CN116721354B - 一种建筑物裂纹缺陷识别方法、系统及可读存储介质 - Google Patents
一种建筑物裂纹缺陷识别方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN116721354B CN116721354B CN202310991274.0A CN202310991274A CN116721354B CN 116721354 B CN116721354 B CN 116721354B CN 202310991274 A CN202310991274 A CN 202310991274A CN 116721354 B CN116721354 B CN 116721354B
- Authority
- CN
- China
- Prior art keywords
- target
- crack
- image block
- building
- sample
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000007547 defect Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000004891 communication Methods 0.000 claims abstract description 63
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000007621 cluster analysis Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method 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
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种建筑物裂纹缺陷识别方法、系统及可读存储介质,该方法包括获取多个目标图像块,并基于各目标图像块,构建第一目标训练集;构建初始建筑物裂纹识别网络,并基于第一目标训练集训练初始建筑物裂纹识别网络,得到目标建筑物裂纹识别网络;基于历史连通阈值进行聚类分析,得到目标连通阈值;获取经由目标建筑物裂纹识别网络输出的图像块识别结果,并基于目标连通阈值进行噪声块的筛选。该方法的实施能够提高建筑物裂纹识别精度。
Description
技术领域
本申请涉及建筑资产管理技术领域,具体而言,涉及一种建筑物裂纹缺陷识别方法、系统及可读存储介质。
背景技术
建筑物裂纹识别是建筑资产管理的重要方面,其反映了建筑的使用状况。随着我国建筑使用时间增加,大量的建筑出现了裂纹。传统方法是通过人工识别建筑物裂纹,不仅需要消耗较大的人力物力,还存在效率低下的问题。对此,研究者采集建筑图像,通过提取图像的裂纹特征,实现建筑物裂纹识别。传统基于图像的裂纹识别方法主要是通过人为设计的模型,提取裂纹特征,进行实现裂纹识别。但这种方法容易受到光照、环境的影响,导致建筑识别的鲁棒性不高。因此,亟需一种有效方法提高建筑物裂纹识别精度。
发明内容
本申请实施例的目的在基于提供一种建筑物裂纹缺陷识别方法、系统及可读存储介质,可以提高建筑物裂纹识别精度。
本申请实施例还提供了一种建筑物裂纹缺陷识别方法,包括以下步骤:
S1、获取多个目标图像块,并基于各所述目标图像块,构建第一目标训练集;
S2、构建初始建筑物裂纹识别网络,并基于所述第一目标训练集训练所述初始建筑物裂纹识别网络,得到目标建筑物裂纹识别网络;
S3、基于历史连通阈值进行聚类分析,得到目标连通阈值;
S4、获取经由所述目标建筑物裂纹识别网络输出的图像块识别结果,并基于所述目标连通阈值进行噪声块的筛选。
第二方面,本申请实施例还提供了一种建筑物裂纹缺陷识别系统,所述系统包括数据获取模块、网络训练模块、连通阈值分析模块、以及噪声块筛选模块,其中:
所述数据获取模块,用于获取多个目标图像块,并基于各所述目标图像块,构建第一目标训练集;
所述网络训练模块,用于构建初始建筑物裂纹识别网络,并基于所述第一目标训练集训练所述初始建筑物裂纹识别网络,得到目标建筑物裂纹识别网络;
所述连通阈值分析模块,用于基于历史连通阈值进行聚类分析,得到目标连通阈值;
所述噪声块筛选模块,用于获取经由所述目标建筑物裂纹识别网络输出的图像块识别结果,并基于所述目标连通阈值进行噪声块的筛选。
第三方面,本申请实施例还提供了一种可读存储介质,所述可读存储介质中包括建筑物裂纹缺陷识别方法程序,所述建筑物裂纹缺陷识别方法程序被处理器执行时,实现如上述任一项所述的一种建筑物裂纹缺陷识别方法的步骤。
