CN115775222A - 混凝土图像处理方法、装置、电子设备及存储介质 - Google Patents
混凝土图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115775222A CN115775222A CN202210831475.XA CN202210831475A CN115775222A CN 115775222 A CN115775222 A CN 115775222A CN 202210831475 A CN202210831475 A CN 202210831475A CN 115775222 A CN115775222 A CN 115775222A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- concrete
- detection
- detected
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 352
- 238000012549 training Methods 0.000 claims abstract description 189
- 238000012545 processing Methods 0.000 claims abstract description 108
- 238000000034 method Methods 0.000 claims abstract description 82
- 238000002372 labelling Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 8
- 230000009193 crawling Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 2
- 238000003763 carbonization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本申请提供一种混凝土图像处理方法、装置、电子设备及存储介质，涉及深度学习技术领域。该方法包括：获取待检测的混凝土图像，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果；若第一检测结果指示未检测到裂缝，则对待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像；采用检测模型对处理后的混凝土图像进行第二图像检测，得到处理后的混凝土图像对应的目标检测结果，目标检测结果指示是否检测到裂缝以及检测到的裂缝的信息。采用两次图像检测的方式，可对仅进行一次图像检测导致的漏检进行补充检测，提高检测结果准确性。将图像增强处理置于第一图像检测之后，在提高裂缝检测精确度的同时，也可降低处理器的处理负担。
Description
技术领域
本申请涉及深度学习技术领域，具体而言，涉及一种混凝土图像处理方法、装置、电子设备及存储介质。
背景技术
混凝土裂缝是混凝土结构中普遍存在的一种现象，混凝土发生裂缝不仅会降低建筑物的抗渗能力，影响建筑物的使用功能，还会引起钢筋锈蚀、混凝土碳化，影响混凝土强度，降低混凝土耐久性，因此，对混凝土裂缝进行检测是非常有必要的。
目前在进行混凝土裂缝检测时，通常会将待检测到图像先通过图像增强处理以增强图像中的裂缝特征，在对增强处理后图像采用深度学习算法进行裂缝识别。
但是，由于图像增强处理采用的处理算法大多属于物理模型，无法利用GPU进行计算，而CPU的计算速度较低，从而对图像先进行增强处理会造成大量的数据冗余，导致图像处理的效率较低。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种混凝土图像处理方法、装置、电子设备及存储介质，以便于解决现有技术中存在的图像处理效率较低的问题。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种混凝土图像处理方法，应用于电子设备，包括：
获取待检测的混凝土图像，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果，所述第一检测结果指示是否检测到裂缝、以及检测到的裂缝的信息，所述裂缝的信息包括：裂缝类型、裂缝位置信息以及裂缝数量；
若所述第一检测结果指示未检测到裂缝，则对所述待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像；
采用所述检测模型对所述处理后的混凝土图像进行第二图像检测，得到所述处理后的混凝土图像对应的目标检测结果，所述目标检测结果指示是否检测到裂缝以及检测到的裂缝的信息。
可选地，所述采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果之后，还包括：
若所述第一检测结果指示检测到裂缝，则将所述第一检测结果中检测到的裂缝的信息作为所述待检测的混凝土图像对应的目标检测结果。
可选地，所述对所述待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像，包括：
获取所述待检测的混凝土图像的图像像素数据；
对所述图像像素数据进行高斯滤波处理，得到环境光照射分量；
根据所述环境光照射分量、以及所述图像像素数据，进行对数运算，得到图像增强数据；
将所述图像增强数据量化为预设范围内的像素值，得到处理后的混凝土图像。
可选地，所述采用所述检测模型对所述处理后的混凝土图像进行第二图像检测，得到所述处理后的混凝土图像对应的目标检测结果，包括：
对输入的所述处理后的混凝土图像进行特征提取，得到所述处理后的混凝土图像包含的至少一个裂缝图像，并确定各所述裂缝图像的裂缝类型；
根据各所述裂缝图像的边框在所述处理后的混凝土图像中的位置坐标，得到所述处理后的混凝土图像中各裂缝的位置信息；
根据所述裂缝图像的数量，确定所述处理后的混凝土图像中的裂缝数量。
可选地，所述检测模型采用如下方法训练得到：
采集样本训练集，所述样本训练集中包括：多个样本混凝土图像，各样本混凝土图像包含有标注信息，所述标注信息包括：裂缝类型、裂缝位置信息、以及裂缝数量；且包含裂缝的样本混凝土图像的裂缝宽度满足预设宽度；
对所述样本训练集中的各样本混凝土图像进行预处理，得到目标样本训练集；
采用所述目标样本训练集，训练获取所述检测模型。
可选地，所述采集样本训练集，包括：
从图像数据库中获取第一样本训练集；
通过网络进行数据爬取，获取第二样本训练集；
采集拍摄的第三样本训练集；
将所述第一样本训练集、第二样本训练集以及第三样本训练集组合得到所述样本训练集。
可选地，所述对所述样本训练集中的各样本混凝土图像进行预处理，得到目标样本训练集，包括：
对所述样本训练集中各样本混凝土图像进行图像缩放，将各样本混凝土图像缩放至目标尺寸，得到初始处理后的样本训练集；
从初始处理后的样本训练集中选取预设数量的样本混凝土图像进行数据增强处理，以拼接得到新的样本混凝土图像；
将新的样本混凝土图像添加至所述初始处理后的样本训练集中，得到所述目标样本训练集。
可选地，所述从初始处理后的样本训练集中选取预设数量的样本混凝土图像进行数据增强处理，以拼接得到新的样本混凝土图像，包括：
对所选取的预设数量的样本混凝土图像依次进行随机缩放、随机裁剪以及随机排布，得到所述新的样本混凝土图像。
可选地，所述采用所述目标样本训练集，训练获取所述检测模型，包括：
将所述目标样本训练集输入初始检测模型，得到所述初始检测模型输出的各样本混凝土图像对应的预测的裂缝类型、预测的裂缝位置信息、以及预测的裂缝数量；
