邻部分图像可以是周围的8个部分图像；当目标部分图像位于待分析图像的边缘时，其对应的相邻部分图像可以是周围的5个或3个部分图像。

步骤S33.确定各个相邻部分图像对应的第二局部特征信息。

第二局部特征信息是与相邻部分图像对应的，用于预测相邻部分图像中是否存在裂纹的局部特征信息。

步骤S34.根据第二局部特征信息得到与相邻部分图像对应的相邻特征信息。

具体的，由于相邻部分图像是位于目标图像的周围，因而可以通过第二局部特征信息得到预测目标部分图像的周围是否存在裂纹的相邻特征信息。

可选的，相邻特征信息可以是根据各个相邻部分图像对应的第二局部特征信息按照预设的计算策略(例如：平均值、加权计算等)得到。

步骤S35.根据第一局部特征信息和相邻特征信息得到关联特征信息。

也就是说，关联特征信息是通过第一局部特征信息和相邻特征信息计算得到的；其中，可以通过计算第一局部特征信息和相邻特征信息的平均值或者对两者采用预设的加权策略进行加权计算得到该关联特征信息。

如图3所示，在一些实施例中，如前述的裂纹识别方法，所述步骤S35根据第一局部特征信息和相邻特征信息得到关联特征信息，包括如下所述步骤S351至S353：

步骤S351.根据每个部分图像的局部特征信息，得到待分析图像对应的全局特征信息。

具体的，全局特征信息是由每个部分图像的局部特征信息计算得到的；可选的，可以采用平均值计算的方法得到全局特征信息，举例的：将表征存在裂纹的局部特征信息记为1，将表征不存在裂纹局部特征信息记为0；当存在81个部分图像，且其中预测存在裂纹的部分图像为8个时，则全局特征信息为8/81。

步骤S352.将第一局部特征信息、相邻特征信息和全局特征信息按照预设的加权策略进行计算后得到加权结果。

具体的，由于第一局部特征信息对应的是目标部分图像的预测结果；相邻特征信息对应的是目标部分图像的周围的图像的特征；全局特征信息对应的是待分析图像的整体的特征；因此，加权结果可以综合不同大小范围内的特征。

可选的，其中一种加权策略可以是：0.6×第一局部特征信息+0.3×相邻特征信息+0.1×全局特征信息。

步骤S353.根据加权结果得到关联特征信息。

具体的，加权结果可以是一个数值结果，关联特征信息是用于判断目标部分图像是否存在裂纹的结果，由于当目标部分图像中村子裂纹，则待分析对象表面也存在裂纹，因此，当加权结果满足预设要求(例如：大于等于0.7时)，得到对应的关联特征信息为：目标部分图像中存在裂纹，即待分析对象表面也存在裂纹。可以通过本实施例的方法，将每个部分图像作为目标部分图像，计算其对应的预测结果。

如图4所示，采用本实施例中的方案可以综合三个维度的特征(即：全局特征11、周围特征12和局部特征13)，可以实现视觉仿生的特征融合方式，进而使最终得到的预测结果准确性更高。视觉仿生可以是：当人在看物体的时候，如果只看一小块，是很难对事物进行判断的，但是如果让人看到其周围的信息，人就会有些把握，而再让人看到全图的信息，那么就会很准确的对之前的小块事物有了判断。

在一些实施例中，如前述的裂纹识别方法，还包括如下所述步骤P1至P7：

步骤P1.获取用于对待训练模型进行训练的样本图像。

具体的，样本图像可以是事先对不同的样本进行图像采集得到；其中，样本的类型与待分析对象的类型一致。

可选的，待训练模型可以采用mobilenet yolov2网络。

步骤P2.确定对样本图像进行分割的分割策略。

具体的，分割策略可以根据实际应用场景进行选择，且分割策略可以根据mobilenet yolov2网络中进行输出的卷积层的选择实现不同的分割策略，举例的，当在最后一层卷积层进行输出时，得到的featureMap的维度9×9×256(其中，9×9表征对待分析图像进行分割的维度，256为每个featureMap的通道数)中，这里的每个格子对应为一个小块的局部特征。

步骤P3.按照分割策略对样本图像进行分割得到多个分割子图像。

也就是说，在前一步骤的基础上，通过选定的卷积层进行输出，即可得到按照预设分割策略分割得到的多个分割子图像。

步骤P4.根据各个分割子图像的第一位置信息以及裂纹信息得到与样本图像对应的分类矩阵；第一位置信息用于表征分割子图像在待分析图像中的位置；第二位置信息用于表征根据分割子图像对应的裂纹信息得到的预设局部特征信息在分类矩阵中的位置；对应于同一个分割子图像的第一位置信息与第二位置信息对应设置。

具体的，当根据分割策略对样本图像进行分割得到多个分割子图像之后，可以得到各个分割子图像在待分析图像中的位置，该位置即可通过第一位置信息进行表征。

裂纹信息可以是实现对分割子图像进行标注得到；因此，每个分割子图像都存在对应的裂纹信息，在通过预设的标注策略对不同类型的分割子图像进行标注之后即可得到每个分割子图像对应的预设局部特征信息，最后按照与第一位置信息对应的第二位置信息对各个局部特征信息进行排列后，即可得到与样本图像对应的分类矩阵。

举例的，当样本图像中的第3行第6、7、8列，第4行第5、6、7、9列以及第5行第6列对应的分割子图像中存在裂纹信息时，得到的分类矩阵如下所示：

步骤P5.根据样本图像以及与各个样本图像对应的分类矩阵得到训练数据和校验数据。

具体的，每进行一次训练或校验都需要一组相互对应的样本图像和分类矩阵，因此，不同的样本图像与分类矩阵是按照对应关系设为不同组别；最后将不同组别的数据进行划分即可得到训练数据和校验数据。

步骤P6.通过训练数据对待训练模型进行训练，得到训练后模型。

可选的，分类矩阵生成后，可以利用和分类任务一样的交叉熵损失函数的变种，FocalLoss进行端到端的密集分类模型的训练。

步骤P7.在通过校验数据对训练后模型进行校验，并满足预设精度要求后，将训练后模型作为图像分析模型。

所述步骤P6和P7即为通过训练数据和校验数据对待训练模型进行训练和校验，以得到最终的图像分析模型。预设精度要求可以是识别的准确率等。

在一些实施例中，如前述的裂纹识别方法，所述步骤P4根据各个分割子图像的第一位置信息以及裂纹信息得到与样本图像对应的分类矩阵，包括如下所述步骤P41至P45：

步骤P41.获取对样本图像进行裂纹标记得到的裂纹标记信息。

具体的，可以通过在样本图像中存在裂纹的位置进行裂纹勾勒等方式进行裂纹标记，得到裂纹标记信息，裂纹标记信息可以是裂纹的图像信息。

可选的，如图5及图6所示，在对样本图像(如图5所示)进行裂纹勾勒之后，可以生成一张与样本图像形状大小一致的裂纹图像(如图6所示)。

步骤P42.根据各个分割子图像中包括的裂纹标记信息的长度得到各个分割子图像对应的裂纹信息。

具体的，可以对裂纹图像按照前述的分割策略进行分割，得到与样本图像一致的分割结果，进而可以根据裂纹图像中的各个分割子图像的裂纹信息得到样本图形中各个分割子图像的裂纹信息。

步骤P43.根据裂纹信息确定各个分割子图像中包括的裂纹标记信息的长度是否在预设范围内，得到各个分割子图像对应的预设局部特征信息。

具体的，预设范围可以是用于判断裂纹标记信息的是否构成裂纹的判断依据。可选的，当裂纹标记信息的长度在预设范围内时，说明该裂纹太短，不将其判定为裂纹，当裂纹标记信息的长度长于预设范围时，说明该裂纹长度足够长，可以将其判定为裂纹；进而可以根据分割子图像中是否存在裂纹得到对应的预设局部特征信息。

