[发明专利]一种无监督的桥梁裂缝识别方法

权利要求书

1.一种无监督的桥梁裂缝识别方法，其特征在于，包括以下步骤：

(1)获取桥梁混凝土表征图片，包括正常图片和损伤图片，构成数据集，并通过K-Means方法对样本数据集进行聚类并做降维处理，根据聚类后的结果对数据集进行裂缝或正常标注；

(2)将比例将数据集划分为训练测试集、验证集和测试集，并利用数据增强的方式对数据集进行扩充；

(3)建立具有自动识别裂缝的卷积神经网络模型，对步骤(2)中得到的数据集进行训练，并保存训练好的深度学习分类网络模型与参数，所述的深度学习分类网络模型包括ResNet网络和ResNeXt网络，并将桥梁的裂缝图像转化为二分类问题，所述二分类问题的交叉熵损失函数如下：

式中：L_BCE为二分类的交叉熵损失；N为图像数目；y_i为第i个图像的标签值；P_i为第i个图像的预测概率值；

(4)对桥梁进行巡检并获取表面图片，步骤(3)得到的深度学习分类网络模型动识别桥梁混凝土出现裂缝的损伤图片。

2.根据权利要求1所述的无监督的桥梁裂缝识别方法，其特征在于，步骤(1)通过PCA做降维处理，采用欧式距离作为度量方法，初始k值取2，具体如下：

(11)对于n张图片的数据集，每张图片的尺寸大小为h×w，将图片按照行展开为h×w维向量x_i，(i＝1,2,3...,n)，整个数据集表示为：

X＝{x₁,x₂,...,x_n}；

(12)对数据集进行去中心化，即每一维特征减去各自的均值，如下式所示；计算协方矩阵cov，如下式所示：

(13)利用矩阵特征值分解方法求协方差矩阵的特征值与特征向量，对特征值从大到小排序，选取其中最大的k个，然后将其对应的k个特征向量分别作为行向量组成特征向量矩阵P，将该矩阵P于与原始数据集相乘，便可得到降维后的数据集，所述的特征值表示如下：

(14)然后利用K-Means算法对降维以后的数据集进行聚类，从数据集中随机选择k＝2个数据点x_i和x_j作为初始聚类的中心，后对每一个数据点x_k(k≠i,k≠j)，计算其于初始中心的距离，选取与之距离最近的点作为自己的类别，当所有数据点归类完毕后，重新计算中心，将中心点设置为该类别中所有数据点的中心位置，重复上述步骤，直至数据点的类别不再发生改变，以此给数据集中的每一张图片自动打上标签，聚类的表示公式如下所示：

Y＝PX。

3.根据权利要求1所述的无监督的桥梁裂缝识别方法，其特征在于，步骤(2)所述的训练测试集、验证集和测试集的比例为8:1:1。

4.根据权利要求1所述的无监督的桥梁裂缝识别方法，其特征在于，步骤(2)所述的数据增强方式包括随机翻转、随机缩放、随机裁剪、随机亮度和对比度，扩充方式包括按照比例划分后分别对应扩充或扩充后混合按照比例重新划分训练测试集、验证集和测试集。

5.根据权利要求1所述的无监督的桥梁裂缝识别方法，其特征在于，步骤(3)所述的深度学习分类网络模型包括ResNet网络和ResNeXt网络，ResNet块定义为：

y＝F(x)+x

式中：x和y是层的输入和输出向量；函数F表示待学习的残差映射；

所述ResNet网络中使用的重复层策略和Inceptions中使用的分裂-转换-合并策略；ResNeXt定义为：

F(x)替换为T_i(x)，表示聚合的转换，x和y仍然是层的输入和输出向量，C被称为基数，所有T_i都具有相同的拓扑。