根据各样本混凝土图像标注的裂缝类型、裂缝位置信息、以及裂缝数量、以及所述各样本混凝土图像对应的预测的裂缝类型、预测的裂缝位置信息、以及预测的裂缝数量，计算所述初始检测模型的损失信息；
根据所述损失信息修正所述初始检测模型的模型参数，迭代执行，直至所述初始检测模型的损失信息满足预设条件，将满足预设条件的初始检测模型作为所述检测模型。
可选地，所述电子设备上运行有并行且相互独立的第一线程和第二线程，所述第一线程用于实现所述第一图像检测以及所述第二图像检测，所述第二线程用于实现所述图像增强处理。
第二方面，本申请实施例还提供了一种混凝土图像处理装置，应用于电子设备，包括：第一处理模块、图像增强模块、第二处理模块；
所述第一处理模块，用于获取待检测的混凝土图像，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果，所述第一检测结果指示是否检测到裂缝、以及检测到的裂缝的信息，所述裂缝的信息包括：裂缝类型、裂缝位置信息以及裂缝数量；
所述图像增强模块，用于若所述第一检测结果指示未检测到裂缝，则对所述待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像；
所述第二处理模块，用于采用所述检测模型对所述处理后的混凝土图像进行第二图像检测，得到所述处理后的混凝土图像对应的目标检测结果，所述目标检测结果指示是否检测到裂缝以及检测到的裂缝的信息。
可选地，还包括：确定模块；
所述确定模块，用于若所述第一检测结果指示检测到裂缝，则将所述第一检测结果中检测到的裂缝的信息作为所述待检测的混凝土图像对应的目标检测结果。
可选地，所述图像增强模块，具体用于获取所述待检测的混凝土图像的图像像素数据；
对所述图像像素数据进行高斯滤波处理，得到环境光照射分量；
根据所述环境光照射分量、以及所述图像像素数据，进行对数运算，得到图像增强数据；
将所述图像增强数据量化为预设范围内的像素值，得到处理后的混凝土图像。
可选地，所述第二处理模块，具体用于对输入的所述处理后的混凝土图像进行特征提取，得到所述处理后的混凝土图像包含的至少一个裂缝图像，并确定各所述裂缝图像的裂缝类型；
根据各所述裂缝图像的边框在所述处理后的混凝土图像中的位置坐标，得到所述处理后的混凝土图像中各裂缝的位置信息；
根据所述裂缝图像的数量，确定所述处理后的混凝土图像中的裂缝数量。
可选地，还包括：模型训练模块；
所述模型训练模块，用于采集样本训练集，所述样本训练集中包括：多个样本混凝土图像，各样本混凝土图像包含有标注信息，所述标注信息包括：裂缝类型、裂缝位置信息、以及裂缝数量；且包含裂缝的样本混凝土图像的裂缝宽度满足预设宽度；
对所述样本训练集中的各样本混凝土图像进行预处理，得到目标样本训练集；
采用所述目标样本训练集，训练获取所述检测模型。
可选地，所述模型训练模块，具体用于
从图像数据库中获取第一样本训练集；
通过网络进行数据爬取，获取第二样本训练集；
采集拍摄的第三样本训练集；
将所述第一样本训练集、第二样本训练集以及第三样本训练集组合得到所述样本训练集。
可选地，所述模型训练模块，具体用于
对所述样本训练集中各样本混凝土图像进行图像缩放，将各样本混凝土图像缩放至目标尺寸，得到初始处理后的样本训练集；
从初始处理后的样本训练集中选取预设数量的样本混凝土图像进行数据增强处理，以拼接得到新的样本混凝土图像；
将新的样本混凝土图像添加至所述初始处理后的样本训练集中，得到所述目标样本训练集。
可选地，所述模型训练模块，具体用于
对所选取的预设数量的样本混凝土图像依次进行随机缩放、随机裁剪以及随机排布，得到所述新的样本混凝土图像。
可选地，所述模型训练模块，具体用于
将所述目标样本训练集输入初始检测模型，得到所述初始检测模型输出的各样本混凝土图像对应的预测的裂缝类型、预测的裂缝位置信息、以及预测的裂缝数量；
根据各样本混凝土图像标注的裂缝类型、裂缝位置信息、以及裂缝数量、以及所述各样本混凝土图像对应的预测的裂缝类型、预测的裂缝位置信息、以及预测的裂缝数量，计算所述初始检测模型的损失信息；
根据所述损失信息修正所述初始检测模型的模型参数，迭代执行，直至所述初始检测模型的损失信息满足预设条件，将满足预设条件的初始检测模型作为所述检测模型。
可选地，所述电子设备上运行有并行且相互独立的第一线程和第二线程，所述第一线程用于实现所述第一图像检测以及所述第二图像检测，所述第二线程用于实现所述图像增强处理。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行时执行如第一方面中提供的方法的步骤。
第四方面，本申请实施例提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面提供的方法的步骤。
本申请的有益效果是：
本申请提供一种混凝土图像处理方法、装置、电子设备及存储介质，该方法包括：获取待检测的混凝土图像，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果，第一检测结果指示是否检测到裂缝、以及检测到的裂缝的信息，裂缝的信息包括：裂缝类型、裂缝位置信息以及裂缝数量；若第一检测结果指示未检测到裂缝，则对待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像；采用检测模型对处理后的混凝土图像进行第二图像检测，得到处理后的混凝土图像对应的目标检测结果，目标检测结果指示是否检测到裂缝以及检测到的裂缝的信息。本方法先采用检测模型对待检测的混凝土图像进行第一图像检测，再第一图像检测的检测结果指示未检测到裂缝信息时，则对待检测的图像进行图像增强处理，以增强图像信息，并对处理后的混凝土图像采用检测模型进行第二图像检测，以得到最终的目标检测结果。通过采用两次图像检测的方式，可以对仅进行一次图像检测所导致的裂缝信息的漏检进行补充检测，提高检测结果的准确性。通过引入图像增强处理，可以对待检测的混凝土图像中的裂缝信息进行增强，从而在进行第二次图像检测时，可提高图像检测的效率和结果的精确性。并且，将图像增强处理置于第一图像检测之后执行，可以仅在第一图像检测未检测到裂缝信息时才进行图像增强处理，图像增强处理并不作为必须执行的步骤，在提高裂缝检测精确度的同时，也可以降低处理器的处理负担。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种混凝土图像处理方法的流程示意图；
图2为本申请实施例提供的另一种混凝土图像处理方法的流程示意图；
图3为本申请实施例提供的又一种混凝土图像处理方法的流程示意图；
图4为本申请实施例提供的另一种混凝土图像处理方法的流程示意图；
图5为本申请实施例提供的又一种混凝土图像处理方法的流程示意图；
图6为本申请实施例提供的又一种混凝土图像处理方法的流程示意图；
图7为本申请实施例提供的又一种混凝土图像处理方法的流程示意图；
图8为本申请实施例提供的一种混凝土图像处理方法的完整流程示意图；
图9为本申请实施例提供的一种图像处理结果示意图；
图10为本申请实施例提供的一种混凝土图像处理装置的示意图；
图11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，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域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。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“混凝土裂缝检测”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕混凝土裂缝检测进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他场景。例如，本申请可以应用于其他任何的图像检测中，以检测图像中的目标特征等。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