由上可知,本申请实施例提供的一种建筑物裂纹缺陷识别方法、系统及可读存储介质,获取多个目标图像块,并基于各目标图像块,构建第一目标训练集;构建初始建筑物裂纹识别网络,并基于第一目标训练集训练初始建筑物裂纹识别网络,得到目标建筑物裂纹识别网络;基于历史连通阈值进行聚类分析,得到目标连通阈值;获取经由目标建筑物裂纹识别网络输出的图像块识别结果,并基于目标连通阈值进行噪声块的筛选。通过对历史连通阈值进行聚类分析,使得得到的自适应阈值具有更好的噪声去除能力,避免因取固定的连通阈值,所造成的与实际情况不符,所导致的识别偏差问题,为后续去噪提供良好的数据基础,使得能够在有效去除噪声的情况下,大幅度提升建筑物裂纹识别精度。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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建筑物裂纹缺陷识别方法的流程图;
图2为本申请实施例提供的一种建筑物裂纹缺陷识别系统的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种建筑物裂纹缺陷识别方法的流程图。以该方法应用于计算机设备(该计算机设备具体可以是终端或服务器,终端具体可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群)为例进行说明,包括以下步骤:
步骤S1,获取多个目标图像块,并基于各所述目标图像块,构建第一目标训练集。
具体的,计算机设备在获取到目标图像时,将基于预设的分割标准对所述目标图像进行分割,得到多个对应的目标图像块。
在其中一个实施例中,所述目标图像包括俯视建筑彩图图像。计算机设备在获取到所述俯视建筑彩图图像时,会基于横向M等分、纵向N等分的分割标准对其进行分割,得到M×N个目标图像块。
步骤S2,构建初始建筑物裂纹识别网络,并基于所述第一目标训练集训练所述初始建筑物裂纹识别网络,得到目标建筑物裂纹识别网络。
具体的,计算机设备采用基于ViT(Vision Transformer)网络的建筑物裂纹识别模型,其中,ViT网络相较于CNN网络,其具备更强的感知能力,分类效果更好。
步骤S3,基于历史连通阈值进行聚类分析,得到目标连通阈值。
具体的,通过对现有路面裂纹识别技术的分析可知,其主要是通过设定固定的连通阈值去除噪声块,而建筑物裂纹和路面裂纹有所区别,需要根据实际情况分析出合适的连通阈值。因此,当前实施例中,基于历史连通阈值取值规律进行聚类分析,以自适应求得合适的连通阈值,以避免影响去噪效果。
需要说明的是,由于建筑图像不可避免的受到污渍、车辙的影响,导致识别错误,即将不包含裂纹的图像块识别为包含裂纹的图像块,这种图像块则被称之为噪声块,噪声块会严重影响建筑物裂纹识别进度。
步骤S4,获取经由所述目标建筑物裂纹识别网络输出的图像块识别结果,并基于所述目标连通阈值进行噪声块的筛选。
由上可知,本申请实施例提供的一种建筑物裂纹缺陷识别方法,获取多个目标图像块,并基于各目标图像块,构建第一目标训练集;构建初始建筑物裂纹识别网络,并基于第一目标训练集训练初始建筑物裂纹识别网络,得到目标建筑物裂纹识别网络;基于历史连通阈值进行聚类分析,得到目标连通阈值;获取经由目标建筑物裂纹识别网络输出的图像块识别结果,并基于目标连通阈值进行噪声块的筛选。通过对历史连通阈值进行聚类分析,使得得到的自适应阈值具有更好的噪声去除能力,避免因取固定的连通阈值,所造成的与实际情况不符,所导致的识别偏差问题,为后续去噪提供良好的数据基础,使得能够在有效去除噪声的情况下,大幅度提升建筑物裂纹识别精度。
在其中一个实施例中,步骤S1中,所述第一目标训练集中包括样本间差异性满足预设条件的目标正样本和目标负样本。
需要说明的,在目标分类中,二分类问题中正样本就是要检测的样本(即目标),相应的不是正样本就是负样本。因此,当前实施例中,正样本可以理解为包含裂纹的建筑物裂纹图像块,负样本可以理解为不包含裂纹的非建筑物裂纹图像块。
在其中一个实施例中,步骤S1中,所述基于各所述目标图像块,构建第一目标训练集,包括:
步骤S11,基于各所述目标图像块,构建初始正样本和初始负样本。
具体的,基于各所述目标图像块,计算机设备将基于对建筑物裂纹图像块、以及非建筑物裂纹图像块的区分,并以此构建对应建筑物裂纹图像块的初始正样本,以及构建对应非建筑物裂纹图像块的初始负样本。
步骤S12,遍历各个初始样本,遍历过程中,计算当前遍历样本与其他样本之间的局部特征点对数量。
具体的,计算机设备将对每个正负样本进行遍历,并计算遍历样本与其他样本之间的局部特征点对数量。
需要说明的是,局部特征通常是描述一块区域,使图像能具有高可区分度。局部特征应该具有的特点:可重复性、可区分性、准确性、有效性(特征的数量、特征提取的效率)、鲁棒性(稳定性、不变性)。所以它只适合于对图像进行匹配,检索等应用。
