[发明专利]一种混凝土结构表面裂缝识别方法

权利要求书

1.一种混凝土结构表面裂缝识别方法，其特征在于：包括以下步骤

S1、获取混凝土结构表面裂缝图像，组建图像数据集；

S2、对获取的裂缝图像进行随机剪切、颜色改变处理以增强数据集；

S3、对数据集中的裂缝图像打标签标注；

S4、将数据集划分为两个子集，训练集和测试集；

S5、构建卷积神经网络模型；

S6、输入S4步骤中划分出的训练集图像对所建卷积神经网络模型进行训练；

S7、将测试集中图像交由已训练的卷积神经网络模型去识别，输出识别结果。

2.根据权利要求1所述的一种混凝土结构表面裂缝识别方法，其特征在于：步骤S3所述打标签操作后生成一个文件来描述图中裂缝的位置框坐标(x_min，y_min，x_max，y_max)，以定位裂缝的位置。

3.根据权利要求1所述的一种混凝土结构表面裂缝识别方法，其特征在于：步骤S5具体为：

所述卷积神经网络模型结构是由1个卷积层、17个瓶颈层、5个特征提取层、1个非极大值抑制输出层组成。

4.根据权利要求1或3所述的一种混凝土结构表面裂缝识别方法，其特征于：所述步骤S5中卷积神经网络模型设计具体为：

第一层，卷积层，步长S＝1，通道数C＝8；

第二层，瓶颈层，扩张系数t＝1，步长S＝1，通道数C＝12；

第三层，瓶颈层，扩张系数t＝6，步长S＝2，通道数C＝12；

第四层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝12；

第五层，瓶颈层，扩张系数t＝6，步长S＝2，通道数C＝16；

第六层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝16；

第七层，瓶颈层，扩张系数t＝6，步长S＝2，通道数C＝16；

第八层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝32；

第九层，瓶颈层，扩张系数t＝6，步长S＝2，通道数C＝32；

第十层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝32；

第十一层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝64；

第十二层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝96；

第十三层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝96；

第十四层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝96；

第十五层，瓶颈层，扩张系数t＝6，步长S＝2，通道数C＝160；

第十六层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝160；

第十七层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝160；

第十八层，瓶颈层，扩张系数t＝6，步长S＝1，通道数C＝320；

第十九层，特征提取层1，步长S＝2；

第二十层，特征提取层2，步长S＝2；

第二十一层，特征提取层3，步长S＝1；

第二十二层，特征提取层4，步长S＝1；

第二十三层，特征提取层5，步长S＝1；

第二十四层，非极大值抑制输出层。

5.根据权利要求4所述的一种混凝土结构表面裂缝识别方法，其特征在于：所述卷积神经网络模型中的瓶颈层为深度可分离卷积，具体结构为：对输入依次进行1ⅹ1卷积、3ⅹ3卷积、1ⅹ1卷积。

6.根据权利要求4或5所述的一种混凝土结构表面裂缝识别方法，其特征在于：所述卷积神经网络结构在瓶颈层压缩步骤完成后不使用激活函数。

7.根据权利要求1或4所述的一种混凝土结构表面裂缝识别方法，其特征在于：所述卷积神经网络结构参数的学习采用动量梯度下降法，初始学习率设置为0.003，在模型训练过程中，每五轮训练后学习率减半。

8.根据权利要求1或4所述的一种混凝土结构表面裂缝识别方法，其特征在于：所述卷积神经网络结构，其目标损失函数为定位损失和置信损失两部分的加权和。