首先，对本申请的相关背景信息进行简单说明：
混凝土裂缝是混凝土结构中普遍存在的一种现象，它的出现不仅会降低建筑物的抗渗能力，影响建筑物的使用功能，还会引起钢筋锈蚀、混凝土碳化，影响混凝土强度，降低混凝土耐久性，因此，对混凝土裂缝进行检测是非常有必要的。
混凝土的裂缝检测是确保施工质量的重要保障基础。例如，在水电站建设、混凝土实验、道路施工建设等等一些应用场景中，采用最多的材料主要就是混凝土，它不仅工艺简单，还具有耐久性和抗压性，在施工项目中占据重要地位。混凝土的使用使得施工建设工程项目质量得到了极大的提升，但在使用的过程中，其性能会受到周边的环境、施工工艺不科学及人为使用不当的影响，逐渐出现不同程度的损坏。其中，裂缝是混凝土病害中比较常见且危害较大的一种，裂缝的产生和发展不仅会影响到混凝土结构的安全性及工程的质量，而且还会与其他病害如地基沉降、渗水等相互促进，恶性循环发展，加快混凝土结构的破坏进程，影响其正常使用。因此，有必要定期检查裂缝以确保基础设施的安全。
而裂缝属于一种特殊的图像特征，它以细的、不规则的黑线形式出现或隐藏在道路纹理噪声中，裂缝图像也含有复杂的背景噪声，比如不均匀光照、污点、路面本身的纹理等，在裂缝检测过程中很容易受各种噪声背景影响，导致检测结果不准确。
目前，常用的混凝土裂缝检测方法主要可以分为三种：人工探视法、破损检测法和无损检测法。
人工探视法主要是检测人员在工程现场依靠观察法来发现结构表面的裂缝，而后借助显微镜或裂缝宽度测试仪测量裂缝宽度，如塞尺法、裂缝宽度检测仪法等，这些方法具有简单直观、操作简单的优点，但同时也费时费力，粗略测量、精度低，人工读数存在误差。
破损检测法又称为钻芯法，钻芯法主要利用专用钻机及人造金刚石空心薄壁钻头，对待检测水工混凝土进行钻芯取样，通过观测芯样损伤情况进而推测待测混凝土内部损伤情况，可直观观察混凝土内部损伤情况，但受取样位置影响较大，有一定的局限性，对构件具有较大的破坏性，检测成本高；即使取出芯样后，又因测量仪器精度有限，不能发现微裂纹。因钻芯取样，既费力又对构件具有破坏性，而无损检测可以避免这两种情况发生。
无损检测主要有超声波法、雷达法、红外热像法。(1)超声波法。超声波检测技术主要依靠超声波检测仪，当超声波遇到水工混凝土裂缝等损伤界面时，由于声阻抗的不同，会发生反射现象。该方法仪器轻便、智能化程度较高，但检测结果易受外界环境的影响。且为降低超声波在混凝土中传播的衰减，研究人员普遍使用低频超声波，而低频超声波灵敏度较低，在微裂纹尖端附近容易发生透射，因次低频超声波有局限性，也不能用于检测微裂纹。(2)雷达法。雷达法主要依靠雷达发射高频脉冲电磁波，当电磁波遇到水工混凝土损伤界面时会影响雷达反射波，从而根据反射波的变化情况判定混凝土损伤情况。该方法应用范围广、精度高，但检测成本较高，对检测人员也要求较高。(3)红外热像法主要利用被测混凝土热辐射的红外线特定信号波段，绘制其表面温度场分布状况热像图，从而分析被测混凝土内部和外部是否存在裂缝等不连续损伤面。该方法操作简便，能用于大面积水工混凝土损伤检测，但受环境温度影响较大，不易控制，对微裂纹的检测敏感度不高。
当然，随着深度学习技术的不断发展，也出现了一些利用深度学习检测算法直接对混凝土裂缝进行的检测或先采用图像增强算法对图像数据进行预处理后再用深度学习检测算法对混凝土裂缝进行检测，这些都是可行的。但是，直接用深度学习检测算法对混凝土裂缝进行检测虽然可以达到一个快捷、方便的效果，但有时候会因图像数据模糊或裂缝较小导致漏检，从而影响到混凝土的修补，而加入一个图像增强算法对图像进行预处理后再用深度学习检测算法对混凝土裂缝进行检测的方式虽然会使图像的整体质量有一个质的上升，但目前的图像增强算法大多是属于物理模型，无法利用GPU进行计算，而CPU的计算速度较低，若对所有图像数据都进行增强处理会造成大量的冗余，毕竟存在裂缝的图像数据只是少部分，这样将导致裂缝检测的时间成本较高，从而降低检测效率。
基于此，本申请提出了一种混凝土图像处理方法，采用检测模型结合图像增强处理，进行二次检测。首先采用检测模型进行第一图像检测，若检测到裂缝信息，则将第一图像检测结果作为目标检测结果，若未检测到裂缝信息，则再对待检测图像进行图像增强处理，以增强待检测图像中的图像信息，并对增强处理后的待检测图像采用检测模型进行第二图像检测，将得到的检测结果作为最终检测结果，若第二图像检测的结果仍未检测到裂缝信息，则可认为待检测图像中的裂缝较小，在安全范围内，可以忽略。
图1为本申请实施例提供的一种混凝土图像处理方法的流程示意图；本申请的方法可应用于电子设备中，电子设备可以是计算机设备。如图1所示，该方法可包括：
S101、获取待检测的混凝土图像，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果，第一检测结果指示是否检测到裂缝、以及检测到的裂缝的信息，裂缝的信息包括：裂缝类型、裂缝位置信息以及裂缝数量。
在实际应用场景中，待检测的混凝土图像可以是通过手机拍摄得到的，当作业人员发现一些混凝土墙体上存在裂缝时，可以手机拍摄将其作为待检测的混凝土图像。
可选地，可采用检测模型进行第一图像检测，以对待检测的混凝土图像中的裂缝进行检测，得到第一检测结果。本实施例中得到的第一检测结果包括两种，一种是：检测到裂缝，同时会得到裂缝的信息，裂缝的信息可包括：裂缝的类型，裂缝位置信息以及裂缝数量。另一种是：未检测到裂缝。
通常，裂缝的类型可包括多种，例如：温度裂缝、陈旧裂缝、干缩裂缝等，针对不同的裂缝，可以有对应的裂缝修补方式。
裂缝位置信息可以指裂缝在待检测的混凝土图像中的位置，由于裂缝通常是较细的细纹，且不规则，故可以将裂缝所在的最小矩形框在待检测的混凝土图像中的位置作为裂缝位置。
另外，裂缝数量指的是待检测的混凝土图像中所包含的裂缝数量。一张待检测的混凝土图像中通常可能会存在多个裂缝，故可对裂缝数量进行统计。
需要说明的是，本申请的方法同样可适用于其他图像的检测，不限于上对混凝土图像中的裂缝检测，当应用于其他图像检测时，用于训练检测模型的样本训练集进行对应的调整。
S102、若第一检测结果指示未检测到裂缝，则对待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像。
当上述第一检测结果指示未检测到裂缝时，则可对待检测的混凝土图像进行图像增强处理，将图像增强处理后，可增强待检测的混凝土图像中的图像信息，使得裂缝特征更加明显，更利用检测到。
值得说明的是，在进行第一图像检测后，且未检测到裂缝信息时，再进行图像增强处理，基于图像增强处理后的图像，再进行第二图像检测，一方面可以及时对漏检的裂缝信息进行补充检测，另一方面，也可以提高第二图像检测时的检测效率和检测结果的准确性。而将图像增强处理置于第一图像检测之后，这样当第一图像检测能够检测到裂缝信息时，则无需进行图像增强处理，可以降低处理器的处理负担。
S103、采用检测模型对处理后的混凝土图像进行第二图像检测，得到处理后的混凝土图像对应的目标检测结果，目标检测结果指示是否检测到裂缝以及检测到的裂缝的信息。
可选地，处理后的混凝土图像可输入至检测模型中进行第二图像检测，这里的检测模型与进行第一图像检测时所采用的模型可以是相同的模型。
第二图像检测后得到目标检测结果，目标检测结果与第一检测结果类似，同样指示是否检测到裂缝，若检测到则目标检测结果中包括裂缝的信息。若未检测到，则可结束检测，可认为待检测的混凝土图像中的裂缝较小，不会对安全造成影响，可忽略。
