CN115456972A - 混凝土裂缝检测与识别方法、装置、设备及存储介质 - Google Patents

混凝土裂缝检测与识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115456972A
CN115456972A CN202211053725.8A CN202211053725A CN115456972A CN 115456972 A CN115456972 A CN 115456972A CN 202211053725 A CN202211053725 A CN 202211053725A CN 115456972 A CN115456972 A CN 115456972A
Authority
CN
China
Prior art keywords
image
crack
label
network
detection
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
CN202211053725.8A
Other languages
English (en)
Inventor
王保宪
赵维刚
徐飞
杨帅
石德斌
谭兆
秦守鹏
薛骐
李建军
张逆进
王彪
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
China Railway 12th Bureau Group Co Ltd
China Railway Design Corp
China State Railway Group Co Ltd
Original Assignee
Shijiazhuang Tiedao University
China Railway 12th Bureau Group Co Ltd
China Railway Design Corp
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, China Railway 12th Bureau Group Co Ltd, China Railway Design Corp filed Critical Shijiazhuang Tiedao University
Priority to CN202211053725.8A priority Critical patent/CN115456972A/zh
Publication of CN115456972A publication Critical patent/CN115456972A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种混凝土裂缝检测与识别方法、装置、设备及存储介质，该方法包括：获取预设样本库中的多个裂缝图像样本；对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像，其中，第一标记指示图像中的裂缝；对第一标签图像进行边缘检测，得到含有第二标记的第二标签图像，其中，第二标记指示图像中裂缝的边缘；基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型；基于训练好的裂缝检测与识别模型对待检测的图像进行裂缝检测与识别。本发明提供的裂缝检测与识别方法可以提高对细微裂缝的检测与识别的精度。

Description

混凝土裂缝检测与识别方法、装置、设备及存储介质
技术领域
本发明涉及裂缝检测技术领域，尤其涉及一种混凝土裂缝检测与识别方法、装置、设备及存储介质。
背景技术
近年来，随着基础设施建设的规模越来越大，混凝土已经应用于各种各样的工程中。但是，随着建设时间的加长，混凝土结构会产生裂缝，当裂缝宽度达到一定程度时，会严重影响到建筑物的安全。因此，裂缝检测与识别成为开展混凝土结构耐久性评估中的一项重要内容。
常用的裂缝检测方法主要包括人工检测、边缘检测和阈值分割检测，随着信息技术的快速发展，基于深度学习的裂缝视觉检测与识别方法成为行业发展的新趋势。
人工检查存在主观性强、效率低的缺点，边缘检测和阈值分割检测则易受到环境因素的干扰，如模糊、阴影等，这些干扰因素使得传统的方法检测的误差较大。而深度学习利用卷积网络从图像中挖掘多层特征，再通过训练特定的网络结构，完成对输入图像的分类、定位、分割等任务，较常用的检测方法的检测准确度都有所提高。然而，现有的基于深度学习构建的模型对于细微裂纹的检测与识别的精度较低。
发明内容
本发明实施例提供了一种混凝土裂缝检测与识别方法、装置、设备及存储介质，以解决目前的模型对于细微裂纹的检测与识别的精度较低的问题。
第一方面，本发明实施例提供了一种混凝土裂缝检测与识别方法，包括：
获取预设样本库中的多个裂缝图像样本；
对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像，其中，第一标记指示图像中的裂缝；
对第一标签图像进行边缘检测，得到含有第二标记的第二标签图像，其中，第二标记指示图像中裂缝的边缘；
基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型；其中，裂缝检测与识别模型为基于通道卷积操作将Unet++的解码网络分为主干分割网络和边缘预测分支网络，主干分割网络用于提取每个裂缝图像样本的全部特征，边缘预测分支网络用于提取第一标签图像的边缘裂缝特征；
基于训练好的裂缝检测与识别模型对待检测的图像进行裂缝检测与识别。
在一种可能的实现方式中，基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型，还包括：
基于第一标签图像中裂缝的裂缝面积、以及第二标签图像中裂缝的边缘面积，确定与第一标签图像相对应的裂缝图像样本的训练权重；
基于每个裂缝图像样本及其第一标签图像、第二标签图像，以及每个裂缝图像样本的训练权重对预先构建的裂缝检测与识别模型进行训练。
在一种可能的实现方式中，与第一标签图像相对应的裂缝图像样本的训练权重λ为：
λ＝0.1×P/Q；
其中，P为第二标签图像中裂缝的边缘面积，Q为第一标签图像中裂缝的裂缝面积。
在一种可能的实现方式中，基于每个裂缝图像样本及其第一标签图像、第二标签图像，以及每个裂缝图像样本的训练权重对预先构建的裂缝检测与识别模型进行训练，还包括：
基于第一标签图像的真值图与第三图像的分割结果，构建主干分割网络的主干损失函数；其中，第三图像为与第一标签图像相对应的裂缝图像样本经过主干分割网络后得到的图像；
基于第二标签图像的真值图与第四图像的交叉熵、以及裂缝图像样本的训练权重构建每层预测分支网络的预测分支损失函数；其中，第四图像为与第一标签图像相对应的裂缝图像样本经过每层预测分支网络后得到的特征图；
基于主干损失函数、预测分支损失函数、裂缝图像样本、第一标签图像、第二标签图像对预先构建的裂缝检测与识别模型进行训练。
在一种可能的实现方式中，基于第一标签图像的真值图与第三图像的分割结果，构建主干分割网络的主干损失函数，包括：
基于第一标签图像的真值图的像素数量与第三图像的分割结果的像素数量的Dice相关系数，构建主干分割网络的主干损失函数；
其中，主干损失函数LDice为：
Figure BDA0003824234250000031
X*为第三图像的分割结果，Y为第一标签图像的真值图，|X*|和|Y|分别为第一标签图像的真值图的像素数量与第三图像的分割结果的像素数量，|X*∩Y|为第一标签图像的真值图与第三图像的分割结果相交的像素数量。
在一种可能的实现方式中，Unet++为5层网络，Unet++解码网络的特征金字塔输出5层特征图，每层特征图经过通道卷积处理后生成2个子解码网络，分别为主干分割网络和边缘预测分支网络；
每层预测分支网络的预测分支损失函数Lb为：
Figure BDA0003824234250000032
其中，λn为裂缝图像样本的第n个图像的训练权重，
Figure BDA0003824234250000033
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图，
Figure BDA0003824234250000034
为裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为
Figure BDA0003824234250000035
中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数，
Figure BDA0003824234250000041
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值，y′nij为裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
在一种可能的实现方式中，Unet++为5层网络，Unet++解码网络的特征金字塔输出5层特征图，每层特征图经过通道卷积处理后生成2个子解码网络，分别为主干分割网络和边缘预测分支网络，在边缘预测分支网络中还设有nn.Parameter，用于每层特征图的权重自适应；
每层预测分支网络的预测分支损失函数Lb为：
Figure BDA0003824234250000042
其中，λn为裂缝图像样本的第n个图像的训练权重，
Figure BDA0003824234250000043
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图，
Figure BDA0003824234250000044
为裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为
Figure BDA0003824234250000045
中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数，wk为每层特征图的权重，W＝{w1,w2,w3,w4,w5},
Figure BDA0003824234250000046
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值，y′nij为裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
第二方面，本发明实施例提供了一种混凝土裂缝检测与识别装置，包括：
获取模块，用于获取预设样本库中的多个裂缝图像样本；
标记模块，用于对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像，其中，第一标记指示图像中的裂缝；
边缘检测模块，用于对第一标签图像进行边缘检测，得到含有第二标记的第二标签图像，其中，第二标记指示图像中裂缝的边缘；
模型训练模块，用于基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型；其中，裂缝检测与识别模型为基于通道卷积操作将Unet++的解码网络分为主干分割网络和边缘预测分支网络，主干分割网络用于提取每个裂缝图像样本的全部特征，边缘预测分支网络用于提取第一标签图像的边缘裂缝特征；
检测识别模块，用于基于训练好的裂缝检测与识别模型对待检测的图像进行裂缝检测与识别。
在一种可能的实现方式中，模型训练模块，用于基于第一标签图像中裂缝的裂缝面积、以及第二标签图像中裂缝的边缘面积，确定与第一标签图像相对应的裂缝图像样本的训练权重；
基于每个裂缝图像样本及其第一标签图像、第二标签图像，以及每个裂缝图像样本的训练权重对预先构建的裂缝检测与识别模型进行训练。
在一种可能的实现方式中，与第一标签图像相对应的裂缝图像样本的训练权重λ为：
λ＝0.1×P/Q；
其中，P为第二标签图像中裂缝的边缘面积，Q为第一标签图像中裂缝的裂缝面积。
在一种可能的实现方式中，模型训练模块，用于基于第一标签图像的真值图与第三图像的分割结果，构建主干分割网络的主干损失函数；其中，第三图像为与第一标签图像相对应的裂缝图像样本经过主干分割网络后得到的图像；
基于第二标签图像的真值图与第四图像的交叉熵、以及裂缝图像样本的训练权重构建每层预测分支网络的预测分支损失函数；其中，第四图像为与第一标签图像相对应的裂缝图像样本经过每层预测分支网络后得到的特征图；
基于主干损失函数、预测分支损失函数、裂缝图像样本、第一标签图像、第二标签图像对预先构建的裂缝检测与识别模型进行训练。
在一种可能的实现方式中，模型训练模块，用于基于第一标签图像的真值图的像素数量与第三图像的分割结果的像素数量的Dice相关系数，构建主干分割网络的主干损失函数；
其中，主干损失函数LDice为：
Figure BDA0003824234250000061
X*为第三图像的分割结果，Y为第一标签图像的真值图，|X*|和|Y|分别为第一标签图像的真值图的像素数量与第三图像的分割结果的像素数量，|X*∩Y|为第一标签图像的真值图与第三图像的分割结果相交的像素数量。
在一种可能的实现方式中，Unet++为5层网络，Unet++解码网络的特征金字塔输出5层特征图，每层特征图经过通道卷积处理后生成2个子解码网络，分别为主干分割网络和边缘预测分支网络；
每层预测分支网络的预测分支损失函数Lb为：
Figure BDA0003824234250000062
其中，λn为裂缝图像样本的第n个图像的训练权重，
Figure BDA0003824234250000063
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图，
Figure BDA0003824234250000064
为裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为
Figure BDA0003824234250000065
中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数，
Figure BDA0003824234250000066
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值，y′nij为裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
在一种可能的实现方式中，Unet++为5层网络，Unet++解码网络的特征金字塔输出5层特征图，每层特征图经过通道卷积处理后生成2个子解码网络，分别为主干分割网络和边缘预测分支网络，在边缘预测分支网络中还设有nn.Parameter，用于每层特征图的权重自适应；
每层预测分支网络的预测分支损失函数Lb为：
Figure BDA0003824234250000067
其中，λn为裂缝图像样本的第n个图像的训练权重，
Figure BDA0003824234250000068
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图，
Figure BDA0003824234250000069
为裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为
Figure BDA00038242342500000610
中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数，wk为每层特征图的权重，W＝{w1,w2,w3,w4,w5},
Figure BDA0003824234250000071
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值，y′nij为裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
第三方面，本发明实施例提供了一种电子设备，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如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例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，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种混凝土裂缝检测与识别方法、装置、设备及存储介质，首先，从预设样本库中获取多个裂缝图像样本，然后，对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像。接着，对第一标签图像进行边缘检测，得到含有第二标记的第二标签图像。次之，基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型。最后，基于训练好的裂缝检测与识别模型对待检测的图像进行裂缝检测与识别。本发明构建的裂缝检测与识别模型除了设有主干分割网络用于提取每个裂缝图像样本的全部特征外，还设有边缘预测分支网络用于提取带有人工标记的裂缝图像样本的边缘裂缝特征，从而使得本发明构建的检测与识别模型，不仅可以学习裂缝的全部特征，还能聚焦于裂缝的边缘特征，进而提高裂缝检测与识别模型对细微裂缝的检测与识别的精度。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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是本发明实施例提供的混凝土裂缝检测与识别方法的实现流程图；
图2是本发明实施例提供的Sobel边缘检测模板；
图3是本发明实施例提供的裂缝检测与识别模型的训练原理示意图；
图4是本发明实施例提供的混凝土裂缝检测与识别装置的结构示意图；
图5是本发明实施例提供的电子设备的示意图。
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，以便透彻理解本发明实施例。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发明。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发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