步骤S13,遍历过程中,还基于所得的各项局部特征点对数量进行平均值的计算,得到相应的平均匹配点对数量。
步骤S14,遍历过程中,还基于所述局部特征点对数量和所述平均匹配点对数量,确定当前遍历样本与其他样本之间的差异性。
具体的,遍历过程中,计算机设备会将当前遍历样本对应关联的各项局部特征点对数量和基于步骤S13求解得到的平均匹配点对数量进行比较,并基于所得的比较结果确定当前遍历样本与其他样本之间的差异性。
步骤S15,遍历过程中,还在确定当前遍历样本与相应其他样本间的差异性不满足预设条件时,删除所述相应其他样本。
具体的,遍历过程中,计算机设备在确定当前遍历样本与相应其他样本间的局部特征点对数量大于平均匹配点对数量时,即认为当前遍历样本与所述相应其他样本间的差异小,不满足预设条件。因此,为了避免数据集体量大、且涵盖的相似数据多,所造成的模型训练慢、训练效率低下的问题,针对此情况,计算机设备会删除所述相应其他样本,提高样本质量,加快网络收敛。
步骤S16,遍历结束后,得到相应的的目标正样本和目标负样本。
具体的,遍历结束后,计算机设备即可基于得到的目标正样本和目标负样本构建正负训练集,并基于该正负训练集进行模型训练。
上述实施例中,基于图像局部特征保存相似度差异大的图像块,并以此构建正负训练集,通过增加训练集中正负样本的差异性,规避训练集体量大、且涵盖的相似数据多,所造成的模型训练慢、训练效率低下的问题。
在其中一个实施例中,步骤S2中,基于ViT网络构建初始建筑物裂纹识别网络,且ViT网络的最后一层的神经元个数大于或等于2。
具体的,使用ViT网络由于在前面已经说明了,当前不作赘述。
另外,设定ViT网络的最后一层的神经元个数大于或等于2的原因,是为了使得输出结果与识别需求相匹配。
示例性的,针对识别需求是需要基于建筑物裂纹识别网络识别出建筑物裂纹图像块、以及非建筑物裂纹图像块时,此时设定ViT网络的最后一层的神经元个数为2,此时建筑物裂纹识别网络的输出结果即为识别为裂纹的概率、以及识别为非裂纹的概率。
又例如,针对识别需求是需要基于建筑物裂纹识别网络识别出建筑物裂纹图像块、疑似建筑物裂纹图像块、以及非建筑物裂纹图像块时,此时设定ViT网络的最后一层的神经元个数为3,此时建筑物裂纹识别网络的输出结果即为识别为裂纹的概率、识别为疑似裂纹的概率、以及识别为非裂纹的概率。其他情况,也可以依次进行类推,当前不一一列举。
在其中一个实施例中,步骤S3中,所述基于历史连通阈值进行聚类分析,得到目标连通阈值,包括:
步骤S31,获取多项对应裂纹图像块的第一历史连通阈值、以及多项对应非裂纹图像块的第二历史连通阈值。
需要说明的是,连通阈值是一个关键变量,在现实中,连通阈值并不是一个固定的值,需要根据实际情况,选取合适的连通阈值。因此,当前实施例,计算机设备将基于历史连通阈值的取值规律进行聚类分析,以得到合适的连通阈值。
步骤S32,基于所述第一历史连通阈值、以及所述第二历史连通阈值构建第二目标训练集合。
具体的,构建训练集属于现有技术,当前不作赘述。
步骤S33,基于所述第二目标训练集合进行聚类训练,训练结束时,得到目标连通阈值。
具体的,计算机设备将基于所述第二目标训练集合,进行无监督聚类训练分析,通过聚类得到合适的连通阈值即目标连通阈值。
在其中一个实施中,计算机设备选用K-means算法,通过将第二目标训练集合代入到K-means算法中进行训练,得到合适的连通阈值。
需要说明的是,K-means算法是输入聚类个数k,以及包含n个数据对象的数据库,输出满足方差最小标准k个聚类的一种算法。k-means算法接受输入量k;然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高,而不同聚类中的对象相似度较小。
上述实施例中,基于历史连通阈值的取值规律进行聚类分析,并以此选取出合适的连通阈值,避免因取固定的连通阈值,所造成的与实际情况不符,所导致的识别偏差问题,为后续去噪提供良好的数据基础。
在其中一个实施例中,步骤S4中,所述基于所述目标连通阈值进行噪声块的筛选,包括:
步骤S41,针对识别到的每个涵盖裂纹的目标图像块,在各所述目标图像块的八邻域中进行裂纹子块的搜索。
步骤S42,在确定相应目标图像块的裂纹子块个数小于或等于所述目标连通阈值时,将所述相应目标图像块作为噪声块,以实现噪声块的筛选。
步骤S43,在确定相应目标图像块的裂纹子块个数大于所述目标连通阈值时,将所述相应目标图像块作为裂纹图像块输出。
具体实施的时候,基于步骤S41~步骤S43需要说明的是,为了方便计算,当计算机设备基于所述目标建筑物裂纹识别网络确定识别到的图像块包含裂纹时,则有识别结果:f(i,j)=1。反之,当确定识别到的图像块不包含裂纹时,则有识别结果:f(i,j)=0。
基于此,为了统计所述目标图像块的八邻域中包含裂纹子块的个数,计算机设备会将各八邻域的识别结果进行累加,得到累加和S(i,j)。进一步的,在计算机设备确定相应目标图像块的累加和S(i,j)小于或等于所述目标连通阈值σ时,则将所述相应目标图像块作为噪声块,并输出识别错误;反之,在确定相应目标图像块的累加和S(i,j)大于所述目标连通阈值σ时,则将所述相应目标图像块作为裂纹图像块输出(具体计算公式可参考下述公式1),并输出识别正确。
;(1)
式(1)中,R(i,j)表示相应目标图像块的识别结果,其中,输出R(i,j)=0,则表示识别错误,输出R(i,j)=1,则表示识别正确。
请参照图2所示,本申请实施例还提供了一种建筑物裂纹缺陷识别系统200,该系统200包括数据获取模块201、网络训练模块202、连通阈值分析模块203、以及噪声块筛选模块204,其中:
所述数据获取模块201,用于获取多个目标图像块,并基于各所述目标图像块,构建第一目标训练集。
所述网络训练模块202,用于构建初始建筑物裂纹识别网络,并基于所述第一目标训练集训练所述初始建筑物裂纹识别网络,得到目标建筑物裂纹识别网络。
所述连通阈值分析模块203,用于基于历史连通阈值进行聚类分析,得到目标连通阈值。
所述噪声块筛选模块204,用于获取经由所述目标建筑物裂纹识别网络输出的图像块识别结果,并基于所述目标连通阈值进行噪声块的筛选。
由上可知,本申请实施例提供的一种建筑物裂纹缺陷识别系统,获取多个目标图像块,并基于各目标图像块,构建第一目标训练集;构建初始建筑物裂纹识别网络,并基于第一目标训练集训练初始建筑物裂纹识别网络,得到目标建筑物裂纹识别网络;基于历史连通阈值进行聚类分析,得到目标连通阈值;获取经由目标建筑物裂纹识别网络输出的图像块识别结果,并基于目标连通阈值进行噪声块的筛选。通过对历史连通阈值进行聚类分析,使得得到的自适应阈值具有更好的噪声去除能力,避免因取固定的连通阈值,所造成的与实际情况不符,所导致的识别偏差问题,为后续去噪提供良好的数据基础,使得能够在有效去除噪声的情况下,大幅度提升建筑物裂纹识别精度。
在其中一个实施例中,所述第一目标训练集中包括样本间差异性满足预设条件的目标正样本和目标负样本。
在其中一个实施例中,所述数据获取模块201还用于基于各所述目标图像块,构建初始正样本和初始负样本;遍历各个初始样本,遍历过程中,计算当前遍历样本与其他样本之间的局部特征点对数量;遍历过程中,还基于所得的各项局部特征点对数量进行平均值的计算,得到相应的平均匹配点对数量;遍历过程中,还基于所述局部特征点对数量和所述平均匹配点对数量,确定当前遍历样本与其他样本之间的差异性;遍历过程中,还在确定当前遍历样本与相应其他样本间的差异性不满足预设条件时,删除所述相应其他样本;遍历结束后,得到相应的的目标正样本和目标负样本。
在其中一个实施例中,基于ViT网络构建初始建筑物裂纹识别网络,且ViT网络的最后一层的神经元个数大于或等于2。
在其中一个实施例中,所述连通阈值分析模块203还用于:获取多项对应裂纹图像块的第一历史连通阈值、以及多项对应非裂纹图像块的第二历史连通阈值;基于所述第一历史连通阈值、以及所述第二历史连通阈值构建第二目标训练集合;基于所述第二目标训练集合进行聚类训练,训练结束时,得到目标连通阈值。
在其中一个实施例中,所述噪声块筛选模块204还用于:针对识别到的每个涵盖裂纹的目标图像块,在各所述目标图像块的八邻域中进行裂纹子块的搜索;在确定相应目标图像块的裂纹子块个数小于或等于所述目标连通阈值时,将所述相应目标图像块作为噪声块,以实现噪声块的筛选;在确定相应目标图像块的裂纹子块个数大于所述目标连通阈值时,将所述相应目标图像块作为裂纹图像块输出。
本申请实施例提供一种存储介质,所述计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random AccessMemory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
上述存储介质,获取多个目标图像块,并基于各目标图像块,构建第一目标训练集;构建初始建筑物裂纹识别网络,并基于第一目标训练集训练初始建筑物裂纹识别网络,得到目标建筑物裂纹识别网络;基于历史连通阈值进行聚类分析,得到目标连通阈值;获取经由目标建筑物裂纹识别网络输出的图像块识别结果,并基于目标连通阈值进行噪声块的筛选。通过对历史连通阈值进行聚类分析,使得得到的自适应阈值具有更好的噪声去除能力,避免因取固定的连通阈值,所造成的与实际情况不符,所导致的识别偏差问题,为后续去噪提供良好的数据基础,使得能够在有效去除噪声的情况下,大幅度提升建筑物裂纹识别精度。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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。