步骤P44.根据各个分割子图像在样本图像中的位置，得到与各个分割子图像对应的第一位置信息。

具体的，由于一般情况下，各个分割子图像是由样本图像均匀划分得到的形状一致的矩形图像，因此，各个分割子图像的第一位置信息可以通过坐标的方式进行表征，例如：第1行第1列的坐标可以表征为(1，1)，第3行第6列的坐标可以表征为(3，6)等等，其中，具体的表征方式可以按照应用场景进行选择，在此不对其进行限定。

步骤P45.根据各个分割子图像对应的第一位置信息和预设局部特征信息，得到与样本图像对应的分类矩阵。

具体的，在得到每个分割子图像的第一位置信息和预设局部特征信息之后，只需按照第一位置信息对各个预设局部特征信息进行排列，即可得到与样本图像对应的分类矩阵。

在一些实施例中，如前述的裂纹识别方法，在待分析对象的类型为第一预设类型时，具体的，第一预设类型包括的对象可以有：禽蛋、宝石、瓷砖、大理石等难以对其表面的裂纹进行修复的物品；在根据分类结果得到待分析对象对应的裂纹识别信息之后，还包括如下所述步骤A1至A4：

步骤A1.根据裂纹识别信息确定待分析对象的裂纹长度信息。

具体的，裂纹识别信息可以包括在待分析图像中显示的裂纹图像，且根据裂纹识别信息可以计算得到裂纹长度信息。裂纹长度信息可以是裂纹图像的长度信息，也可以是待分析对象的裂纹的真实长度信息。

步骤A2.在裂纹长度信息超过预设的第一上限阈值时，判定待分析对象为破损对象。

具体的，第一上限阈值可以根据不同的待分析对象的类型进行选择，当裂纹长度信息超过第一上限阈值时，则判定该待分析对象的裂纹长度过长，即将其判定为破损对象。

步骤A3.获取待分析对象的对象位置信息。

具体的，对象位置信息可以是待分析对象在其所处环境中的位置信息。

步骤A4.根据对象位置信息生成与待分析对象对应的剔除信息。

具体的，根据对象位置信息生成与待分析对象对应的剔除信息，进而可以根据该剔除信息控制相应的装置对该对象位置信息应的目标物进行拾取，并将其挑选出来。

如图7所示，当待分析对象的类型为禽蛋时，采用本实施例中的方法可以识别得到其中的裂纹信息(如图8中所深色框标记所示)。

举例的，当待分析对象为禽蛋时，通过本实施例中的方法可以减少破损禽蛋产生的细菌对其它禽蛋的影响，测试集1516张图片上的准确率97.88％，召回率99.1％，精确率98.1％。

其中，1.召回率(Recall)

召回率是相对于样本而言的，即样本中有多少正样本被预测正确了，这样的有TP个，所有的正样本有两个去向，一个是被判为正的，另一个是错判为负的，因此总共有TP+FN个，所以，召回率R＝TP/(TP+FN)。

2.准确率(Accuracy)

准确率是指有在所有的判断中有多少判断正确的，即把正的判断为正的，还有把负的判断为负的；总共有TP+FN+FP+TN个结果，所以准确率：(TP+TN)/(TP+TN+FN+FP)。

3.精确率(Precision)

精确率是相对于预测结果而言的，它表示的是预测为正的样本中有多少是对的；那么预测为正的样本就有两种可能来源，一种是把正的预测为正的，这类有TP个,另外一种是把负的错判为正的，这类有FP个，因此精确率即：P＝TP/(TP+FP)。

TP:Ture Positive把正的判断为正的数目；即判断正确，且判为了正。

FN:False Negative把正的错判为负的数目；即判断错误，且判为了负。

FP:False Positive把负的错判为正的数目；即判断错误，且判为了正。

TN:True Negative把负的判为负的数目；即判断正确，且判为了负。

在一些实施例中，如前述的裂纹识别方法，在待分析对象的类型为第二预设类型时，具体的，第二预设类型包括的对象可以有：路面、墙体等可以对其表面的裂纹进行修复的物品；在根据分类结果得到待分析对象对应的裂纹识别信息之后，还包括如下所述步骤B1至B3：

步骤B1.根据裂纹识别信息确定待分析对象的裂纹长度信息。

具体的，裂纹识别信息可以包括在待分析图像中显示的裂纹图像，且根据裂纹识别信息可以计算得到裂纹长度信息。裂纹长度信息可以是裂纹图像的长度信息，也可以是待分析对象的裂纹的真实长度信息。

步骤B2.在裂纹长度信息超过预设的第二上限阈值时，获取待分析对象的定位信息。

具体的，第二上限阈值可以根据不同的待分析对象的类型进行选择，当裂纹长度信息超过第二上限阈值时，则判定该待分析对象的裂纹长度过长，即将其判定为破损对象。

并且定位信息可以是待分析对象在其世界坐标中的位置信息。

步骤B3.根据定位信息生成与待分析对象对应的维修信息。

具体的，根据定位信息生成与待分析对象对应的维修信息，进而可以根据该维修信息是相关的人员到定位信息对应的位置进行维修处理，可以提高故障的应对效率，避免因此出现更严重的影响。

如图9所示，当待分析对象的类型为路面时，采用本实施例中的方法可以识别得到其中的裂纹信息(如图10中所深色框标记所示)。

如图11所示的应用例中，当将本申请方法应用于禽蛋表面裂纹识别时：

1、先获取高分辨率的禽蛋照片数据；

2、对禽蛋破损位置进行mask标注，并得到与该部分图像对应的mask标签；

3、将mask标签转换为对该部分图像通过字符(例如：0，1)进行表征的密集分类标签；

4、得到与禽蛋照片数据对应的裂纹标签(即前述的分类矩阵)；

5、通过分类矩阵和禽蛋照片数据对预设的模型进行训练，得到可用的图像分析模型；

6、将待分析图像输入该图像分析模型中进行模型推理预测，得到裂纹信息。其中，模型推理就是对一张种蛋图像输出一个密集分类的矩阵结果，即9×9＝81个结果，对应着种蛋的81块的裂纹破损情况。

如图12所示，根据本申请另一方面的一个实施例，还提供了一种裂纹识别装置，包括：

获取模块1，用于获取待分析对象对应的待分析图像；

局部特征模块2，用于将待分析图像输入预设的图像分析模型，得到用于表征各个部分图像是否包括裂纹的局部特征信息；待分析图像包括多个部分图像；

关联特征模块3，用于根据部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息；关联部分图像集中包括多个相互连接的部分图像；

分类模块4，用于根据关联特征信息确定部分图像的分类结果；

识别模块5，用于根据分类结果得到待分析对象对应的裂纹识别信息。

具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。

根据本申请的另一个实施例，还提供一种电子设备，包括：如图13所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。

存储器1503，用于存放计算机程序；

处理器1501，用于执行存储器1503上所存放的程序时，实现上述方法实施例的步骤。

上述电子设备提到的总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。

本申请实施例还提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述方法实施例的步骤。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种裂纹识别方法，其特征在于，包括：

获取待分析对象对应的待分析图像；

将所述待分析图像输入预设的图像分析模型，得到用于表征各个部分图像是否包括裂纹的局部特征信息；所述待分析图像包括多个所述部分图像；

根据所述部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息；所述关联部分图像集中包括多个相互连接的所述部分图像；

根据所述关联特征信息确定所述部分图像的分类结果；

根据所述分类结果得到所述待分析对象对应的裂纹识别信息。

2.根据权利要求1所述的裂纹识别方法，其特征在于，所述根据所述部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息，包括：

