CN117893872B - 基于多模型融合检测的平面裂隙光学检测方法 - Google Patents

Abstract

本发明公开了一种基于多模型融合检测的平面裂隙光学检测方法，包括构造数据集；选取n个分类识别网络用数据集训练得到n个分类模型；构造图像P的多模型权重向量D，基于形态学分析更新D得到D¹；基于运动学更新D¹得D²；基于动力学更新D²得到D³；将D³中最大分量对应的分类模型，作为图像P的最优模型。本发明中每个分类模型不仅能输出识别结果，还能根据输入的图像生成对应的权重向量，构成图像的多模型权重向量，实现了对多个弱模型的功能集成，提升了对弱小目标的识别能力，且基于boosting思想的精英策略，本方法在针对裂隙的查全率、查准率、精度上都有提高，同时实现了裂隙性质的初步自动化分析。

Description

基于多模型融合检测的平面裂隙光学检测方法

技术领域

本发明涉及图像数据处理，尤其涉及一种基于多模型融合检测的平面裂隙光学检测方法。

背景技术

目前而言，主流的裂隙检测技术依然是基于浅层机器学习技术或单一的卷积深度神经网络模型。前者高度依赖于图像的前期预处理过程的输出质量，而后者受深度神经网络本身的不可解释性的掣肘，在多种介质表面的裂隙检测过程中效果欠佳。并且诸多基于深度神经网络技术的检测模型在训练过程中使用的训练数据是二值化后的图像及其掩膜，因此必然会丢失原始图像的多通道信息，致使此类技术在实际使用过程中极容易因图像色差产生裂隙的漏检和误检情况。并且传统裂隙检测业务中，裂隙识别和裂隙性质分析是割裂的两个过程，后者极大程度上依赖于相关技术人员的学科背景和实践经验，这导致了裂隙检测常常因为技术人员本身业务水平的不稳定性产生偏差甚至误判。

关于神经网络：从大方向上来说，裂隙检测任务的本质是目标检测，基于卷积神经网络（CNN，Convolutional Neural Network）的众多网络模型是经过实践检验的通用技术方案，而Yolov系列模型的输出质量和速度则是在众多CNN模型中的翘楚。为了弥补CNN模型在小样本数据集上难以调优的劣势，同时还需要引入ViT来提供更好的泛化性能。

名词解释：

IoU：中文为交并比，也被称为杰卡德系数，用于衡量两个边界框的相似性。它是相交面积与相并面积的比率。若两个边界框无相交，则IoU=0。

CIoU：英文为Complete loU，在CUDA平台中有对应的模块自动计算锚框对应的CIOU值，使用CIOU来替代传统的DIOU来表达置信度的大小，更加灵活且能够规避IoU值为0时带来的不能反向传播的结果。

EXIF信息：可交换图像文件信息。

发明内容

本发明的目的就在于提供一种解决上述问题，能实现对裂隙精确识别的，基于多模型融合检测的平面裂隙光学检测方法。

为了实现上述目的，本发明采用的技术方案是这样的：一种基于多模型融合检测的平面裂隙光学检测方法，包括以下步骤；

（1）采集多种介质表面包含缺陷的高清图像数据，对每张高清图像数据，标记真实锚框及该真实锚框对应的缺陷类别，所述缺陷类别包括裂隙、坑洼和龟裂，将标记后的高清图像数据作为训练样本，构成数据集；

（2）获取n个分类模型；

用数据集分别训练n个分类识别网络，得到n个分类模型M₁到M_n，n＞3，所述分类模型为两类，一类基于YOlOv网络构建，一类基于ViT网络构建；

所述分类模型用于输入待识别图像、输出识别结果，并生成权重向量，所述识别结果包括预测锚框及预测锚框对应的缺陷类别，第i个分类模型M_i生成权重向量包括步骤（21）~（26）；