裂缝检测与识别是开展混凝土结构耐久性评估中的一项重要内容。然而，现有通过构建端到端的深度神经网络能够学习到一些区分度好的裂缝特征，但这些网络结构仍会拟合到一些非重要特征，而对目标识别有用的特征(比如裂缝边缘)未能在网络训练中得到强化应用，最终可能导致模型性能局部“坍塌”到一些不好的特征层，进而出现漏检或虚警问题。此外，受深度学习网络的多次下采样操作影响，细微裂缝的边缘特征易丢失，也会导致出现细微裂缝的漏检问题。
为了解决现有技术问题，本发明实施例提供了一种混凝土裂缝检测与识别方法、装置、设备及存储介质。下面首先对本发明实施例所提供的混凝土裂缝检测与识别方法进行介绍。
混凝土裂缝检测与识别方法的执行主体，可以是混凝土裂缝检测与识别装置，该混凝土裂缝检测与识别装置可以是具有处理器和存储器的电子设备，例如移动电子设备或者非移动电子设备。本发明实施例不作具体限定。
参见图1，其示出了本发明实施例提供的混凝土裂缝检测与识别方法的实现流程图，详述如下：
步骤S110、获取预设样本库中的多个裂缝图像样本。
在使用中，为了对预先构建的裂缝检测与识别模型进行训练，需要构建预设样本库。其中，预设样本库中包括多个含有裂缝的裂缝图像样本。裂缝图像样本中的裂缝太小不一，从而能够更好的对预先构建的裂缝检测与识别模型进行训练。其中，裂缝图像可以为混凝土的裂缝图像。
步骤S120、对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像。
其中，第一标记指示图像中的裂缝。
通过首先对每个裂缝图像样本均先进行人工标记，即可得到含有指示图像中的裂缝的第一标签图像，即可以是含有指示图像中的裂缝的黑白真值图。
步骤S130、对第一标签图像进行边缘检测，得到含有第二标记的第二标签图像。
其中，第二标记指示图像中裂缝的边缘。
由于现有基于深度学习的混凝土裂缝检测与识别模型在特征编码过程中因多次下采样操作易产生边缘特征丢失，进而导致细微裂缝漏检以及裂缝宽度感知精度不高。因此，本申请中将裂缝边缘作为目标关键特征进行强化学习。即对第一标签图像进行边缘检测，提取裂缝边缘特征，得到指示图像中裂缝的边缘的第二标签图像，作为边缘预测感知标记信息。
具体的，由于裂缝边缘主要包含两个属性，即方向和幅度。沿着裂缝边界方向的像素亮度变化平缓，而垂直于裂缝边界方向的像素亮度变化剧烈。因此，可以采用Sobel边缘检测算子检测第一标签图像的裂缝边缘真值图，得到第二标签图像。
如图2所示，Sobel算子提供了垂直(图2(b))与水平(图2(c))两个方向的检测模板。垂直方向的检测模板可检测出第一标签图像中的垂直方向边缘，而水平方向的检测模块可检测出第一标签图像中的水平方向边缘。设图2(a)为待检测的3×3第一标签图像，通过下式即可分别计算第一标签图像中每个点的垂直方向与水平方向的梯度值，再利用最后一个式子即可计算该点像素的总体梯度大小，由此可判定该像素点是否属于裂缝图像样本的边缘。
Gy＝(Z3+2Z6+Z9)-(Z1+2Z4+Z7)；
Gx＝(Z7+2Z8+Z9)-(Z1+2Z2+Z3)；
|G|＝|Gx|+Gy|。
步骤S140、基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型。
其中，裂缝检测与识别模型为基于通道卷积操作将Unet++的解码网络分为主干分割网络和边缘预测分支网络，主干分割网络用于提取每个裂缝图像样本的全部特征，边缘预测分支网络用于提取第一标签图像的边缘裂缝特征。
如图3所示，本申请中采用Unet++为主框架，利用通道卷积将原始的Unet++分割网络划分为两条支路，一条支路继续进行裂缝主干区域的分割工作；另一条支路则利用Unet++网络的解码器具备的聚合上下文功能，构建一个端到端的边缘预测分支网络。两条分支网络共同形成多任务学习体系，使整个网络在学习主干特征的同时能够聚焦于裂缝边缘信息，提高对细微裂缝病害的检测与识别精度。
其中，Unet++网络是在原Unet网络基础上提出的语义分割模型，由于Unet++网络在解码器网络中使用的跳跃连接层可以聚合不同尺度的特征，故可形成一种高度灵活的特征融合框架。基于Unet++网络的裂缝分割主干网络，利用其提取裂缝的多尺度特征，提高对裂缝病害的感知能力。
为了提高裂缝检测与识别模型对细微裂缝病害的检测效果，在裂缝主干区域像素分割的基础上，进一步利用裂缝病害特有的裂缝边缘特征，构造一个边缘特征辅助检测分支网络，并将其与主干网络统一到1个深度学习模型中。
裂缝识别网络Unet++主要包含编码器、解码器等结构。在编码器部分，网络通过卷积得到不同分辨率的特征图。在解码器部分，网络通过将自身特征与编码器的特征图跳跃连接进行融合，构建了一个具有多分辨率特征的金字塔。在Unet++网络的解码器上构建裂缝边缘预测分支网络。
由于基于深度学习的混凝土裂缝检测与识别模型在特征编码过程中因多次下采样操作易产生边缘特征丢失，进而导致细微裂缝漏检以及裂缝宽度感知精度不高。在宽度较大的裂缝训练样本图像中，表现不显著。而对于宽度较小的裂缝训练样本就需要特别注意。因此为了形成有差异性地训练学习，根据“裂缝图像样本的裂缝宽度不同”去确立不同的训练样本图像的权重参数，由此促使裂缝检测与识别模型在训练过程中更有效的学习。
但是考虑裂缝发生具有较大的随机性，很难直接统计裂缝宽度参数。基于此，本申请采用间接的裂缝宽度评估算子，并由此设计了一种动态的正则化参数训练权重计算方法。
基于第一标签图像中裂缝的裂缝面积、以及第二标签图像中裂缝的边缘面积，确定与第一标签图像相对应的裂缝图像样本的训练权重。
具体的，设某裂缝图像样本的人工标记的第一标签图像的真值图为Y，利用Sobel边缘检测算子可以得到该裂缝图像样本的裂缝边缘的第二标签图像的边缘真值图为Y′；依次统计第一标签图像真值图Y中的裂缝面积Q，以及第二标签图像真值图Y′中的裂缝边缘面积P；可根据下式计算该裂缝图像样本的训练权重：
λ＝0.1×P/Q；
一般而言，裂缝边缘面积小于裂缝面积；若裂缝越细微，则值越接近于0.1，反之值越接近于0；如此可以间接地衡量裂缝宽度的指标，促进整个网络模型形成对不同宽度裂缝样本的差异性学习，由此可以更为准确地建立裂缝检测与识别模型。
为了对预先构建的裂缝检测与识别模型进行约束，需要分别构建主干分割网络的主干损失函数和每层边缘预测分支网络的预测分支损失函数。
首先，基于第一标签图像的真值图与第三图像的分割结果，构建主干分割网络的主干损失函数。
其中，第三图像为与第一标签图像相对应的裂缝图像样本经过主干分割网络后得到的图像。
具体的，基于第一标签图像的真值图的像素数量与第三图像的分割结果的像素数量的Dice相关系数，构建主干分割网络的主干损失函数。
其中，主干损失函数LDice为：
Figure BDA0003824234250000121
X*为第三图像的分割结果，Y为第一标签图像的真值图，|X*|和|Y|分别为第一标签图像的真值图的像素数量与第三图像的分割结果的像素数量，|X*∩Y|为第一标签图像的真值图与第三图像的分割结果相交的像素数量，ε为一个微小值，是为了防止Dice相关系数计算中分母出现0而设立的。
根据第二标签图像的真值图与第四图像的交叉熵、以及裂缝图像样本的训练权重构建每层预测分支网络的预测分支损失函数；其中，第四图像为与第一标签图像相对应的裂缝图像样本经过每层预测分支网络后得到的特征图
具体的，Unet++为5层网络，Unet++解码网络的特征金字塔输出5层特征图，每层特征图经过通道卷积处理后生成2个子解码网络，分别为主干分割网络和边缘预测分支网络。为了方便与原始分辨率的图像标记进行损失函数计算，将所有子解码网络对应的特征图上采样至原始图像分辨率。
每层预测分支网络的预测分支损失函数Lb为：
Figure BDA0003824234250000122
其中，λn为裂缝图像样本的第n个图像的训练权重，
Figure BDA0003824234250000123
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图，
Figure BDA0003824234250000131
为裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为
Figure BDA0003824234250000132
中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数，
Figure BDA0003824234250000133
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值，y′nij为裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
为了考虑每层解码网络特征图反馈的信息有所差异，引入特征图权重参数W＝{w1,w2,w3,w4,w5}，且在边缘预测分支网络中还设有nn.Parameter，用于每层特征图的权重自适应；
每层预测分支网络的预测分支损失函数Lb为：
Figure BDA0003824234250000134
其中，λn为裂缝图像样本的第n个图像的训练权重，
Figure BDA0003824234250000135
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图，
Figure BDA0003824234250000136
为裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为
Figure BDA0003824234250000137
中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数，wk为每层特征图的权重，
Figure BDA0003824234250000138
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值，y′nij为裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
裂缝检测与识别模型的损失函数L为：
L＝LDice+Lb；
整个裂缝检测与识别模型在训练过程中，损失函数L将越来越小，直至模型收敛，即得到训练好的裂缝检测与识别模型。
将主干分割网络与边缘预测分支网络的损失函数联合训练，联合训练框架以计算得到的每个训练样本的正则化训练权重参数来约束边缘预测分支网络的损失函数，由此形成对不同宽度的裂缝图像样本的差异性感知学习，由此提高算法对裂缝病害的综合感知精度。
步骤S150、基于训练好的裂缝检测与识别模型对待检测的图像进行裂缝检测与识别。
当裂缝检测与识别模型训练好后，即可使用训练好的裂缝检测与识别模型对待检测的图像进行裂缝检测与识别。
当把待检测的图像输入至训练好的裂缝检测与识别模型中后，会输出待检测的图像经过主干分割网络后得到的带有标记的裂缝真值图像，以及经过边缘预测分支网络后得到的带有标记的裂缝边缘图像。此时，可以根据场景的需求，同时使用这两种输出的图像，或者只使用经过主干分割网络后得到的带有标记的裂缝真值图像对裂缝进行检测及识别。
当然，可以根据场景的需求，通过将经过主干分割网络后得到的带有标记的裂缝真值图像和经过边缘预测分支网络后得到的带有标记的裂缝边缘图像进行处理吗，得到融合的结果，便于用户对裂缝进行检测。
通过选取一定数量的混凝土表面细微裂缝图像对训练好的裂缝检测与识别模型进行测试，表明本申请在引入边缘预测分支网络后，取得了比原始Unet及Unet++网络更好的裂缝检测与识别效果。
本发明提供的混凝土裂缝检测与识别方法、装置、设备及存储介质，首先，从预设样本库中获取多个裂缝图像样本，然后，对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像。接着，对第一标签图像进行边缘检测，得到含有第二标记的第二标签图像。次之，基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型。最后，基于训练好的裂缝检测与识别模型对待检测的图像进行裂缝检测与识别。本发明构建的裂缝检测与识别模型除了设有主干分割网络用于提取每个裂缝图像样本的全部特征外，还设有边缘预测分支网络用于提取带有人工标记的裂缝图像样本的边缘裂缝特征，从而使得本发明构建的检测与识别模型，不仅可以学习裂缝的全部特征，还能聚焦于裂缝的边缘特征，进而提高裂缝检测与识别模型对细微裂缝的检测与识别的精度。
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，而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的混凝土裂缝检测与识别方法，相应地，本发明还提供了应用于该混凝土裂缝检测与识别方法的混凝土裂缝检测与识别装置的具体实现方式。请参见以下实施例。
如图4所示，提供了一种混凝土裂缝检测与识别装置400，该装置包括：
获取模块410，用于获取预设样本库中的多个裂缝图像样本；
标记模块420，用于对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像，其中，第一标记指示图像中的裂缝；
边缘检测模块430，用于对第一标签图像进行边缘检测，得到含有第二标记的第二标签图像，其中，第二标记指示图像中裂缝的边缘；
模型训练模块440，用于基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型；其中，裂缝检测与识别模型为基于通道卷积操作将Unet++的解码网络分为主干分割网络和边缘预测分支网络，主干分割网络用于提取每个裂缝图像样本的全部特征，边缘预测分支网络用于提取第一标签图像的边缘裂缝特征；
检测识别模块450，用于基于训练好的裂缝检测与识别模型对待检测的图像进行裂缝检测与识别。
在一种可能的实现方式中，模型训练模块440，用于基于第一标签图像中裂缝的裂缝面积、以及第二标签图像中裂缝的边缘面积，确定与第一标签图像相对应的裂缝图像样本的训练权重；
基于每个裂缝图像样本及其第一标签图像、第二标签图像，以及每个裂缝图像样本的训练权重对预先构建的裂缝检测与识别模型进行训练。
在一种可能的实现方式中，与第一标签图像相对应的裂缝图像样本的训练权重λ为：
λ＝0.1×P/Q；
其中，P为第二标签图像中裂缝的边缘面积，Q为第一标签图像中裂缝的裂缝面积。
在一种可能的实现方式中，模型训练模块440，用于基于第一标签图像的真值图与第三图像的分割结果，构建主干分割网络的主干损失函数；其中，第三图像为与第一标签图像相对应的裂缝图像样本经过主干分割网络后得到的图像；