另外,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。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种建筑物裂纹缺陷识别方法,其特征在于,包括以下步骤:
S1、获取多个目标图像块,并基于各所述目标图像块,构建第一目标训练集;
S2、构建初始建筑物裂纹识别网络,并基于所述第一目标训练集训练所述初始建筑裂纹建筑物裂纹识别网络,得到目标建筑物裂纹识别网络;
S3、基于历史连通阈值进行聚类分析,得到目标连通阈值;
S4、获取经由所述目标建筑物裂纹识别网络输出的图像块识别结果,并基于所述目标连通阈值进行噪声块的筛选;
步骤S1中,所述第一目标训练集中包括样本间差异性满足预设条件的目标正样本和目标负样本;
步骤S1中,所述基于各所述目标图像块,构建第一目标训练集,包括:
S11、基于各所述目标图像块,构建初始正样本和初始负样本;
S12、遍历各个初始样本,遍历过程中,计算当前遍历样本与其他样本之间的局部特征点对数量;
S13、遍历过程中,还基于所得的各项局部特征点对数量进行平均值的计算,得到相应的平均匹配点对数量;
S14、遍历过程中,还基于所述局部特征点对数量和所述平均匹配点对数量,确定当前遍历样本与其他样本之间的差异性;
S15、遍历过程中,还在确定当前遍历样本与相应其他样本间的差异性不满足预设条件时,删除所述相应其他样本;
S16、遍历结束后,得到相应的的目标正样本和目标负样本;
步骤S4中,所述基于所述目标连通阈值进行噪声块的筛选,包括:
S41、针对识别到的每个涵盖裂纹的目标图像块,在各所述目标图像块的八邻域中进行裂纹子块的搜索;
S42、在确定相应目标图像块的裂纹子块个数小于或等于所述目标连通阈值时,将所述相应目标图像块作为噪声块,以实现噪声块的筛选;
S43、在确定相应目标图像块的裂纹子块个数大于所述目标连通阈值时,将所述相应目标图像块作为裂纹图像块输出。
2.根据权利要求1所述的方法,其特征在于,步骤S2中,基于ViT网络构建初始建筑物裂纹识别网络,且ViT网络的最后一层的神经元个数大于或等于2。
3.根据权利要求1所述的方法,其特征在于,步骤S3中,所述基于历史连通阈值进行聚类分析,得到目标连通阈值,包括:
S31、获取多项对应裂纹图像块的第一历史连通阈值、以及多项对应非裂纹图像块的第二历史连通阈值;
S32、基于所述第一历史连通阈值、以及所述第二历史连通阈值构建第二目标训练集合;
S33、基于所述第二目标训练集合进行聚类训练,训练结束时,得到目标连通阈值。
4.一种建筑物裂纹缺陷识别系统,其特征在于,所述系统包括数据获取模块、网络训练模块、连通阈值分析模块、以及噪声块筛选模块,其中:
所述数据获取模块,用于获取多个目标图像块,并基于各所述目标图像块,构建第一目标训练集;
所述网络训练模块,用于构建初始建筑物裂纹识别网络,并基于所述第一目标训练集训练所述初始建筑物裂纹识别网络,得到目标建筑物裂纹识别网络;
所述连通阈值分析模块,用于基于历史连通阈值进行聚类分析,得到目标连通阈值;
所述噪声块筛选模块,用于获取经由所述目标建筑物裂纹识别网络输出的图像块识别结果,并基于所述目标连通阈值进行噪声块的筛选;
所述数据获取模块基于各所述目标图像块,构建第一目标训练集,包括:
基于各所述目标图像块,构建初始正样本和初始负样本;
遍历各个初始样本,遍历过程中,计算当前遍历样本与其他样本之间的局部特征点对数量;
遍历过程中,还基于所得的各项局部特征点对数量进行平均值的计算,得到相应的平均匹配点对数量;
遍历过程中,还基于所述局部特征点对数量和所述平均匹配点对数量,确定当前遍历样本与其他样本之间的差异性;
遍历过程中,还在确定当前遍历样本与相应其他样本间的差异性不满足预设条件时,删除所述相应其他样本;
遍历结束后,得到相应的的目标正样本和目标负样本;
所述噪声块筛选模块基于所述目标连通阈值进行噪声块的筛选的具体实现为:
针对识别到的每个涵盖裂纹的目标图像块,在各所述目标图像块的八邻域中进行裂纹子块的搜索;
在确定相应目标图像块的裂纹子块个数小于或等于所述目标连通阈值时,将所述相应目标图像块作为噪声块,以实现噪声块的筛选;
在确定相应目标图像块的裂纹子块个数大于所述目标连通阈值时,将所述相应目标图像块作为裂纹图像块输出。
