[发明专利]一种基于迁移自学习的混凝土桥梁裂缝分类方法

说明书

技术领域

本发明属于桥梁裂缝分类技术领域，具体涉及一种基于迁移自学习的混凝土桥梁裂缝分类方法。

背景技术

随着经济的发展，桥梁在交通中的角色越来越重要，但是裂缝的存在对人民的生命财产安全构成了严重的威胁。通常来说，桥梁的检测和维护靠的是人工现场监测的方法，是一种高消费和高风险的工作。更重要的是，在我国，这种方法是不定期的，有些桥梁甚至长期得不到维护，发生了悲惨的事故，这些事故为我们敲响了警钟。近年来，人们对桥梁裂缝进行了一定的研究。

2013年，王小明、冯鑫和党建武利用多尺度金字塔变换对图像进行分解，再将每个尺度进行阈值处理，最后用分水岭算法进行分割。魏武、王俊杰和蔡钊雄利用小波和Radon变换进行了桥梁裂缝检测。 2014年，张开洪、罗林和颜禹对计算机视觉技术在桥梁裂缝检测与测量方面的应用。2016年，刘洪公、王学军、李冰莹和孟洁结合机器视觉和卷积神经网络，提出了一种新的智能裂缝检测方案。王艳、沈晓宇和丁文胜等应用脉冲耦合神经网络和遗传算法对裂缝进行了检测。国外研究现状如下：2013年，Henrique Oliveira和Paulo Lobato Correia提出了人行道表面裂缝自动检测和分类系统，该系统可以确定路面存不存在裂缝以及存在哪种类型的裂缝。2014年，Ronny Salim Lim,Hung Manh La和Weihua Sheng用装载照相机的移动机器人采集图片，然后提取拉普拉斯高斯特征来检测裂缝，最终将所有裂缝图片拼接成裂缝密度地图。2015年，Haiyan Guan,Jonathan Li,Yongtao Yu,Michael Chapman和Cheng Wang研究了路面特征，并创造了 GRE特征来检测路面裂缝。2016年，Prateek Prasanna,Kristin J.Dana, Nenad Gucunski,Basily B.Basily,Hung M.La,Ronny Salim Lim和 Hooman Parvardeh提出了一种新的裂缝探测方法STRUM来检测裂缝。

通过以上研究，我们可以看出，裂缝是存在很多种类的，包括横向的、纵向的、左倾斜的、右倾斜的和网状的等。同时，桥梁的路状况面也是不容乐观的，存在一些噪声，例如水渍、油渍、斑马线和树叶等障碍物。因为这些噪声的干扰，传统的数字图像处理方法很难确定阈值和参数，进而将裂缝区分出来，更不用说将多种裂缝进行分类了。一些仿生物学方法也被用来进行裂缝分割，但是效果不是特别理想，例如蚁群算法利用最小路径来进行裂缝分割，分割得到的图像不仅没有宽度信息，而且算法的复杂度太高了；脉冲耦合神经网络进行裂缝分割时，有三个参数需要认为设定，参数的选择直接影响图像的分割效果。又因为桥梁裂缝的深度不大，现有的计算机视觉或者机器视觉方法的精度通常不够，对于同一条裂缝，双目相机和单目相机的处理结果相差不大。然而，国外的某些裂缝探测系统解决了传统的数字图像处理和计算机视觉面临的问题，但是时间复杂度太高了，通常测试复杂度在O(n³)和O(n⁴)之间，训练复杂度为O(n)，而且通常需要大量标记的桥梁图片。并且现有的所有方法研究的都是裂缝识别问题，很少对桥梁裂缝的多分类问题进行研究。鉴于此，我们提出了一种测试复杂度为O(n)，训练复杂度为常数的一种快速分类方法。

发明内容

为了解决现有技术中存在的传统的数字图像处理方法很难对桥梁的多种裂缝进行分类，国外的某些裂缝探测系统时间复杂度太高，以及现有的所有方法研究的都是裂缝识别问题，缺少桥梁裂缝的快速多分类检测方法的问题，本发明提供了一种基于迁移自学习的混凝土桥梁裂缝分类方法。本发明要解决的技术问题通过以下技术方案实现：

一种基于迁移自学习的混凝土桥梁裂缝分类方法，包括以下步骤：

S1、采集混凝土桥梁的图片作为测试集，对测试集图片进行处理，处理的过程具体为：先对图片均值标准化，再进行基于主成分分析和白化的数据集降维处理，然后再对降维处理后的图片进行人工标注分类；

S2、从网络上下载Caltech101数据集作为训练集，提取训练集的尺度不变特征，然后用稀疏编码进行表示，获得特征字典；

S3、选取步骤S1中标注过的任一幅图片，提取所述图片的尺度不变特征，然后用稀疏编码进行表示，即用特征字典来表示测试集，得到稀疏系数特征集；然后用最大空间金字塔统计稀疏系数特征集，将得到的统计特征输入到线性多分类支持向量机分类器中，分类器训练完成；