综上，本实施例提供的混凝土图像处理方法包括：获取待检测的混凝土图像，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果，第一检测结果指示是否检测到裂缝、以及检测到的裂缝的信息，裂缝的信息包括：裂缝类型、裂缝位置信息以及裂缝数量；若第一检测结果指示未检测到裂缝，则对待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像；采用检测模型对处理后的混凝土图像进行第二图像检测，得到处理后的混凝土图像对应的目标检测结果，目标检测结果指示是否检测到裂缝以及检测到的裂缝的信息。本方法先采用检测模型对待检测的混凝土图像进行第一图像检测，再第一图像检测的检测结果指示未检测到裂缝信息时，则对待检测的图像进行图像增强处理，以增强图像信息，并对处理后的混凝土图像采用检测模型进行第二图像检测，以得到最终的目标检测结果。通过采用两次图像检测的方式，可以对仅进行一次图像检测所导致的裂缝信息的漏检进行补充检测，提高检测结果的准确性。通过引入图像增强处理，可以对待检测的混凝土图像中的裂缝信息进行增强，从而在进行第二次图像检测时，可提高图像检测的效率和结果的精确性。并且，将图像增强处理置于第一图像检测之后执行，可以仅在第一图像检测未检测到裂缝信息时才进行图像增强处理，图像增强处理并不作为必须执行的步骤，在提高裂缝检测精确度的同时，也可以降低处理器的处理负担。
可选地，步骤S101中，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果之后，本方法还可包括：若第一检测结果指示检测到裂缝，则将第一检测结果中检测到的裂缝的信息作为待检测的混凝土图像对应的目标检测结果。
在一种可实现的方式中，当第一检测结果指示检测到裂缝时，则可以将所检测到的裂缝信息作为待检测的混凝土图像的目标检测结果并进行保存。
图2为本申请实施例提供的另一种混凝土图像处理方法的流程示意图；可选地，步骤S102中，对待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像，可以包括：
S201、获取待检测的混凝土图像的图像像素数据。
区别于常规的图像增强算法，例如：直方图均衡化和灰度化等。本实施例中采用带颜色恢复的多尺度同态滤波对待检测的混凝土图像进行图像增强处理。
根据同态滤波理论，人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射，其数学表达式为：
I(x,y)＝L(x,y)×R(x,y)
其中，I(x,y)表示图像的像素数据，这里则指待检测的混凝土图像的图像像素数据，也就是相机接受到的图像信号；L(x,y)代表环境光的照射分量；R(x,y)表示携带图像细节信息的目标物体的反射分量；(x,y)是二维图像对应的位置。
两边取对数可得到：
Log[R(x,y)]＝Log[I(x,y)]-Log[L(x,y)]
本实施例则是将上述表达式所表征的技术运用到图像增强处理上。
S202、对图像像素数据进行高斯滤波处理，得到环境光照射分量。
基于已获取到待检测的混凝土图像的图像像素数据I(x,y)，计算出对应的R(x,y)，这里，R(x,y)可以认为是增强处理后的混凝土图像。
可选地，L(x,y)指的是环境光照射分量，可以通过对待检测的混凝土图像的图像像素数据I(x,y)进行高斯滤波处理：
L＝F*I
其中，F为高斯模糊的滤波器，“*”表示卷积运算，σ称为高斯模糊值。
S203、根据环境光照射分量、以及图像像素数据，进行对数运算，得到图像增强数据。
多尺度也就是光的长波(R)、中波(G)、短波(B)三个尺度分别进行一次高斯滤波运算后再累加。
Log[R(x,y)]＝Log[R(x,y)]+Wi×Log[Ii(x,y)]-Log[Li(x,y)]
其中W(i)表示每个尺度对应的权重，可以取1/3，每个尺度的高斯滤波值分别取15，80，200。
S204、将图像增强数据量化为预设范围内的像素值，得到处理后的混凝土图像。
可将上述计算得到的图像增强数据量化为预设范围内的像素值，这里，可以是将Log[R(x,y)]量化为0到255范围的像素值，作为最终的输出即得到处理后的混凝土图像。
图3为本申请实施例提供的又一种混凝土图像处理方法的流程示意图；可选地，步骤S103中，采用检测模型对处理后的混凝土图像进行第二图像检测，得到处理后的混凝土图像对应的目标检测结果，可以包括：
S301、对输入的处理后的混凝土图像进行特征提取，得到处理后的混凝土图像包含的至少一个裂缝图像，并确定各裂缝图像的裂缝类型。
这里虽然是对采用检测模型进行第二图像检测的步骤进行说明，但是，由于第一图像检测和第二图像检测采用的是相同的检测模型，故同样适用于采用检测模型进行第一图像检测。
可选地，可将处理后的混凝土图像输入检测模型中，通过检测模型可进行特征提取，这里所得到的特征可以是特征图像，可以是裂缝图像，也可以是特征数据，根据特征数据得到特征图像。
由于待检测的混凝土图像中可能存在多个裂缝，故，可得到至少一个裂缝图像，且确定各裂缝图像的裂缝类型。
S302、根据各裂缝图像的边框在处理后的混凝土图像中的位置坐标，得到处理后的混凝土图像中各裂缝的位置信息。
在一种可选的实施例中，由于裂缝的形状是不规则的，那么，可以将裂缝图像所在的边框的位置作为裂缝的位置信息。
可获取各裂缝图像所在的边框(最小矩形框)在处理后的混凝土图像中的位置坐标，根据位置坐标，则可计算出各裂缝图像的边框的位置信息，这里，边框的位置信息可以用边框的中心点位置表示，也可以是以边框上下边中点表示。而各裂缝图像的边框的位置则可以作为各裂缝的位置信息。
S303、根据裂缝图像的数量，确定处理后的混凝土图像中的裂缝数量。
当提取到的一个裂缝图像仅对应一个裂缝时，基于所提取到的裂缝图像的数量，则可以得到处理后的混凝土图像中的裂缝数量，一个裂缝图像可表示存在一个裂缝。
当然，在一些情况下，提取到的裂缝图像仅包含一个，在这一个裂缝图像中包含有多个裂缝，由于一个裂缝对应一个边框，此时，则可以根据上述的边框数量确定处理后的混凝土图像中的裂缝数量。
图4为本申请实施例提供的另一种混凝土图像处理方法的流程示意图；可选地，如图4所示，检测模型采用如下方法训练得到：
S501、采集样本训练集，样本训练集中包括：多个样本混凝土图像，各样本混凝土图像包含有标注信息，标注信息包括：裂缝类型、裂缝位置信息、以及裂缝数量；且包含裂缝的样本混凝土图像的裂缝宽度满足预设宽度。
采集的样本训练集中既可包括含有裂缝的样本混凝土图像，也可包括不含有样本混凝土图像。
通常，根据标准“肉眼可见的裂缝范围一般以0.05mm为界，小于0.05毫米的肉眼几乎看不到，一般的混凝土构筑物中宽度小于0.05mm的裂缝对使用并无危险，因此，0.05mm以下的裂缝可以不要求必须检测出来。在采集样本训练集时，包含裂缝的样本混凝土图像的裂缝宽度可以选取为大于或等于0.05mm。
可采用人工标记的方式对各样本混凝土图像进行信息标注，对于每个样本混凝土图像可以由多个标记人员进行标记，从而对标记结果进行筛选，以确定各样本混凝土图像的最终标注信息。
裂缝的成因有多种，如按承载能力情况而出现的裂缝、按受力情况产生内应力而出现的裂缝、按形成过程而出现的裂缝等等，导致产生的裂缝类型也不一样，如温度裂缝、陈旧裂缝、干缩裂缝、外力负荷裂缝等等(裂缝形式)。通过对裂缝类型的检测，可以引导进行正确的裂缝修复。
S502、对样本训练集中的各样本混凝土图像进行预处理，得到目标样本训练集。
在一种可实现的方式中，对于获取的样本训练集，还可进行一些预处理，可以包括：图像自适应缩放和数据增强处理，以提高样本训练集的可用度，用于进行模型训练时，使得训练的检测模型更加精确。
S503、采用目标样本训练集，训练获取检测模型。
可选地，可将目标样本训练集作为输入数据，输入至检测模型中，通过各样本混凝土图像包含的标注信息，进行检测模型训练，以得到检测模型。