（21）向M_i输入一标记有k个真实锚框的训练样本，获取输出，所述输出包含V个预测锚框；

（22）预设每个预测锚框的权重表达，第j个预测锚框的权重表达，1≤j≤V；

其中，、/>、/>、/>分别为第j个预测锚框对应的真实锚框的左上角横坐标、右下角横坐标、左上角纵坐标、右下角纵坐标的真实值，/>，为第j个预测锚框对应的真实锚框的真实斜率，/>、/>、/>、/>分别为第j个预测锚框左上角横坐标、右下角横坐标、左上角纵坐标、右下角纵坐标的预测值，/>，为第j个预测锚框的预测斜率，C_ij为第j个预测锚框的置信度参数，E_ij为A_ij的使能开关；

（23）预设IoU阈值，依次对V个预测锚框的权重表达A_i1~A_iV赋值，构成，其中A_ij赋值方法为：

若第j个预测锚框与真实锚框相交，则将IoU值最大的真实锚框，作为该预测锚框对应的真实锚框，按其坐标填写A_ij的前5项，否则A_ij的前5项置空；

按第j个预测锚框的坐标填写A_ij的第6-10项，将第j个预测锚框的CIoU值填写C_ij，若IoU值的最大值大于IoU阈值，则E_ij=1，否则E_ij=0；

（3）构造图像P的多模型权重向量D，包括（31）~（32）；

（31）获取一待识别的图像P，用预训练的基础模型标记；

（32）用M₁到M_n分别识别图像P，生成对应的权重向量ω₁到ω_n，构成多模型权重向量，并将D中基于ViT网络构建的分类模型的权重向量，标记为一类权重；

（4）基于形态学分析更新多模型权重向量D，得到第一多模型权重向量D¹，包括步骤（41）~（42）；

（41）判断图像P内裂隙是否有弱小目标；

（42）若有弱小目标，根据下式更新D中所有一类权重的值，得到D¹，否则将D作为D¹；

W*=W+|W-D_Avg|，

式中，W为一个一类权重，W*为W更新后的一类权重，D_Avg为权重向量D的模的平均；

（5）基于运动学依次分析R₁到R_n，更新D¹得到第二多模型权重向量D²，包括（51）~（52）；

（51）分析R₁，对D¹进行更新，包括（51.1）~（51.3）；

（51.1）获取R1中所有缺陷类别为裂隙、使能开关为1的裂隙，标记为第一裂隙；

（51.2）对一个第一裂隙，得到其裂隙最低点的切线的斜率k₁，若，则记录该第一裂隙为有效裂隙、生长方向值为k₁，否则将该第一裂隙对应的使能开关置0；

（51.3）按（51.2）依次处理完R₁的所有第一裂隙，完成R₁对D¹的更新；

（52）按（51）方法依次分析R₂到R_n，得到D²；

（6）基于动力学依次分析R₁到R_n，更新D²得到第三多模型权重向量D³，包括（61）~（62）；

（61）统计R₁中所有有效裂隙的预测锚框，若有预测锚框为正方形，将有效裂隙记录为剪切破坏，并根据下式更新ω₁的参数值，否则将D²作为D³；

W₁*=W₁ +|S-σ|，

式中，W₁为D²中ω₁的值，W₁*为W₁更新后的值，S为此时D²的样本标准差，σ为此时D²的总体标准差；

（62）按步骤（61）依次分析R₂到R_n，得到D³；

（7）选取D³中最大分量对应的分类模型，作为图像P的最优模型，将最优模型的识别结果作为P的最终识别结果。

作为优选：所述高清图像数据分辨率大于等于1920×1080；

所述多种介质包括但不限于混凝土、瓷砖、石膏、沥青、砂砖、砂岩、砾岩、泥土，且所述介质用于墙面或地面；

所述分类识别网络包括YOLOv5、YOLOv8、YOLOX、ViT、DETR、VGG、MobileNet、ShuffleNetV2和AlexNet。

作为优选：步骤（31）具体为：

用数据集D训练一基础模型M₀，所述基础模型用于输入待识别图像P，输出识别结果R₀；

