[发明专利]一种基于深度学习的全卷积网络图像裂纹检测方法

说明书

本发明涉及一种基于深度学习的全卷积网络图像裂纹检测方法，属于故障诊断技术与信号处理分析技术领域。本发明首先搜集裂纹图像，将图像分为训练数据集和测试数据集，并对训练数据集中的图像进行裂纹区域标注；其次构建用于裂纹图像检测的全卷积神经网络模型；然后利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测。本发明使得网络模型能够有效增加裂纹信息的选择；使得网络模型可以获得更精细的局部细节；使得整个网络可以实现有效的递进式特征传递，提高了网络模型的裂纹检测精度。

技术领域

本发明涉及一种基于深度学习的全卷积网络图像裂纹检测方法，属于故障诊断技术与信号处理分析技术领域。

背景技术

裂纹是由于材料表面或内部在受到外界应力或环境的作用下产生局部断裂并扩展的结果。由于结构体在制造和应用过程中存在不可避免的浅表裂纹以及所承受的应力集中和交变载荷，使得其在应用中会突然引发危害极大的疲劳断裂。所以及时检测承载结构体的表面裂纹对于设备或所承载媒介的安全运行和提高经济效益有很大意义。常用的方法如人工目视、声学、光学、射线、电磁和微波等无损检测方法的实现还是停留在需要满足相应条件的前提下进行的人为操作或依靠高灵敏度检测器件辅助完成，而且这些方法均只能判断有无缺陷裂纹，无法对裂纹进行定性的分类以及尺寸测量。随着社会经济和自动化技术的不断进步，基于计算机视觉和图像处理的裂纹检测技术开始逐渐应用于钢材、交通运输、能源、汽车、电子、通用零部件、建筑、食品、生活用品等诸多行业与领域。但当前图像裂纹检测研究中复杂多变的外在环境以及裂纹存在的多样性形式，使得如何在复杂、相似的背景中精确地提取裂纹的属性特征，提高特征聚类的精度以及赋予目标模型/分类器强大的优化分类性能以及解决算法精度和速度上的矛盾一直是图像裂纹检测领域的一个难题。在对FCN(Fully Convolutional Networks，FCN)网络进行裂纹图像检测时发现：FCN网络会预先设定一个固定尺寸的感受野，小于感受野尺寸的裂纹目标会在检测过程中产生误分类或错误标记，即较大尺寸裂纹的全局和局部信息可以实现较好的标签预测而较小尺寸裂纹的局部信息则容易丢失局部信息。虽然FCN网络通过增加Skip层来规避该局限性，但仍无法在边界细节和语义学之间达到均衡；由于FCN网络前两层的Convolution较为粗糙，第五层Convolution与全连接层之间较大的维度跨越导致网络在复杂和相似的背景环境下丧失部分精细化区分的能力，即复杂背景下与裂纹相似的伪目标会被误分类为裂纹。

发明内容

本发明提供了一种基于深度学习的全卷积网络图像裂纹检测方法，在增大分辨率的同时取消全连接层中的dropout层以增大裂纹信息的选择；在FCN-8s网络之后添加更高尺度的反卷积层来扩充局部精细细节；在FCN网络的前两层CONV的每个单元之后再次添加一个卷积单元conv和relu单元以及在第五个CONV后添加第六个CONV；修改第五个卷积层CONV至全连接层FC中的滤波器尺寸和维度以使整个网络实现递进式特征传递。

本发明的技术方案是：一种基于深度学习的全卷积网络图像裂纹检测方法，首先搜集裂纹图像，将图像分为训练数据集和测试数据集，并对训练数据集中的图像进行裂纹区域标注；其次构建用于裂纹图像检测的全卷积神经网络模型；然后利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测。

所述方法的具体步骤如下：

Step1、搜集裂纹图像，利用插值算法将所有裂纹图像转变为统一尺寸的图像，将转变尺寸后的图像分为训练数据集和测试数据集，对训练数据集中的图像进行像素级别的裂纹区域标注，同时去掉多余的背景区域；

Step2、以训练好的imagenet-vgg-verydeep-16模型为基础，通过修改imagenet-vgg-verydeep-16模型的网络结构和滤波器尺寸来构建用于用于裂纹图像检测的全卷积神经网络模型；