[发明专利]一种基于CNN深度学习的桥梁裂缝检测定位方法

说明书

本发明公开了一种基于CNN深度学习的桥梁裂缝检测定位方法,该方法首先利用窗口滑动算法将桥梁图像切分为较小的桥梁裂缝面元图像和桥梁背景面元图像；同时,根据基于卷积神经网络(CNN)的DBCC分类模型,对桥梁背景面元图像和桥梁裂缝面元图像进行识别；然后,结合窗口滑动算法在整幅桥梁裂缝图像上进行桥梁裂缝的检测定位；最后,采用图像金字塔和ROI区域相结合的搜索策略对算法进行加速。与传统的裂缝检测定位方法相比,本发明提出的桥梁裂缝检测定位方法不仅具有更好的检测效果和更强的泛化能力,而且本发明的检测定位方法是直接基于彩色图像进行的,这也是传统的裂缝检测定位方法所不具备的特点。

技术领域

本发明属于图像处理和计算机视觉领域,具体涉及一种基于CNN深度学习的桥梁裂缝检测定位方法。

背景技术

桥梁作为道路、公路、铁路等交通系统的枢纽,需要定期的对其健康状况做出评估,而桥梁裂缝作为最主要的桥梁病害之一,严重影响着桥梁的安全运营,更为严重的会发生桥毁人亡的事故。因此,对桥梁裂缝进行有效的检测定位至关重要。

近年来,有许多学者开展了关于裂缝检测方法的研究,但目前主要的研究都是基于传统的图像处理算法进行的裂缝检测。例如,公开号为CN103528527A的专利文献,公开了基于区域选定的裂缝尺寸自动测量方法,该方法是基于传统的图像处理算法进行的；例如,中国期刊《铁道学报》2015,Vol37,No5,pp64-70刊登了一篇题为“基于特征分析的地铁隧道裂缝识别算法”的论文,作者朱力强等人在该论文中,公开了其基于特征分析的地铁隧道裂缝识别算法；再例如,期刊《计算机工程与应用》2015,Vol51,No14,pp136-140刊登了一篇题为“一种桥梁路面裂缝的检测方法”的论文,作者孙乾程等人在该论文中,公开了一种新的基于桥梁路面裂缝的分布式裂缝检测模型。

以上文献公开的裂缝检测方法,都是基于传统的图像处理算法,针对同一种背景纹理和同一种材质进行的裂缝检测,换言之,传统的图像处理算法是先把彩色图像转化为灰度图像,然后基于灰度图像的裂缝检测定位,由此可知,传统的图像处理算法都不能直接针对彩色图像进行裂缝检测定位。

发明内容

为了解决传统的图像处理算法不能直接对彩色图像进行裂缝检测定位,本发明提供了一种基于CNN深度学习的桥梁裂缝检测定位方法。本发明要解决的技术问题通过以下技术方案实现:

一种基于CNN深度学习的桥梁裂缝检测定位方法,包括以下步骤:

步骤一、建立并训练深度学习模型；

步骤二、采集一张彩色桥梁裂缝的图片作为待检测图像；

步骤三、使用步骤一得到的训练好的模型对待检测图像进行检测,并记录由所述训练好的模型识别出所有桥梁裂缝面元的横纵坐标,然后统计桥梁裂缝面元的个数，记为N；

所述训练好的模型在识别桥梁裂缝面元时采用窗口滑动算法，所述窗口滑动算法的计算过程如式(1)所示:

其中,P_b(x)和P_c(x)为在本次识别过程中,桥梁背景面元和桥梁裂缝面元所识别的概率；f(x)为0,表示当前的桥梁面元图像为桥梁背景面元,f(x)为1,表示当前的桥梁面元图像为桥梁裂缝面元,t为一个概率区分阈值；

步骤四、使用简单选择排序算法对步骤三记录的所有桥梁裂缝面元的横纵坐标分别进行排序,挑选出最小的横纵坐标和最大的横纵坐标组成两个新的坐标点,将两个新的坐标点作为对角点在待检测图像上画出矩形区域,该矩形区域为桥梁裂缝在待检测图片中的位置；

上述的一种基于CNN深度学习的桥梁裂缝检测定位方法,所述步骤二和步骤三之间还具有算法的加速步骤,所述加速步骤采用高斯金字塔和ROI区域相结合的加速策略,所述加速步骤具体为: