[发明专利]一种基于改进编解码网络模型的裂缝检测方法

说明书

本发明涉及一种基于改进编解码网络模型的裂缝检测方法，将经过数据预处理的数据集送入编码器进行特征提取，模型采用编码器‑解码器结构，主干网络为在ImageNet中预训练的ResNet34，在编码器中间层加入级联的双核空洞卷积，以保留有更多裂缝的底层语义信息和空间结构信息在跳跃连接阶段进行融合，解码器阶段引入多核池化模块用以获得不同尺寸的裂缝信息并融合，相比单一的池化层获得的信息更有全局性，能有效检测出图片中的细小裂缝。本发明在不同数据集上进行实验，并且同时与其他主流算法模型进行对比实验，结果表明本发明提出的方法效果具有较高的精度，弥补了传统方法的不足。

技术领域

本发明涉及安全监测图像处理技术领域，尤其是一种基于改进编解码网络模型的裂缝检测方法。

背景技术

混凝土表面裂缝检测是混凝土建筑结构健康监测的重要内容。如果建筑物表面出现裂缝并继续延伸，长此以往会导致结构失效，造成较严重的经济损失与人员伤亡。人工检测裂缝的过程费时费力，并且有一定的主观判断因素影响检测精度，高层建筑、桥梁等结构也很难实现人工检测。因此，基于图像处理技术的混凝土裂缝自动化检测的方法成为当前研究的热点。

随着信息技术的飞速发展，研究人员提出将计算机视觉和图像处理技术应用到裂缝检测中，传统的裂缝检测方法有Gabor滤波器、定向梯度直方图、局部二值模式、基于阈值估计等。虽然这些方法也取得了不错的检测结果，但是对于数据集质量要求较高，在光照不均、裂缝拓扑结构复杂、噪声多的数据集上表现欠佳。随着深度学习在各领域中的广泛应用与优异表现，近年来，研究者们致力于将卷积神经网络运用到裂缝检测中以解决传统方法的局限性。

在裂缝检测领域，传统的卷积神经网络特征提取阶段降低了特征图的分辨率，使得很多裂缝图像低级语义信息以及细粒度的空间结构信息丢失，容易漏检误检某些细小裂缝。即使有上采样以及特征融合等操作恢复图像细节信息，网络仍难以精确提取到拓扑结构复杂、前景与背景极度不平衡的裂缝图像细节特征。

发明内容

本发明要解决的技术问题是：为了克服现有技术中之不足，本发明提供一种基于改进编解码网络模型的裂缝检测方法，以解决现有技术中混凝土表观裂缝的检测准确率低、易丢失细小裂缝、裂缝像素占比小的问题。

本发明解决其技术问题所采用的技术方案是：一种基于改进编解码网络模型的裂缝检测方法，包括以下步骤：

S1、数据获取：使用智能设备在混凝土建筑上拍摄采集裂缝图像数据；

S2、数据标记：使用labelme软件对采集的图像数据进行标记分类；

S3、数据预处理：采用数据增强方法倍化所采集的数据集；

S4、将经过数据预处理的数据集送入编码器进行特征提取：编码器中主干网络使用经过预训练的Resnet34，ResNet的主要思想是在网络中增加了直连通道，即HighwayNetwork的思想。ResNet通过直接将输入信息绕道传到输出，保护信息的完整性，整个网络只需要学习输入、输出差别的那一部分，简化学习目标和难度。

在编码器中间层加入空洞卷积，编码器阶段为了提取图片特征，卷积神经网络能够自动学习图片特征，图片中的特征信息分为低层语义信息和高层语义信息，浅层神经网络学习到的是图像的轮廓、纹理等低层信息，随着神经网络层数的加深，网络能够学习到更加抽象、高级的特征。但是，上述方法在提取特征阶段也即多层卷积最大池化操作中降低了特征图的分辨率并增大感受野，使得很多图像细节信息以及空间信息丢失，容易漏检某些细小裂缝。

空洞卷积的提出就是为了在不降低特征图的尺寸的同时实现感受野的增长，让每个卷积的输出包含更大范围的信息。

定义k为卷积核大小、k’为感受野大小、d为扩张率大小，则感受野的计算公式为：

k′＝k+(k-1)*(d-1) (1)