将R₀中各预测锚框及预测锚框对应的缺陷类别，作为待识别图像P的真实锚框和真实缺陷类别进行标记；

所述基础模型为M₁~M_n中的1个，或由M_i从数据集中进行抽样训练得到，或由其他神经网络训练得到。

作为优选：步骤（41）中，判断P内裂隙是否有弱小目标，具体为：

（42.1）获取R₁到R_n中所有裂隙的预测锚框，总数为T_A个，预设一比例阈值；

（42.2）对每个预测锚框，计算其面积与图像P总面积的比值，若比值小于比例阈值，则进行一次计数，处理完所有预测锚框，得到计数值C_A；

（42.3）若，且C_A大于权重向量D的维度，则判断图像P内有弱小目标，否则无弱小目标。

作为优选：所述比例阈值为0.0030~0.0040。

作为优选：所述步骤（4）还包括步骤（43）预测并记录R₁到R_n中，每个裂隙的裂隙走向；

预测裂隙走向为：对裂隙的预测锚框，预设其高度为y，宽度为x；

y：x＞2，则该裂隙为纵向；

y：x＜2，则该裂隙为横向；

其余高度和宽度比例不作分析；

所述记录为：记录在图像P的标注描述文件中。

作为优选：步骤（51.2）中，根据图像P的EXIF信息得到裂隙最低点。

作为优选：所述步骤（61）还包括；

对R₁中记录有剪切破坏的有效裂隙，将其生长方向值转换为二维向量，所有二维向量构成向量组K；

K中两两正交的二维向量超过1组，则按W₁*=W₁ +|S-σ|再次更新ω₁的参数值。

本发明中，关于基础模型M₀，可以是M₁~M_n中的1个。人工主观评估M₁到M_n之中泛化性能较好的一个模型M_i，可以使用置信度、IoU、是否出现过拟合现象等评价指标来作为M_i的选取依据，M_i的选择不依赖于固定的数值指针。若M₁到M_n中不存在合适的作为基础模型的选项，亦可选择其他神经网络训练得到的模型来作为基础模型。同样的，也可以使用M_i模型重新从数据集中进行抽样训练得到基础模型M₀。

关于待识别的图像P，应具有完整的EXIF信息，不得是其他图像的截图、翻拍或是经过其他可能造成EXIF信息修改的再生图像。在基于运动学依次分析R₁到R_n时，需找到裂隙的最低点的切线的斜率。此处给出一种常用手段：

获取图像P的EXIF信息中的焦距、对焦区域、图像方向、相机高程、倾斜角度、被摄目标区域、目标距离参数。将上述信息作为输入信息，使用开源计算机视觉工具包opencv完成图像三维线性空间f到真实世界三维线性空间h的线性映射，，获得其线性映射关系。在分析R1中的第一裂隙时，使用线性映射关系实现锚框坐标转换。

由于此步骤为中间步骤，不会进行过程记录，因此坐标信息相关变量名称的书面表达并不在后续步骤中做更改。映射后的坐标中，y₁值越小，对应位置越低。

关于步骤（61）中，K中两两正交的二维向量超过1组，说明图像P中存在多个剪切破坏或构成共轭剪切。则再额外进行一次更新操作。

与现有技术相比，本发明的优点在于：

提出了一种新的基于多模型融合检测的平面裂隙光学检测方法。本发明先用同一数据库对多个目标识别网络进行模型训练，得到多个模型，每个模型不仅具有输出识别结果的能力，还能根据输入的图像生成对应的权重向量，将所有模型的权重向量放在一起生成多模型权重向量，则每张图像，都对应1个多模型权重向量。

再基于boosting思想融合多个弱模型的识别优势，对裂隙识别的具体类别，引入裂隙的形态学、运动学、动力学发展特征进行分析，其中，基于形态学对图像P的多模型权重向量D进行调整得到第一多模型权重向量D¹、基于运动学对D¹进行调整得到第二多模型权重向量D²、基于动力学对D²进行调整得到第三多模型权重向量D³，并将D³中最大分量对应的分类模型，作为图像P的最优模型，将最优模型的识别结果作为P的最终识别结果。

值得一提的是，本发明提出了一种打破传统裂隙检测业务中裂隙识别和裂隙性质分析环节之间技术割裂现状的新思路，让二者形成了统一的逻辑整体，实现了全过程的自动化。

本发明充分基于形态学、运动学、动力学来对裂隙进行分析，提升了裂隙判别的现实依据，增强了裂隙判别结果的可解释性，从而能实现对裂隙的精确识别。

附图说明

图1为本发明流程图；

图2为本发明构造图像P的多模型权重向量D的示意图。

具体实施方式

下面将结合附图对本发明作进一步说明。

实施例1：参见图1、图2，一种基于多模型融合检测的平面裂隙光学检测方法，包括以下步骤；

（1）采集多种介质表面包含缺陷的高清图像数据，对每张高清图像数据，标记真实锚框及该真实锚框对应的缺陷类别，所述缺陷类别包括裂隙、坑洼和龟裂，将标记后的高清图像数据作为训练样本，构成数据集；

（2）获取n个分类模型；

用数据集分别训练n个分类识别网络，得到n个分类模型M₁到M_n，n＞3，所述分类模型为两类，一类基于YOlOv网络构建，一类基于ViT网络构建；

所述分类模型用于输入待识别图像、输出识别结果，并生成权重向量，所述识别结果包括预测锚框及预测锚框对应的缺陷类别，第i个分类模型M_i生成权重向量包括步骤（21）~（26）；

（21）向M_i输入一标记有k个真实锚框的训练样本，获取输出，所述输出包含V个预测锚框；

（22）预设每个预测锚框的权重表达，第j个预测锚框的权重表达，1≤j≤V；

其中，、/>、/>、/>分别为第j个预测锚框对应的真实锚框的左上角横坐标、右下角横坐标、左上角纵坐标、右下角纵坐标的真实值，/>，为第j个预测锚框对应的真实锚框的真实斜率，/>、/>、/>、/>分别为第j个预测锚框左上角横坐标、右下角横坐标、左上角纵坐标、右下角纵坐标的预测值，/>，为第j个预测锚框的预测斜率，C_ij为第j个预测锚框的置信度参数，E_ij为A_ij的使能开关；

