[发明专利]一种复杂环境下的裂缝识别方法

说明书

本发明涉及一种复杂环境下的裂缝识别方法，属于的裂缝识别技术领域。该方法步骤包括：步骤A：数据集处理；步骤B：缝识别模型搭建；步骤C：数据增强；步骤D：提取子图中的裂缝；步骤E：整体阈值分割；本发明运用卷积神经网络结合传统图像处理找出裂缝的组合方法，结合两者优点，使用卷积神经网络找出裂缝的大致位置，再使用传统的图像处理方法描出裂缝具体形状，这样做可以解决复杂环境对裂缝识别影响的问题。本发明使用双模型交叉验证进行分类，一个模型获取所有信息，一个模型只获取形状信息，判断结果取他们的交集，这样就可以区分颜色与裂缝相似的干扰项，让结果更佳精准。

技术领域

本发明涉及一种复杂环境下的裂缝识别方法，属于的裂缝识别技术领域。

背景技术

现有的裂缝识别方案主要分为两个方向，一个是传统的计算机图像处理，基于图像形态学对裂缝进行识别；另一个方向是基于卷积神经网络的深度学习处理方案，为目前主流方案方向。

传统的计算机图像处理方案对图像的环境要求很高，普适性不够好，特征分辨不明显，只能识别一些简单的没有杂质的图片。基于卷积神经网络的深度学习处理方案则需要大量的样本，不管是对样本的采集还是标注都耗费巨大的人力物力，即便是解决了这些问题，模型在面对复杂的环境时也很难表现得很好。

在检测结构物裂缝时会有很多复杂环境影响，面对干扰项传统的计算机视觉处理方法很难解决颜色相近的干扰项，总是会遗留很多被误判为裂缝的杂质。卷积神经网络又需要大量的标注样本，且标注难度远大于普通分类标注。

发明内容

本发明目的在于提供一种复杂环境下的裂缝识别方法，本方法提出使用卷积神经网络找到裂缝位置，传统的计算机视觉处理方法找到具体裂缝的组合型模式，且使用两个模型较差验证识别，最终使复杂环境的裂缝识别得更加准确。

本发明为实现上述目的，采用如下技术方案：

一种复杂环境下的裂缝识别方法，该步骤包括：

步骤A：数据集处理；

对原图片的平滑采样，采样像素大小为96*96；

训练集中步长根据标签不同从而设置如下，其中背景图片的步长为128，黑色马克笔的步长为64，直尺的步长为48，裂缝的步长为24；

测试集则统一按照16的步长进行平滑取样，像素大小大小同样是96*96；

步骤B：缝识别模型搭建；

模型分为主模型和辅助模型，这两个模型的神经网络结构一模一样，区别仅仅是对训练集的处理，主模型输入的训练集为正常图片组成，辅助模型则输入的训练集为变为灰度图的图片。

步骤C：数据增强；

训练过程中，为了防止过拟合，采用数据增强的方法，本次训练过程中采用随机对图片进行翻转和随机变为灰度图，在主模型中随机翻转的概率为0.5，随机变为灰度图的概率为0.1；辅助模型中随机翻转的概率为0.5，随机变为灰度图的概率为1；

步骤D：提取子图中的裂缝；

对判定为裂缝的子图片进行处理，先将其变为灰度图，再进行阈值分割；通过K-means将像素灰度值聚类成两个类别，取较小类别为阈值分割的阈值，分割之后就可以将裂缝与背景分离开；对每张被识别为裂缝区域的子图都做裂缝识别处理之后将其拼接起来，对重合部分的像素值累加；

步骤E：整体阈值分割；

由于每一幅图片的状况都不相同，为了更好的确认阈值大小，采用两次K-means聚类去实现，每次都将像素灰度变成数据集进行聚类，其中第一次K-means聚类主要去除图片中大多灰度极低的像素，去除掉之后再通过一次K-means聚类得出阈值大小。

进一步的，在步骤B中：由于主模型与辅助模型的结构一模一样，主模型与辅助模型的结构参数情况如下：其中模型选择的损失函数为交叉熵函数，优化器为自适应矩估计优化器，其中输入的图片形状为96*96*3，表示长宽分别为96个像素且有RGB 3个通道的图片数据；