[发明专利]基于计算机视觉的混凝土结构表面缺陷自动检测方法

说明书

本发明属于计算机视觉技术领域，具体涉及一种基于计算机视觉的混凝土结构表面缺陷自动检测方法，包括对视频数据进行时间轴上采样获取图像，再将图像输入深度卷积神经网络模型获取缺陷的位置、缺陷的类别以及缺陷的分割效果。在实际的混凝土结构检测中，本发明的方法基于深度学习框架下的视频图像识别技术，从根本上解决了以往计算机视觉方法中存在的误检率高、通用性差等实际问题；从视频图像数据的处理和最终结果的输出，具有自动化程度高、实时性好、准确率高、通用性好、便于后期升级维护等优点。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于计算机视觉的混凝土结构表面缺陷自动检测方法，可广泛用于跨江、跨海大桥，城市高架桥、城市高耸建筑等大型混凝土结构的表面缺陷检测。

背景技术

随着国民经济的快速发展和城市化进程的加快，各种大型混凝土结构建筑如雨后春笋般迅速增加，另外一方面，城市中的各种大型混凝土结构具有使用负载量大、安全性要求高的实际使用需求。定期的混凝土结构缺陷检测能够给相关的养护部门提供有效的养护数据，进而保障建筑使用期间的安全、提高建筑物的养护效率。然而，目前的国内的混凝土建筑物的检测工作大多数是基于人工操作的方式方法，这势必会带来极其繁重危险的人工劳动，而且不可避免的引入主观判断的误差。近年来，随着深度学习和人工智能技术的发展，视频检测技术的优势与发展潜力凸显于各种检测技术之中，随之便出现了基于传统计算机视觉方法的裂缝检测识别方法，但是这种方法存在抗噪声能力弱、通用性比较差、检测准确率低的问题。

发明内容

本发明的目的在于提供一种基于计算机视觉的混凝土结构表面缺陷自动检测方法，在实际的混凝土结构检测中，本方法基于深度学习框架下的视频图像识别技术，从根本上解决了以往计算机视觉方法中存在的误检率高、通用性差等实际问题。

为实现上述目的，本发明所采取的技术方案是：

一种基于计算机视觉的混凝土结构表面缺陷自动检测方法，其特征在于：对视频数据进行时间轴上采样获取图像，图像输入深度卷积神经网络模型获取缺陷的位置、缺陷的类别以及缺陷的分割效果。

进一步地，所述深度卷积神经网络模型包括：

特征提取模块，用于提取图像特征；

缺陷位置生成模块，用于根据图像特征提取出图像中的疑似缺陷目标区域；

缺陷区域位置检测模块，用于获取疑似缺陷目标区域中缺陷在图像中的精确坐标信息；

缺陷区域分类模块，用于确定疑似缺陷目标区域中缺陷的类别；

缺陷区域分割模块，用于对疑似缺陷目标区域中的缺陷进行语义分割。

进一步地，所述特征提取模块包括ResNet50网络模块，用于提取图像的特征向量。

进一步地，所述缺陷位置生成模块包括感兴趣区域提取模块，将图像的特征向量输入感兴趣区域提取模块，生成疑似缺陷目标区域的目标框，提取目标框对应的目标区域特征向量，将所有目标区域特征向量调整到统一的维度；生成目标存在置信度的概率值，并将概率值按照大小顺序排序，选取概率值大于预设值的目标区域特征向量，作为缺陷区域位置检测模块、缺陷区域分类模块、缺陷区域分割模块的输入。

进一步地，所述缺陷区域位置检测模块，将目标区域特征向量输入到一线性回归器中计算误差并进行反向传播，最终得到缺陷所在区域的最小外接矩形。

进一步地，所述缺陷区域分类模块，将目标区域特征向量输入到一全连接层并传输给Soft Max激活层，得到疑似缺陷目标区域对应于各个类别的概率预测向量。

进一步地，所述缺陷区域分割模块，将目标区域特征向量输入到一Unet网络模块中对疑似缺陷目标区域中的缺陷进行语义分割。

进一步地，所述深度卷积神经网络模型的训练过程如下：