图5为本申请实施例提供的又一种混凝土图像处理方法的流程示意图；可选地，步骤S501中，采集样本训练集，可以包括：
S601、从图像数据库中获取第一样本训练集。
为了增强训练的检测模型的检测结果的鲁棒性，可结合多种环境下(不同地方、不同色彩、不同裂缝形式)的裂缝图像数据，采集获取样本训练集。
本方案中可通过多种方式多种渠道得到多个子样本训练集，从而组合得到最终的样本训练集，以提高得到的样本训练集的泛华性，丰富样本训练集。
第一种，可以是从已经公开的数据集中获取，例如，从SDNET2018(混凝土数据集)、RoadDamageDatasat(路面损害数据集)中获取，这种方式是最节省人力的方式。
S602、通过网络进行数据爬取，获取第二样本训练集。
第二种，可以是通过网络，爬取相关混凝土裂缝图像，然后再进行人工筛选质量较好的作为第二样本训练集。
S603、采集拍摄的第三样本训练集。
第三种，可以自己使用拍摄工具对混凝土裂缝进行拍摄，主要是自己制作一些混凝土实验，让混凝土试件在不同成因下开裂，并拍摄图像，以及拍摄在生活中常看到的裂缝场景用于作为第三样本训练集。
S604、将第一样本训练集、第二样本训练集以及第三样本训练集组合得到样本训练集。
将上述第一样本训练集、第二样本训练集以及第三样本训练集进行组合，则可得到上述实施例的样本训练集。
由于所采集的样本训练集中的样本混凝土图像是无序、排放不规则的，且各样本混凝土图像的名称可能是随意命名的，大量的数据如果不进行整理，后续的标注工作会变得非常麻烦，因此可对所采集的样本训练集中各样本混凝土图像进行重新排序，并按顺序编号，以为各样本混凝土图像赋予唯一的编号，以便于后续的样本标注。
关于对各样本混凝土图像的标注，本实施例可使用标注软件LabelImg进行标注，包括裂缝类型，裂缝所在的真实框的坐标信息等。
图6为本申请实施例提供的又一种混凝土图像处理方法的流程示意图；可选地，步骤S502中，对样本训练集中的各样本混凝土图像进行预处理，得到目标样本训练集，可以包括：
S701、对样本训练集中各样本混凝土图像进行图像缩放，将各样本混凝土图像缩放至目标尺寸，得到初始处理后的样本训练集。
本实施所采用的图像缩放方式为图片自适应缩放，是将原始图片统一缩放到一个标准尺寸，不需要自行对图像进行统一裁剪，即将各样本混凝土图像缩放到检测模型所使用的网络的输入大小，并进行归一化等操作。
可选地，可将各样本混凝土图像缩放至640×640×3。
S702、从初始处理后的样本训练集中选取预设数量的样本混凝土图像进行数据增强处理，以拼接得到新的样本混凝土图像。
数据增强是将初始处理后的样本训练集中的图像以随机缩放、随机裁剪、随机排布的方式进行不规则的拼接，以便使样本训练集更加丰富，检测模型训练结果更具鲁棒性。在训练过程中不会出现非信息像素，从而能够提高训练效率。
可选地，可从初始处理后的样本训练集中随机选取预设数量的样本混凝土图像进行数据增强处理。这里以随机选取四张样本混凝土图像为例。分别对四张样本混凝土图像进行翻转(进行左右的翻转)、缩放(进行大小的缩放)、色域变化(对明亮度、饱和度、色调进行改变)等操作，每一张样本混凝土图像都有其对应的真实框(裂缝图像所在的边框)，将四张样本混凝土图像拼接之后就获得一张新的样本混凝土图像，同时也获得这张新的样本混凝土图像对应的真实框。
S703、将新的样本混凝土图像添加至初始处理后的样本训练集中，得到目标样本训练集。
将上述得到的新的样本混凝土图像添加至初始处理后的样本训练集中，从而使得得到的目标样本训练集中的样本图像类型更加丰富，新的样本混凝土图像的加入极大的丰富了样本图像的背景。
当然，对于新的样本混凝土图像同样也可进行图像缩放，以便于用于模型训练。
在一些实施例中，可以将目标训练集分为三部分，目标训练集中80％数据组成训练集、10％数据组成验证集，10％数据组成测试集来。训练集的主要作用就是训练得到检测模型的参数，验证集基本是在每次训练完成后调整参数，防止模型在训练集上过拟合，测试集的主要作用就是测试训练好的检测模型的准确率。
图7为本申请实施例提供的又一种混凝土图像处理方法的流程示意图；可选地，如图7所示，步骤S503中，采用目标样本训练集，训练获取检测模型，可以包括：
S801、将目标样本训练集输入初始检测模型，得到初始检测模型输出的各样本混凝土图像对应的预测的裂缝类型、预测的裂缝位置信息、以及预测的裂缝数量。
本实施例中所采用的检测模型可以为YOLOv5网络模型，可将上述的目标训练样本集输入YOLOv5网络模型中进行模型训练。
YOLOv5特征提取网络可包含数据集输入端、特征提取端、特征增强端、预测端。
可将目标样本训练集由数据集输入端输入，特征提取端，主要使用YOLOv5(单阶段目标检测算法)特征提取网络(Backbone)对目标样本训练集中各样本混凝土图像进行特征提取。
特征提取网络可由Focus(注意力)结构和CSPDarknet53结构组成。Focus结构主要是进行切片操作，在预处理阶段，已经将各样本混凝土图像缩放其大小为640×640×3，对其进行切片操作，这样就能使其成为一个320×320×12的特征图，之后进行一次卷积操作，这样就可以得到一个320×320×32的特征图。随后在CSPDarknet53结构不断的进行卷积下采样从而提取到特征图像。
特征增强端，位于特征提取端和预测端的中间位置，主要是对特征提取端提取的特征图像进行特征增强。特征增强端通常包括采用最大池化方法的空间池化结构(SPP)和实例分割框架下的路径聚合网络结构(PANet)，特征增强端主要用于对特征提取端的结果分别进行上采样和下采样以及特征融合，分别得到三个特征图，以提高训练的检测模型的特征提取的能力。
预测端，分别对特征增强端生成的三个特征图进行裂缝信息的预测和预测解码。
S802、根据各样本混凝土图像标注的裂缝类型、裂缝位置信息、以及裂缝数量、以及各样本混凝土图像对应的预测的裂缝类型、预测的裂缝位置信息、以及预测的裂缝数量，计算初始检测模型的损失信息。
经过上述各部分的训练，可得到检测模型的网络识别权重，该网络的训练损失信息采用GIoU损失信息，当损失值在某一小范围内波动不再下降时，可判定为收敛，训练效果良好。
其中，Ac指最小闭包区域面积，通俗理解为同时包含了训练时预测框和使用LabelImg人工标注的真实框的最小框的面积；U指训练时预测框和使用LabelImg人工标注的真实框相交的大小。
最后，只需要将需要待检测的混凝土图像或者视频，输入到搭载了上述训练得到的网络识别权重的检测模型中即可进行裂缝检测。
S803、根据损失信息修正初始检测模型的模型参数，迭代执行，直至初始检测模型的损失信息满足预设条件，将满足预设条件的初始检测模型作为检测模型。
可选地，基于上述训练方式，可将得到的网络识别权重作为模型参数有，得到检测模型。
如下以对一待检测的混凝土图像进行裂缝检测为例：
将一幅待检测的混凝土图像输入训练好的检测模型后，输出20×20、40×40、80×80的特征图网格，如果某个目标的中心落在这个网格中，则这个网格就负责来预测这个目标。每个网格预先设定B个不同大小和宽高比的边界框，每个边界框包含5个预测值：tx、ty、tw、th和置信度，按下式计算预测框的中心坐标(bx，by)和宽高w，h，预测框是以边界框为基础进行位置移动和大小缩放的。
其中，σ(x)--Logistic函数：
cx和cy分别指特征图中每个网格的左上角坐标；pw和ph分别指边界框相对于特征图的宽和高；tx、ty、tw、th分别指模型预测的中心坐标及宽和高。
经过上述处理后每个网格会生成B个预测框，之后进行非极大值抑制，没有目标的网格边界框会直接去除，有目标的网格高亮所有类别中置信度最高的边界框，去除该网格中其它类别的边界框，这里的置信度则是网络经过不断的迭代训练而预测出来的。
该网格置信度最高的边界框和其它网格经过非极大值抑制后的边界框与真实框进行交并比(IOU)，若IOU大于0.5则当成是同一目标，去除交并比中置信度低的边界框，一直如此下去，直到最后该目标只剩下一个置信度最高的边界框，检测模型输出该边界框的信息，该边界框中所框出的则为所检测到的裂缝，而边界框的位置则代表裂缝的位置信息。
可选地，电子设备上运行有并行且相互独立的第一线程和第二线程，第一线程用于实现第一图像检测以及第二图像检测，第二线程用于实现图像增强处理。
在一种可实现的方式中，本实施中，用于进行图像检测和图像增强处理的线程为相互独立的线程，且两个线程之间并行运行，从而可提高整个检测系统的检测效率。
通常，待检测的混凝土图像可以是一帧帧的不断输入至检测模型中的，也即，检测模型对当前一帧的待检测的混凝土图像进行检测处理时，下一帧待检测的混凝土图像又会被输入至检测模型中，若第一张待检测的混凝土图像在进行第一图像检测时，未检测到裂缝信息，则会执行图像增强处理，此时，假设第二张待检测的混凝土图像被输入至检测模型，那么，在同一时刻，对第一待检测的混凝土图像的图像增强处理以及对第二待检测的混凝土图像的第一图像检测是并行执行的，并不会因为此时正在对待第一检测的混凝土图像进行图像增强处理，而导致检测模型不运行。
又或者，当第一待检测的混凝土图像在图像增强处理结束后进入检测模型进行第二图像检测，此时第二待检测的混凝土图像在第一图像检测阶段未检测到裂缝信息，则此时对第二待检测的混凝土图像进行图像增强处理、以及对第一待检测的混凝土图像进行第二图像检测为并行执行的。
通过将图像增强处理与检测模型进行图像检测运行在并行的线程上，使得图像增强处理不会阻断检测模型对图像的持续检测，从而可提高检测模型的检测效率。
图8为本申请实施例提供的一种混凝土图像处理方法的完整流程示意图，如图8所示，方法可包括：
S901、获取待检测的混凝土图像；
S902、检测模型对待检测的混凝土图像进行第一图像检测；
S903、若检测到裂缝，则输出裂缝类型、裂缝位置信息、以及裂缝数量；
S904、若未检测到裂缝，则对待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像；
S905、检测模型对处理后的混凝土图像进行第二图像检测；
S906、若检测到裂缝，则输出裂缝类型、裂缝位置信息、以及裂缝数量；
S907、若未检测到裂缝，则结束。
上述各步骤的详细执行过程已在前面实施例中进行说明，此处不再赘述。
图9为本申请实施例提供的一种图像处理结果示意图。如图9所示，图9(a)为待检测的混凝土图像，对待检测的混凝土图像进行本方法的检测处理后，可得到如图9(b)中所示的混凝土检测结果图像，其中，虚线框即为边界框，边界框中包含的是所检测到的各裂缝，而边界框的位置信息则作为各裂缝的位置信息，边界框的数量则为裂缝的数量。
综上所述，本实施例提供的混凝土图像处理方法包括：获取待检测的混凝土图像，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果，第一检测结果指示是否检测到裂缝、以及检测到的裂缝的信息，裂缝的信息包括：裂缝类型、裂缝位置信息以及裂缝数量；若第一检测结果指示未检测到裂缝，则对待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像；采用检测模型对处理后的混凝土图像进行第二图像检测，得到处理后的混凝土图像对应的目标检测结果，目标检测结果指示是否检测到裂缝以及检测到的裂缝的信息。本方法先采用检测模型对待检测的混凝土图像进行第一图像检测，再第一图像检测的检测结果指示未检测到裂缝信息时，则对待检测的图像进行图像增强处理，以增强图像信息，并对处理后的混凝土图像采用检测模型进行第二图像检测，以得到最终的目标检测结果。通过采用两次图像检测的方式，可以对仅进行一次图像检测所导致的裂缝信息的漏检进行补充检测，提高检测结果的准确性。通过引入图像增强处理，可以对待检测的混凝土图像中的裂缝信息进行增强，从而在进行第二次图像检测时，可提高图像检测的效率和结果的精确性。并且，将图像增强处理置于第一图像检测之后执行，可以仅在第一图像检测未检测到裂缝信息时才进行图像增强处理，图像增强处理并不作为必须执行的步骤，在提高裂缝检测精确度的同时，也可以降低处理器的处理负担。
下述对用以执行本申请所提供的混凝土图像处理方法的装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
图10为本申请实施例提供的一种混凝土图像处理装置的示意图，该混凝土图像处理装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述的电子设备，如图10所示，该装置可包括：第一处理模块110、图像增强模块120、第二处理模块130；
第一处理模块110，用于获取待检测的混凝土图像，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果，第一检测结果指示是否检测到裂缝、以及检测到的裂缝的信息，裂缝的信息包括：裂缝类型、裂缝位置信息以及裂缝数量；
图像增强模块120，用于若第一检测结果指示未检测到裂缝，则对待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像；
第二处理模块130，用于采用检测模型对处理后的混凝土图像进行第二图像检测，得到处理后的混凝土图像对应的目标检测结果，目标检测结果指示是否检测到裂缝以及检测到的裂缝的信息。
可选地，还包括：确定模块；
确定模块，用于若第一检测结果指示检测到裂缝，则将第一检测结果中检测到的裂缝的信息作为待检测的混凝土图像对应的目标检测结果。
可选地，图像增强模块120，具体用于获取待检测的混凝土图像的图像像素数据；
对图像像素数据进行高斯滤波处理，得到环境光照射分量；
根据环境光照射分量、以及图像像素数据，进行对数运算，得到图像增强数据；
将图像增强数据量化为预设范围内的像素值，得到处理后的混凝土图像。
可选地，第二处理模块130，具体用于对输入的处理后的混凝土图像进行特征提取，得到处理后的混凝土图像包含的至少一个裂缝图像，并确定各裂缝图像的裂缝类型；
根据各裂缝图像的边框在处理后的混凝土图像中的位置坐标，得到处理后的混凝土图像中各裂缝的位置信息；
根据裂缝图像的数量，确定处理后的混凝土图像中的裂缝数量。
可选地，还包括：模型训练模块；
模型训练模块，用于采集样本训练集，样本训练集中包括：多个样本混凝土图像，各样本混凝土图像包含有标注信息，标注信息包括：裂缝类型、裂缝位置信息、以及裂缝数量；且包含裂缝的样本混凝土图像的裂缝宽度满足预设宽度；
对样本训练集中的各样本混凝土图像进行预处理，得到目标样本训练集；
采用目标样本训练集，训练获取检测模型。
可选地，模型训练模块，具体用于
从图像数据库中获取第一样本训练集；
通过网络进行数据爬取，获取第二样本训练集；
采集拍摄的第三样本训练集；
将第一样本训练集、第二样本训练集以及第三样本训练集组合得到样本训练集。
可选地，模型训练模块，具体用于
对样本训练集中各样本混凝土图像进行图像缩放，将各样本混凝土图像缩放至目标尺寸，得到初始处理后的样本训练集；
从初始处理后的样本训练集中选取预设数量的样本混凝土图像进行数据增强处理，以拼接得到新的样本混凝土图像；
将新的样本混凝土图像添加至初始处理后的样本训练集中，得到目标样本训练集。
可选地，模型训练模块，具体用于
对所选取的预设数量的样本混凝土图像依次进行随机缩放、随机裁剪以及随机排布，得到新的样本混凝土图像。
可选地，模型训练模块，具体用于
将目标样本训练集输入初始检测模型，得到初始检测模型输出的各样本混凝土图像对应的预测的裂缝类型、预测的裂缝位置信息、以及预测的裂缝数量；
根据各样本混凝土图像标注的裂缝类型、裂缝位置信息、以及裂缝数量、以及各样本混凝土图像对应的预测的裂缝类型、预测的裂缝位置信息、以及预测的裂缝数量，计算初始检测模型的损失信息；
