[发明专利]一种无监督的桥梁裂缝识别方法

说明书

本发明提供了一种无监督的桥梁裂缝识别方法，该方法首先利用无人机等收集混凝土裂缝图片，包括裂缝图片与正常图片；利用K‑Means聚类方法对数据集进行聚类，按照聚类后的结果对裂缝进行标签标记；按照8:1:1的比例将数据集划分为训练集、验证集和测试集；运用图像增强方法，增加数据集的数量；建立深度学习分类网络，进行训练，得到训练模型；利用训练好的模型进行混凝土裂缝自动识别。本发明效率高，成本低，相对于传统的人工标记标签训练法，更具有明显的自动化和高效性。

技术领域

本发明涉及土木工程与人工智能交互技术，具体涉及一种无监督的桥梁裂缝识别方法。

背景技术

在建筑、桥梁、道路和隧道等工程结构的建设中，混凝土的用量占比最高。裂缝作为混凝土结构的主要病害之一，不仅会影响美观，也会影响结构的耐久性和承载能力。对混凝土结构进行定时巡检，能够及时发现裂缝，能够尽早的防范并进行养护，能够提高混凝土结构的服役寿命。传统的检测混凝土结构裂缝的方法多采用人工巡检的方法，耗时费力，主观性强，检测精度。基于深度学习的混凝土裂缝识别方法成为当下热点，但是深度学习方法是一种有监督的方法，需要人工事先给每张图片打上标签，对于庞大的数据集可能会效率较低。

常用的传统数字图像处理方法包括边缘检测、阈值法、光谱分析法等，这些方法仅对特定情况下的数据集有效，在实际环境中，裂缝的检测易受环境因素干扰，从而使得传统的方法检测误差大，模型泛化能力低。深度学习是近几年新兴的计算机视觉技术，一些学者提出采用通道间注意力机制对多尺度特征图进行赋权的方法对裂缝图像进行了分类，并基于无人机进行桥梁裂缝的检测，提出了新的基于CNN的桥梁裂缝分类算法和目标检测算法，利用检测结果快速定位后再利用传统图像处理算法得到桥梁裂缝特征具体数值。这些方法需要事先对图片的类别进行标注，还是需要人工的介入。因此，提出一种完全的无监督裂缝识别方法，只要获取到数据集，无需对图片进行人工打标签，而是直接裂缝自动标注，在利用深度学习的方法对数据集进行训练，对于实现裂缝完全自动化检测乃至其他桥梁缺陷病害的自动化检测具有重要的意义。

发明内容

发明目的：针对现有技术对于桥梁裂纹识别的人工标记标签训练法等带来的繁琐问题，本发明提供一种无监督的桥梁裂缝识别方法。

技术方案：本发明所述的一种无监督的桥梁裂缝识别方法，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。

进一步的，步骤(1)所述的K-Means方法选用PCA作为降维方法，欧式距离作为度量方法，初始k值取2。具体包括如下步骤：

(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)，则整个数据集表示为：