（23）预设IoU阈值，依次对V个预测锚框的权重表达A_i1~A_iV赋值，构成，其中A_ij赋值方法为：

若第j个预测锚框与真实锚框相交，则将IoU值最大的真实锚框，作为该预测锚框对应的真实锚框，按其坐标填写A_ij的前5项，否则A_ij的前5项置空；

按第j个预测锚框的坐标填写A_ij的第6-10项，将第j个预测锚框的CIoU值填写C_ij，若IoU值的最大值大于IoU阈值，则E_ij=1，否则E_ij=0；

（3）构造图像P的多模型权重向量D，包括（31）~（32）；

（31）获取一待识别的图像P，用预训练的基础模型标记；

（32）用M₁到M_n分别识别图像P，生成对应的权重向量ω₁到ω_n，构成多模型权重向量，并将D中基于ViT网络构建的分类模型的权重向量，标记为一类权重；

（4）基于形态学分析更新多模型权重向量D，得到第一多模型权重向量D¹，包括步骤（41）~（42）；

（41）判断图像P内裂隙是否有弱小目标；

（42）若有弱小目标，根据下式更新D中所有一类权重的值，得到D¹，否则将D作为D¹；

W*=W+|W-D_Avg|，

式中，W为一个一类权重，W*为W更新后的一类权重，D_Avg为权重向量D的模的平均；

（5）基于运动学依次分析R₁到R_n，更新D¹得到第二多模型权重向量D²，包括（51）~（52）；

（51）分析R₁，对D¹进行更新，包括（51.1）~（51.3）；

（51.1）获取R1中所有缺陷类别为裂隙、使能开关为1的裂隙，标记为第一裂隙；

（51.2）对一个第一裂隙，得到其裂隙最低点的切线的斜率k₁，若，则记录该第一裂隙为有效裂隙、生长方向值为k₁，否则将该第一裂隙对应的使能开关置0；

（51.3）按（51.2）依次处理完R₁的所有第一裂隙，完成R₁对D¹的更新；

（52）按（51）方法依次分析R₂到R_n，得到D²；

（6）基于动力学依次分析R₁到R_n，更新D²得到第三多模型权重向量D³，包括（61）~（62）；

（61）统计R₁中所有有效裂隙的预测锚框，若有预测锚框为正方形，将有效裂隙记录为剪切破坏，并根据下式更新ω₁的参数值，否则将D²作为D³；

W₁*=W₁ +|S-σ|，

式中，W₁为D²中ω₁的值，W₁*为W₁更新后的值，S为此时D²的样本标准差，σ为此时D²的总体标准差；

（62）按步骤（61）依次分析R₂到R_n，得到D³；

（7）选取D³中最大分量对应的分类模型，作为图像P的最优模型，将最优模型的识别结果作为P的最终识别结果。

所述高清图像数据分辨率大于等于1920×1080；

所述多种介质包括但不限于混凝土、瓷砖、石膏、沥青、砂砖、砂岩、砾岩、泥土，且所述介质用于墙面或地面；

所述分类识别网络包括YOLOv5、YOLOv8、YOLOX、ViT、DETR、VGG、MobileNet、ShuffleNetV2和AlexNet。

步骤（31）具体为：

用数据集D训练一基础模型M₀，所述基础模型用于输入待识别图像P，输出识别结果R₀；

将R₀中各预测锚框及预测锚框对应的缺陷类别，作为待识别图像P的真实锚框和真实缺陷类别进行标记；

所述基础模型为M₁~M_n中的1个，或由M_i从数据集中进行抽样训练得到，或由其他神经网络训练得到。

步骤（41）中，判断P内裂隙是否有弱小目标，具体为：

（42.1）获取R₁到R_n中所有裂隙的预测锚框，总数为T_A个，预设一比例阈值；

（42.2）对每个预测锚框，计算其面积与图像P总面积的比值，若比值小于比例阈值，则进行一次计数，处理完所有预测锚框，得到计数值C_A；

（42.3）若，且C_A大于权重向量D的维度，则判断图像P内有弱小目标，否则无弱小目标。

所述比例阈值为0.0030~0.0040。

所述步骤（4）还包括步骤（43）预测并记录R₁到R_n中，每个裂隙的裂隙走向；

预测裂隙走向为：对裂隙的预测锚框，预设其高度为y，宽度为x；

y：x＞2，则该裂隙为纵向；

y：x＜2，则该裂隙为横向；

其余高度和宽度比例不作分析；

所述记录为：记录在图像P的标注描述文件中。

步骤（51.2）中，根据图像P的EXIF信息得到裂隙最低点。

所述步骤（61）还包括；

对R₁中记录有剪切破坏的有效裂隙，将其生长方向值转换为二维向量，所有二维向量构成向量组K；

K中两两正交的二维向量超过1组，则按W₁*=W₁ +|S-σ|再次更新ω₁的参数值。

实施例2：参见图1、图2，在实施例1的基础上，我们给出更具体的实施例2，该方法包括以下步骤：

（1）构造数据集，包括以下步骤：

第一步：通过手机在不同介质表面进行拍摄，如混凝土、瓷砖、石膏、沥青、砂砖、砂岩、砾岩、泥土等多种类型的路面、墙面及其他类型表面，拍摄大量包含缺陷的高清图像数据，分辨率均为4624px×3472px；采集图像的过程中，如遇图像过曝、过暗、失焦等特殊情况，应当将其作为脏数据进行清理；如部分图像难以通过人肉眼分辨裂隙、坑洼、龟裂等表面劣化现象的存在，应当将其作为容易产生二义性结果的数据进行清理。

第二步：对每张高清图像数据，标记真实锚框及该真实锚框对应的缺陷类别。在进行标记时，应当注意标注锚框应该覆盖缺陷区域且贴合缺陷区域所在最小矩形范围的边界；

第三步：随机选取300张标记后的高清图像数据作为训练样本，构成数据集；将数据集按8:2分为训练集和验证集。

其余步骤与实施例1相同。

下表为模型训练过程中的关键评价指标结果记录，训练中设定的迭代轮次为60次，无论是在训练集上还是在验证集上，各项损失均呈现总体下降趋势。精度和召回率方面，随着迭代轮次增加呈上升趋势。各个评价指标证明了模型实现裂隙检测的逻辑有效性，也证明了裂隙数据的可训练性。

表1：训练过程中关键评价指标结果记录表

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多模型融合检测的平面裂隙光学检测方法，其特征在于：包括以下步骤；

（1）采集多种介质表面包含缺陷的高清图像数据，对每张高清图像数据，标记真实锚框及该真实锚框对应的缺陷类别，所述缺陷类别包括裂隙、坑洼和龟裂，将标记后的高清图像数据作为训练样本，构成数据集；

（2）获取n个分类模型；

用数据集分别训练n个分类识别网络，得到n个分类模型M₁到M_n，n＞3，所述分类模型为两类，一类基于YOlOv网络构建，一类基于ViT网络构建；

所述分类模型用于输入待识别图像、输出识别结果，并生成权重向量，所述识别结果包括预测锚框及预测锚框对应的缺陷类别，第i个分类模型M_i生成权重向量包括步骤（21）~（26）；

（21）向M_i输入一标记有k个真实锚框的训练样本，获取输出，所述输出包含V个预测锚框；

（22）预设每个预测锚框的权重表达，第j个预测锚框的权重表达，1≤j≤V；

其中，、/>、/>、/>分别为第j个预测锚框对应的真实锚框的左上角横坐标、右下角横坐标、左上角纵坐标、右下角纵坐标的真实值，/>，为第j个预测锚框对应的真实锚框的真实斜率，/>、/>、/>、/>分别为第j个预测锚框左上角横坐标、右下角横坐标、左上角纵坐标、右下角纵坐标的预测值，/>，为第j个预测锚框的预测斜率，C_ij为第j个预测锚框的置信度参数，E_ij为A_ij的使能开关；