根据损失信息修正初始检测模型的模型参数，迭代执行，直至初始检测模型的损失信息满足预设条件，将满足预设条件的初始检测模型作为检测模型。
可选地，电子设备上运行有并行且相互独立的第一线程和第二线程，第一线程用于实现第一图像检测以及第二图像检测，第二线程用于实现图像增强处理。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。
图11为本申请实施例提供的一种电子设备的结构示意图；
该设备可包括：处理器801、存储器802。
存储器802用于存储程序，处理器801调用存储器802存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
其中，存储器802存储有程序代码，当程序代码被处理器801执行时，使得处理器801执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的方法中的各种步骤。
处理器801可以是通用处理器，例如中央处理器(CPU)、数字信号处理器(DigitalSignal 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，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器802作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random Access Memory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
可选地，本申请还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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，在本申请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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括预设数量的指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random AccessMemory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (13)
1.一种混凝土图像处理方法，其特征在于，应用于电子设备，包括：
获取待检测的混凝土图像，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果，所述第一检测结果指示是否检测到裂缝、以及检测到的裂缝的信息，所述裂缝的信息包括：裂缝类型、裂缝位置信息以及裂缝数量；
若所述第一检测结果指示未检测到裂缝，则对所述待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像；
采用所述检测模型对所述处理后的混凝土图像进行第二图像检测，得到所述处理后的混凝土图像对应的目标检测结果，所述目标检测结果指示是否检测到裂缝以及检测到的裂缝的信息。
2.根据权利要求1所述的方法，其特征在于，所述采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果之后，还包括：
若所述第一检测结果指示检测到裂缝，则将所述第一检测结果中检测到的裂缝的信息作为所述待检测的混凝土图像对应的目标检测结果。
3.根据权利要求1所述的方法，其特征在于，所述对所述待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像，包括：
获取所述待检测的混凝土图像的图像像素数据；
对所述图像像素数据进行高斯滤波处理，得到环境光照射分量；
根据所述环境光照射分量、以及所述图像像素数据，进行对数运算，得到图像增强数据；
将所述图像增强数据量化为预设范围内的像素值，得到处理后的混凝土图像。
4.根据权利要求1所述的方法，其特征在于，所述采用所述检测模型对所述处理后的混凝土图像进行第二图像检测，得到所述处理后的混凝土图像对应的目标检测结果，包括：
对输入的所述处理后的混凝土图像进行特征提取，得到所述处理后的混凝土图像包含的至少一个裂缝图像，并确定各所述裂缝图像的裂缝类型；
根据各所述裂缝图像的边框在所述处理后的混凝土图像中的位置坐标，得到所述处理后的混凝土图像中各裂缝的位置信息；
根据所述裂缝图像的数量，确定所述处理后的混凝土图像中的裂缝数量。
5.根据权利要求1-4任一所述的方法，其特征在于，所述检测模型采用如下方法训练得到：
采集样本训练集，所述样本训练集中包括：多个样本混凝土图像，各样本混凝土图像包含有标注信息，所述标注信息包括：裂缝类型、裂缝位置信息、以及裂缝数量；且包含裂缝的样本混凝土图像的裂缝宽度满足预设宽度；
对所述样本训练集中的各样本混凝土图像进行预处理，得到目标样本训练集；
采用所述目标样本训练集，训练获取所述检测模型。
6.根据权利要求5所述的方法，其特征在于，所述采集样本训练集，包括：
从图像数据库中获取第一样本训练集；
通过网络进行数据爬取，获取第二样本训练集；
采集拍摄的第三样本训练集；
将所述第一样本训练集、第二样本训练集以及第三样本训练集组合得到所述样本训练集。
7.根据权利要求6所述的方法，其特征在于，所述对所述样本训练集中的各样本混凝土图像进行预处理，得到目标样本训练集，包括：
对所述样本训练集中各样本混凝土图像进行图像缩放，将各样本混凝土图像缩放至目标尺寸，得到初始处理后的样本训练集；
从初始处理后的样本训练集中选取预设数量的样本混凝土图像进行数据增强处理，以拼接得到新的样本混凝土图像；
将新的样本混凝土图像添加至所述初始处理后的样本训练集中，得到所述目标样本训练集。
8.根据权利要求7所述的方法，其特征在于，所述从初始处理后的样本训练集中选取预设数量的样本混凝土图像进行数据增强处理，以拼接得到新的样本混凝土图像，包括：
对所选取的预设数量的样本混凝土图像依次进行随机缩放、随机裁剪以及随机排布，得到所述新的样本混凝土图像。
9.根据权利要求5所述的方法，其特征在于，所述采用所述目标样本训练集，训练获取所述检测模型，包括：
将所述目标样本训练集输入初始检测模型，得到所述初始检测模型输出的各样本混凝土图像对应的预测的裂缝类型、预测的裂缝位置信息、以及预测的裂缝数量；
根据各样本混凝土图像标注的裂缝类型、裂缝位置信息、以及裂缝数量、以及所述各样本混凝土图像对应的预测的裂缝类型、预测的裂缝位置信息、以及预测的裂缝数量，计算所述初始检测模型的损失信息；
根据所述损失信息修正所述初始检测模型的模型参数，迭代执行，直至所述初始检测模型的损失信息满足预设条件，将满足预设条件的初始检测模型作为所述检测模型。
10.根据权利要求1所述的方法，其特征在于，所述电子设备上运行有并行且相互独立的第一线程和第二线程，所述第一线程用于实现所述第一图像检测以及所述第二图像检测，所述第二线程用于实现所述图像增强处理。
11.一种混凝土图像处理装置，其特征在于，应用于电子设备，包括：第一处理模块、图像增强模块、第二处理模块；
所述第一处理模块，用于获取待检测的混凝土图像，采用预先训练得到的检测模型进行第一图像检测，得到第一检测结果，所述第一检测结果指示是否检测到裂缝、以及检测到的裂缝的信息，所述裂缝的信息包括：裂缝类型、裂缝位置信息以及裂缝数量；
所述图像增强模块，用于若所述第一检测结果指示未检测到裂缝，则对所述待检测的混凝土图像进行图像增强处理，得到处理后的混凝土图像；
所述第二处理模块，用于采用所述检测模型对所述处理后的混凝土图像进行第二图像检测，得到所述处理后的混凝土图像对应的目标检测结果，所述目标检测结果指示是否检测到裂缝以及检测到的裂缝的信息。