基于第二标签图像的真值图与第四图像的交叉熵、以及裂缝图像样本的训练权重构建每层预测分支网络的预测分支损失函数；其中，第四图像为与第一标签图像相对应的裂缝图像样本经过每层预测分支网络后得到的特征图；
基于主干损失函数、预测分支损失函数、裂缝图像样本、第一标签图像、第二标签图像对预先构建的裂缝检测与识别模型进行训练。
在一种可能的实现方式中，模型训练模块440，用于基于第一标签图像的真值图的像素数量与第三图像的分割结果的像素数量的Dice相关系数，构建主干分割网络的主干损失函数；
其中，主干损失函数LDice为：
Figure BDA0003824234250000161
X*为第三图像的分割结果，Y为第一标签图像的真值图，|X*|和|Y|分别为第一标签图像的真值图的像素数量与第三图像的分割结果的像素数量，|X*∩Y|为第一标签图像的真值图与第三图像的分割结果相交的像素数量。
在一种可能的实现方式中，Unet++为5层网络，Unet++解码网络的特征金字塔输出5层特征图，每层特征图经过通道卷积处理后生成2个子解码网络，分别为主干分割网络和边缘预测分支网络；
每层预测分支网络的预测分支损失函数Lb为：
Figure BDA0003824234250000162
其中，λn为裂缝图像样本的第n个图像的训练权重，
Figure BDA0003824234250000171
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图，
Figure BDA0003824234250000172
为裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为
Figure BDA0003824234250000173
中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数，
Figure BDA0003824234250000174
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值，y′nij为裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
在一种可能的实现方式中，Unet++为5层网络，Unet++解码网络的特征金字塔输出5层特征图，每层特征图经过通道卷积处理后生成2个子解码网络，分别为主干分割网络和边缘预测分支网络，在边缘预测分支网络中还设有nn.Parameter，用于每层特征图的权重自适应；
每层预测分支网络的预测分支损失函数Lb为：
Figure BDA0003824234250000175
其中，λn为裂缝图像样本的第n个图像的训练权重，
Figure BDA0003824234250000176
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图，
Figure BDA0003824234250000177
为裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为
Figure BDA0003824234250000178
中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数，wk为每层特征图的权重，W＝{w1,w2,w3,w4,w5},
Figure BDA0003824234250000179
为裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值，y′nij为裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
图5是本发明实施例提供的电子设备的示意图。如图5所示，该实施例的电子设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个混凝土裂缝检测与识别方法实施例中的步骤，例如图1所示的步骤110至步骤150。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的功能，例如图4所示模块410至450的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块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52在所述电子设备5中的执行过程。例如，所述计算机程序52可以被分割成图4所示的模块410至450。
所述电子设备5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5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，例如所述电子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50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51可以是所述电子设备5的内部存储单元，例如电子设备5的硬盘或内存。所述存储器51也可以是所述电子设备5的外部存储设备，例如所述电子设备5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51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
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。
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发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子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，在本发明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，本发明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，可实现上述各个混凝土裂缝检测与识别方法实施例的步骤。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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种混凝土裂缝检测与识别方法，其特征在于，包括：
获取预设样本库中的多个裂缝图像样本；
对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像，其中，所述第一标记指示图像中的裂缝；
对所述第一标签图像进行边缘检测，得到含有第二标记的第二标签图像，其中，所述第二标记指示图像中裂缝的边缘；
基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型；其中，所述裂缝检测与识别模型为基于通道卷积操作将Unet++的解码网络分为主干分割网络和边缘预测分支网络，所述主干分割网络用于提取所述每个裂缝图像样本的全部特征，所述边缘预测分支网络用于提取所述第一标签图像的边缘裂缝特征；
基于训练好的所述裂缝检测与识别模型对待检测的图像进行裂缝检测与识别。