确定所有所述部分图像中的目标部分图像的第一局部特征信息；

在所有所述部分图像中，确定与目标部分图像满足预设相邻要求的相邻部分图像；所述关联部分图像集包括：所述目标部分图像和相邻部分图像；

确定各个所述相邻部分图像对应的第二局部特征信息；

根据所述第二局部特征信息得到与所述相邻部分图像对应的相邻特征信息；

根据所述第一局部特征信息和相邻特征信息得到所述关联特征信息。

3.根据权利要求2所述的裂纹识别方法，其特征在于，所述根据所述第一局部特征信息和相邻特征信息得到所述关联特征信息，包括：

根据每个所述部分图像的局部特征信息，得到所述待分析图像对应的全局特征信息；

将所述第一局部特征信息、相邻特征信息和全局特征信息按照预设的加权策略进行计算后得到加权结果；

根据所述加权结果得到所述关联特征信息。

4.根据权利要求1所述的裂纹识别方法，其特征在于，还包括：

获取用于对待训练模型进行训练的样本图像；

确定对所述样本图像进行分割的分割策略；

按照所述分割策略对所述样本图像进行分割得到多个分割子图像；

根据各个所述分割子图像的第一位置信息以及裂纹信息得到与所述样本图像对应的分类矩阵；对应于同一个所述分割子图像的第一位置信息与第二位置信息对应设置；所述第一位置信息用于表征所述分割子图像在所述待分析图像中的位置；所述第二位置信息用于表征根据所述分割子图像对应的裂纹信息得到的预设局部特征信息在所述分类矩阵中的位置；

根据所述样本图像以及与各个所述样本图像对应的分类矩阵得到训练数据和校验数据；

通过所述训练数据对待训练模型进行训练，得到训练后模型；

在通过所述校验数据对所述训练后模型进行校验，并满足预设精度要求后，将所述训练后模型作为所述图像分析模型。

5.根据权利要求4所述的裂纹识别方法，其特征在于，所述根据各个分割子图像的第一位置信息以及裂纹信息得到与样本图像对应的分类矩阵，包括：

获取对所述样本图像进行裂纹标记得到的裂纹标记信息；

根据各个所述分割子图像中包括的所述裂纹标记信息的长度得到各个所述分割子图像对应的所述裂纹信息；

根据所述裂纹信息确定各个所述分割子图像中包括的所述裂纹标记信息的长度是否在预设范围内，得到各个所述分割子图像对应的预设局部特征信息；

根据各个所述分割子图像在所述样本图像中的位置，得到与各个所述分割子图像对应的所述第一位置信息；

根据各个所述分割子图像对应的所述第一位置信息和预设局部特征信息，得到与所述样本图像对应的分类矩阵。

6.根据权利要求1所述的裂纹识别方法，其特征在于，在所述待分析对象的类型为第一预设类型时；在所述根据所述分类结果得到所述待分析对象对应的裂纹识别信息之后，还包括：

根据所述裂纹识别信息确定所述待分析对象的裂纹长度信息；

在所述裂纹长度信息超过预设的上限阈值时，判定所述待分析对象为破损对象；

获取所述待分析对象的对象位置信息；

根据所述对象位置信息生成与所述待分析对象对应的剔除信息。

7.根据权利要求1所述的裂纹识别方法，其特征在于，在所述待分析对象的类型为第二预设类型时；在所述根据所述分类结果得到所述待分析对象对应的裂纹识别信息之后，还包括：

根据所述裂纹识别信息确定所述待分析对象的裂纹长度信息；

在所述裂纹长度信息超过预设的第二上限阈值时，获取所述待分析对象的定位信息；

根据所述定位信息生成与所述待分析对象对应的维修信息。

8.一种裂纹识别装置，其特征在于，包括：

获取模块，用于获取待分析对象对应的待分析图像；

局部特征模块，用于将所述待分析图像输入预设的图像分析模型，得到用于表征各个部分图像是否包括裂纹的局部特征信息；所述待分析图像包括多个所述部分图像；

关联特征模块，用于根据所述部分图像的局部特征信息，得到关联部分图像集对应的关联特征信息；所述关联部分图像集中包括多个相互连接的所述部分图像；

分类模块，用于根据所述关联特征信息确定所述部分图像的分类结果；

识别模块，用于根据所述分类结果得到所述待分析对象对应的裂纹识别信息。

9.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述计算机程序时，实现权利要求1-7任一项所述的方法步骤。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1-7任一项所述的方法步骤。