12.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如权利要求1至10任一所述的方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至10任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210831475.XA CN115775222A (zh) | 2022-07-14 | 2022-07-14 | 混凝土图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210831475.XA CN115775222A (zh) | 2022-07-14 | 2022-07-14 | 混凝土图像处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115775222A true CN115775222A (zh) | 2023-03-10 |
Family
ID=85388318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210831475.XA Pending CN115775222A (zh) | 2022-07-14 | 2022-07-14 | 混凝土图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115775222A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390256A (zh) * | 2019-05-29 | 2019-10-29 | 广东建科交通工程质量检测中心有限公司 | 一种沥青路面裂缝提取方法 |
| CN111429375A (zh) * | 2020-03-27 | 2020-07-17 | 扆亮海 | 日间图像参照辅助的夜晚监控视频质量提升方法 |
| US20200327660A1 (en) * | 2019-04-10 | 2020-10-15 | International Business Machines Corporation | Automated fracture detection using machine learning models |
| CN113791078A (zh) * | 2021-09-02 | 2021-12-14 | 中国农业机械化科学研究院 | 一种玉米种子内部裂纹批量检测方法及装置 |
| CN114299060A (zh) * | 2022-01-04 | 2022-04-08 | 东北电力大学 | 一种适用于复杂水下环境的深度学习大坝裂缝检测方法 |
-
2022
- 2022-07-14 CN CN202210831475.XA patent/CN115775222A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200327660A1 (en) * | 2019-04-10 | 2020-10-15 | International Business Machines Corporation | Automated fracture detection using machine learning models |
| CN110390256A (zh) * | 2019-05-29 | 2019-10-29 | 广东建科交通工程质量检测中心有限公司 | 一种沥青路面裂缝提取方法 |
| CN111429375A (zh) * | 2020-03-27 | 2020-07-17 | 扆亮海 | 日间图像参照辅助的夜晚监控视频质量提升方法 |
| CN113791078A (zh) * | 2021-09-02 | 2021-12-14 | 中国农业机械化科学研究院 | 一种玉米种子内部裂纹批量检测方法及装置 |
| CN114299060A (zh) * | 2022-01-04 | 2022-04-08 | 东北电力大学 | 一种适用于复杂水下环境的深度学习大坝裂缝检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108364280B (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
| CN108664981B (zh) | 显著图像提取方法及装置 | |
| JP7319432B2 (ja) | 学習用データ収集装置、学習用データ収集方法、及びプログラム | |
| CN111178206A (zh) | 一种基于改进yolo的建筑预埋件检测方法及系统 | |
| Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
| CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
| CN116758075B (zh) | 基于人工智能的吹风机电机运行故障检测方法 | |
| CN113744268B (zh) | 一种裂纹检测方法、电子设备及可读存储介质 | |
| CN113971669A (zh) | 应用于管道损伤识别的三维检测系统 | |
| CN114596266A (zh) | 一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法 | |
| CN111862239A (zh) | 一种面阵相机图像重叠区域标定方法、装置、设备及存储介质 | |
| CN113888509A (zh) | 一种图像清晰度的评价方法、装置、设备及存储介质 | |
| CN115775222A (zh) | 混凝土图像处理方法、装置、电子设备及存储介质 | |
| CN115731390A (zh) | 一种灰岩隧道岩体结构面识别方法及设备 | |
| CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
| CN114973246A (zh) | 一种基于光流对齐的交叉模式神经网络的裂缝检测方法 | |
| CN108765381B (zh) | 一种水利工程裂纹提取方法及系统、信息处理终端 | |
| EP3582179B1 (en) | Image processing apparatus, image processing method, and image processing program | |
| CN104915959A (zh) | 一种航拍图像的质量评价方法及系统 | |
| WO2023135707A1 (ja) | 情報処理装置、検出方法、及び検出プログラム | |
| CN115359346B (zh) | 基于街景图片的小微空间识别方法、装置及电子设备 | |
| Abdalmajeed et al. | Using the natural scenes’ edges for assessing image quality blindly and efficiently | |
| CN116109919A (zh) | 一种遥感图损毁道路提取方法 | |
| CN118072193A (zh) | 一种基于无人机图像和深度学习的堤坝裂缝检测方法 | |
| CN117893509A (zh) | 一种模型训练方法、缺陷检测方法、电子设备及存储介质 |
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 |