（23）预设IoU阈值，依次对V个预测锚框的权重表达A_i1~A_iV赋值，构成，其中A_ij赋值方法为：

若第j个预测锚框与真实锚框相交，则将IoU值最大的真实锚框，作为该预测锚框对应的真实锚框，按其坐标填写A_ij的前5项，否则A_ij的前5项置空；

按第j个预测锚框的坐标填写A_ij的第6-10项，将第j个预测锚框的CIoU值填写C_ij，若IoU值的最大值大于IoU阈值，则E_ij=1，否则E_ij=0；

（3）构造图像P的多模型权重向量D，包括（31）~（32）；

（31）获取一待识别的图像P，用预训练的基础模型标记；

（32）用M₁到M_n分别识别图像P，生成对应的权重向量ω₁到ω_n，构成多模型权重向量，并将D中基于ViT网络构建的分类模型的权重向量，标记为一类权重；

（4）基于形态学分析更新多模型权重向量D，得到第一多模型权重向量D¹，包括步骤（41）~（42）；

（41）判断图像P内裂隙是否有弱小目标；

（42）若有弱小目标，根据下式更新D中所有一类权重的值，得到D¹，否则将D作为D¹；

W*=W+|W-D_Avg|，

式中，W为一个一类权重，W*为W更新后的一类权重，D_Avg为权重向量D的模的平均；

（5）基于运动学依次分析R₁到R_n，更新D¹得到第二多模型权重向量D²，包括（51）~（52）；

（51）分析R₁，对D¹进行更新，包括（51.1）~（51.3）；

（51.1）获取R1中所有缺陷类别为裂隙、使能开关为1的裂隙，标记为第一裂隙；

（51.2）对一个第一裂隙，得到其裂隙最低点的切线的斜率k₁，若，则记录该第一裂隙为有效裂隙、生长方向值为k₁，否则将该第一裂隙对应的使能开关置0；

（51.3）按（51.2）依次处理完R₁的所有第一裂隙，完成R₁对D¹的更新；

（52）按（51）方法依次分析R₂到R_n，得到D²；

（6）基于动力学依次分析R₁到R_n，更新D²得到第三多模型权重向量D³，包括（61）~（62）；

（61）统计R₁中所有有效裂隙的预测锚框，若有预测锚框为正方形，将有效裂隙记录为剪切破坏，并根据下式更新ω₁的参数值，否则将D²作为D³；

W₁*=W₁ +|S-σ|，

式中，W₁为D²中ω₁的值，W₁*为W₁更新后的值，S为此时D²的样本标准差，σ为此时D²的总体标准差；

（62）按步骤（61）依次分析R₂到R_n，得到D³；

（7）选取D³中最大分量对应的分类模型，作为图像P的最优模型，将最优模型的识别结果作为P的最终识别结果。

2.根据权利要求1所述的基于多模型融合检测的平面裂隙光学检测方法，其特征在于：所述高清图像数据分辨率大于等于1920×1080；

所述多种介质包括但不限于混凝土、瓷砖、石膏、沥青、砂砖、砂岩、砾岩、泥土，且所述介质用于墙面或地面；

所述分类识别网络包括YOLOv5、YOLOv8、YOLOX、ViT、DETR、VGG、MobileNet、ShuffleNetV2和AlexNet。

3.根据权利要求1所述的基于多模型融合检测的平面裂隙光学检测方法，其特征在于：步骤（31）具体为：

用数据集D训练一基础模型M₀，所述基础模型用于输入待识别图像P，输出识别结果R₀；

将R₀中各预测锚框及预测锚框对应的缺陷类别，作为待识别图像P的真实锚框和真实缺陷类别进行标记；

所述基础模型为M₁~M_n中的1个，或由M_i从数据集中进行抽样训练得到，或由其他神经网络训练得到。

4.根据权利要求1所述的基于多模型融合检测的平面裂隙光学检测方法，其特征在于：步骤（41）中，判断P内裂隙是否有弱小目标，具体为：

（42.1）获取R₁到R_n中所有裂隙的预测锚框，总数为T_A个，预设一比例阈值；

（42.2）对每个预测锚框，计算其面积与图像P总面积的比值，若比值小于比例阈值，则进行一次计数，处理完所有预测锚框，得到计数值C_A；

（42.3）若，且C_A大于权重向量D的维度，则判断图像P内有弱小目标，否则无弱小目标。

5.根据权利要求4所述的基于多模型融合检测的平面裂隙光学检测方法，其特征在于：所述比例阈值为0.0030~0.0040。

6.根据权利要求1所述的基于多模型融合检测的平面裂隙光学检测方法，其特征在于：所述步骤（4）还包括步骤（43）预测并记录R₁到R_n中，每个裂隙的裂隙走向；

预测裂隙走向为：对裂隙的预测锚框，预设其高度为y，宽度为x；

y：x＞2，则该裂隙为纵向；

y：x＜2，则该裂隙为横向；

其余高度和宽度比例不作分析；

所述记录为：记录在图像P的标注描述文件中。

7.根据权利要求1所述的基于多模型融合检测的平面裂隙光学检测方法，其特征在于：步骤（51.2）中，根据图像P的EXIF信息得到裂隙最低点。

8.根据权利要求1所述的基于多模型融合检测的平面裂隙光学检测方法，其特征在于：所述步骤（61）还包括；

对R₁中记录有剪切破坏的有效裂隙，将其生长方向值转换为二维向量，所有二维向量构成向量组K；

K中两两正交的二维向量超过1组，则按W₁*=W₁ +|S-σ|再次更新ω₁的参数值。