5.一种可读存储介质,其特征在于,所述可读存储介质中包括建筑物裂纹缺陷识别方法程序,所述建筑物裂纹缺陷识别方法程序被处理器执行时,实现如权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310991274.0A CN116721354B (zh) | 2023-08-08 | 2023-08-08 | 一种建筑物裂纹缺陷识别方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310991274.0A CN116721354B (zh) | 2023-08-08 | 2023-08-08 | 一种建筑物裂纹缺陷识别方法、系统及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116721354A CN116721354A (zh) | 2023-09-08 |
CN116721354B true CN116721354B (zh) | 2023-11-21 |
Family
ID=87868268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310991274.0A Active CN116721354B (zh) | 2023-08-08 | 2023-08-08 | 一种建筑物裂纹缺陷识别方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721354B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
WO2019041629A1 (zh) * | 2017-08-30 | 2019-03-07 | 哈尔滨工业大学深圳研究生院 | 基于svm的高维不平衡数据分类方法 |
JP2019066265A (ja) * | 2017-09-29 | 2019-04-25 | 清水建設株式会社 | ひび割れ検出装置、ひび割れ検出方法、および、コンピュータプログラム |
CN110060251A (zh) * | 2019-04-26 | 2019-07-26 | 福州大学 | 一种基于U-Net的建筑物表面裂纹检测方法 |
CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
CN110619691A (zh) * | 2019-09-25 | 2019-12-27 | 南京天芯云数据服务有限公司 | 一种板坯表面裂纹的预测方法及装置 |
JP2020038132A (ja) * | 2018-09-04 | 2020-03-12 | 大成建設株式会社 | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム |
CN111695594A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像类别识别方法、装置、计算机设备及介质 |
CN112150477A (zh) * | 2019-11-15 | 2020-12-29 | 复旦大学 | 脑影像动脉全自动分割方法及装置 |
CN114882009A (zh) * | 2022-06-08 | 2022-08-09 | 大连理工大学 | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 |
CN115810132A (zh) * | 2023-01-19 | 2023-03-17 | 武汉珈鹰智能科技有限公司 | 一种裂缝朝向识别方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364280B (zh) * | 2018-01-03 | 2022-04-15 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
-
2023
- 2023-08-08 CN CN202310991274.0A patent/CN116721354B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
WO2019041629A1 (zh) * | 2017-08-30 | 2019-03-07 | 哈尔滨工业大学深圳研究生院 | 基于svm的高维不平衡数据分类方法 |
JP2019066265A (ja) * | 2017-09-29 | 2019-04-25 | 清水建設株式会社 | ひび割れ検出装置、ひび割れ検出方法、および、コンピュータプログラム |
JP2020038132A (ja) * | 2018-09-04 | 2020-03-12 | 大成建設株式会社 | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム |
CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
CN110060251A (zh) * | 2019-04-26 | 2019-07-26 | 福州大学 | 一种基于U-Net的建筑物表面裂纹检测方法 |
CN110619691A (zh) * | 2019-09-25 | 2019-12-27 | 南京天芯云数据服务有限公司 | 一种板坯表面裂纹的预测方法及装置 |
CN112150477A (zh) * | 2019-11-15 | 2020-12-29 | 复旦大学 | 脑影像动脉全自动分割方法及装置 |
CN111695594A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像类别识别方法、装置、计算机设备及介质 |
CN114882009A (zh) * | 2022-06-08 | 2022-08-09 | 大连理工大学 | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 |
CN115810132A (zh) * | 2023-01-19 | 2023-03-17 | 武汉珈鹰智能科技有限公司 | 一种裂缝朝向识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116721354A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
CN109189767B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN109145717B (zh) | 一种在线学习的人脸识别方法 | |
WO2021239004A1 (zh) | 异常社群检测方法、装置、计算机设备及存储介质 | |
US10460174B2 (en) | System and methods for analysis of user-associated images to generate non-user generated labels and utilization of the generated labels | |
CN110909205A (zh) | 一种视频封面确定方法、装置、电子设备及可读存储介质 | |
CN111651636A (zh) | 视频相似片段搜索方法及装置 | |
WO2021003803A1 (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112309126B (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
WO2022105336A1 (zh) | 图像分类方法及电子设备 | |
CN111783568B (zh) | 一种基于置信学习的行人重识别方法、装置及存储介质 | |
CN112528022A (zh) | 主题类别对应的特征词提取和文本主题类别识别方法 | |
CN115238081B (zh) | 一种文物智能识别方法、系统及可读存储介质 | |
CN112818162A (zh) | 图像检索方法、装置、存储介质和电子设备 | |
CN111368867A (zh) | 档案归类方法及系统、计算机可读存储介质 | |
Wang et al. | Recognizing and curating photo albums via event-specific image importance | |
CN113963303A (zh) | 图像处理方法、视频识别方法、装置、设备及存储介质 | |
CN114049508B (zh) | 一种基于图片聚类和人工研判的诈骗网站识别方法及系统 | |
CN111882034A (zh) | 神经网络处理及人脸识别方法、装置、设备和存储介质 | |
CN109359689B (zh) | 一种数据识别方法及装置 | |
CN116721354B (zh) | 一种建筑物裂纹缺陷识别方法、系统及可读存储介质 | |
CN113705650A (zh) | 一种人脸图片集的处理方法、装置、介质和计算设备 | |
CN112861962B (zh) | 样本处理方法、装置、电子设备和存储介质 | |
CN114638304A (zh) | 图像识别模型的训练方法、图像识别方法及装置 | |
CN100363943C (zh) | 基于色彩内容及分布的彩色图像匹配分析方法 |
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 |