2.如权利要求1所述的检测与识别方法，其特征在于，所述基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型，还包括：
基于所述第一标签图像中裂缝的裂缝面积、以及第二标签图像中裂缝的边缘面积，确定与所述第一标签图像相对应的裂缝图像样本的训练权重；
基于所述每个裂缝图像样本及其第一标签图像、第二标签图像，以及每个所述裂缝图像样本的训练权重对预先构建的裂缝检测与识别模型进行训练。
3.如权利要求2所述的检测与识别方法，其特征在于，所述与所述第一标签图像相对应的裂缝图像样本的训练权重λ为：
λ＝0.1×P/Q；
其中，P为第二标签图像中裂缝的边缘面积，Q为第一标签图像中裂缝的裂缝面积。
4.如权利要求2所述的检测与识别方法，其特征在于，所述基于所述每个裂缝图像样本及其第一标签图像、第二标签图像，以及每个所述裂缝图像样本的训练权重对预先构建的裂缝检测与识别模型进行训练，还包括：
基于所述第一标签图像的真值图与第三图像的分割结果，构建所述主干分割网络的主干损失函数；其中，所述第三图像为与所述第一标签图像相对应的裂缝图像样本经过所述主干分割网络后得到的图像；
基于所述第二标签图像的真值图与第四图像的交叉熵、以及所述裂缝图像样本的训练权重构建每层所述边缘预测分支网络的预测分支损失函数；其中，所述第四图像为与所述第一标签图像相对应的裂缝图像样本经过每层所述预测分支网络后得到的特征图；
基于所述主干损失函数、所述预测分支损失函数、所述裂缝图像样本、所述第一标签图像、所述第二标签图像对预先构建的裂缝检测与识别模型进行训练。
5.如权利要求4所述的检测与识别方法，其特征在于，所述基于所述第一标签图像的真值图与第三图像的分割结果，构建所述主干分割网络的主干损失函数，包括：
基于所述第一标签图像的真值图的像素数量与所述第三图像的分割结果的像素数量的Dice相关系数，构建所述主干分割网络的主干损失函数；
其中，所述主干损失函数LDice为：
Figure FDA0003824234240000021
X*为所述第三图像的分割结果，Y为所述第一标签图像的真值图，|X*|和|Y|分别为所述第一标签图像的真值图的像素数量与所述第三图像的分割结果的像素数量，|X*∩Y|为所述第一标签图像的真值图与所述第三图像的分割结果相交的像素数量。
6.如权利要求4所述的检测与识别方法，其特征在于，所述Unet++为5层网络，所述Unet++解码网络的特征金字塔输出5层特征图，每层特征图经过通道卷积处理后生成2个子解码网络，分别为所述主干分割网络和边缘预测分支网络；
每层所述边缘预测分支网络的预测分支损失函数Lb为：
Figure FDA0003824234240000031
其中，λn为所述裂缝图像样本的第n个图像的训练权重，
Figure FDA0003824234240000032
为所述裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图，
Figure FDA0003824234240000033
为所述裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为
Figure FDA0003824234240000034
中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数，
Figure FDA0003824234240000035
为所述裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值，
Figure FDA0003824234240000036
为所述裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
7.如权利要求4所述的检测与识别方法，其特征在于，所述Unet++为5层网络，所述Unet++解码网络的特征金字塔输出5层特征图，每层特征图经过通道卷积处理后生成2个子解码网络，分别为所述主干分割网络和边缘预测分支网络，在所述边缘预测分支网络中还设有nn.Parameter，用于每层特征图的权重自适应；
每层所述边缘预测分支网络的预测分支损失函数Lb为：
Figure FDA0003824234240000037
其中，λn为所述裂缝图像样本的第n个图像的训练权重，
Figure FDA0003824234240000038
为所述裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图，
Figure FDA0003824234240000039
为所述裂缝图像样本的第n个图像对应的第二标签图像矩阵，i、j分别为
Figure FDA00038242342400000310
中的行和列，0≤i≤M，0≤j≤N，1≤k≤5，n为正整数，wk为每层特征图的权重，W＝{w1,w2,w3,w4,w5},
Figure FDA00038242342400000311
为所述裂缝图像样本中的第n个图像经过第k层预测分支网络得到的第k层特征图的每个位置的像素预测值，
Figure FDA0003824234240000041
为所述裂缝图像样本中的第n个图像的第二标签图像矩阵的每个位置的真值图。
8.一种混凝土裂缝检测与识别装置，其特征在于，包括：
获取模块，用于获取预设样本库中的多个裂缝图像样本；
标记模块，用于对每个裂缝图像样本分别进行人工标记，得到含有第一标记的第一标签图像，其中，所述第一标记指示图像中的裂缝；
边缘检测模块，用于对所述第一标签图像进行边缘检测，得到含有第二标记的第二标签图像，其中，所述第二标记指示图像中裂缝的边缘；
模型训练模块，用于基于每个裂缝图像样本及其第一标签图像、第二标签图像，对预先构建的裂缝检测与识别模型进行训练，得到训练好的裂缝检测与识别模型；其中，所述裂缝检测与识别模型为基于通道卷积操作将Unet++的解码网络分为主干分割网络和边缘预测分支网络，所述主干分割网络用于提取所述每个裂缝图像样本的全部特征，所述边缘预测分支网络用于提取所述第一标签图像的边缘裂缝特征；
检测识别模块，用于基于训练好的所述裂缝检测与识别模型对待检测的图像进行裂缝检测与识别。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至7任一项所述的方法。
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7任一项所述方法的步骤。
CN202211053725.8A 2022-08-31 2022-08-31 混凝土裂缝检测与识别方法、装置、设备及存储介质 Pending CN115456972A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211053725.8A CN115456972A (zh) 2022-08-31 2022-08-31 混凝土裂缝检测与识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211053725.8A CN115456972A (zh) 2022-08-31 2022-08-31 混凝土裂缝检测与识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115456972A true CN115456972A (zh) 2022-12-09

Family

ID=84301319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211053725.8A Pending CN115456972A (zh) 2022-08-31 2022-08-31 混凝土裂缝检测与识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115456972A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993739A (zh) * 2023-09-27 2023-11-03 中国计量大学 一种基于深度学习的混凝土裂缝深度预测模型、方法及应用

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993739A (zh) * 2023-09-27 2023-11-03 中国计量大学 一种基于深度学习的混凝土裂缝深度预测模型、方法及应用
CN116993739B (zh) * 2023-09-27 2023-12-12 中国计量大学 一种基于深度学习的混凝土裂缝深度预测模型、方法及应用

Similar Documents

Publication Publication Date Title
Lei et al. New crack detection method for bridge inspection using UAV incorporating image processing
Jiang et al. A deep learning approach for fast detection and classification of concrete damage
CN108615226B (zh) 一种基于生成式对抗网络的图像去雾方法
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
CN107967695B (zh) 一种基于深度光流和形态学方法的运动目标检测方法
CN106778705B (zh) 一种行人个体分割方法及装置
CN109961446B (zh) Ct/mr三维图像分割处理方法、装置、设备及介质
CN104200478B (zh) 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法
CN114049356B (zh) 一种结构表观裂缝检测方法、装置及系统
CN109977834B (zh) 从深度图像中分割人手与交互物体的方法和装置
CN112001362A (zh) 一种图像分析方法、图像分析装置及图像分析系统
CN110991374B (zh) 一种基于rcnn的指纹奇异点检测方法
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN114037693A (zh) 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法
CN117147561A (zh) 用于金属拉链的表面质量检测方法及系统
Xu et al. Concrete crack segmentation based on convolution–deconvolution feature fusion with holistically nested networks
CN115456972A (zh) 混凝土裂缝检测与识别方法、装置、设备及存储介质
CN116434230A (zh) 一种复杂环境下的船舶水尺读数方法
CN113537026B (zh) 建筑平面图中的图元检测方法、装置、设备及介质
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN114005120A (zh) 一种车牌字符切割方法、车牌识别方法、装置、设备及存储介质
CN113780492A (zh) 一种二维码二值化方法、装置、设备及可读存储介质
CN116542963A (zh) 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法
CN116563243A (zh) 输电线路的异物检测方法、装置、计算机设备和存储介质
Sun et al. Contextual models for automatic building extraction in high resolution remote sensing image using object-based boosting method

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
TA01 Transfer of patent application right

Effective date of registration: 20240618

Address after: 050000 17 North East Ring Road, Shijiazhuang, Hebei

Applicant after: SHIJIAZHUANG TIEDAO University

Country or region after: China

Applicant after: China National Railway Group Co.,Ltd.

Applicant after: CHINA RAILWAY DESIGN Corp.

Applicant after: CHINA RAILWAY 12TH BUREAU GROUP Co.,Ltd.

Address before: 050043 No. 17, North Second Ring Road, Hebei, Shijiazhuang

Applicant before: SHIJIAZHUANG TIEDAO University

Country or region before: China

Applicant before: CHINA RAILWAY DESIGN Corp.

Applicant before: CHINA RAILWAY 12TH BUREAU GROUP Co.,Ltd.