[发明专利]基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法

说明书

基于改进R‑UNet深度学习的透水混凝土孔隙自动识别方法，制备不同集料粒径的透水混凝土试样；对透水混凝土试样进行CT扫描，得到试件的CT切片图像；标准化预处理，形成标准化原始数据集；对标准化原始数据集进行标注；对带真值的标准数据集进行增强处理；提出改进R‑UNet深度学习模型，对改进后的R‑UNet深度学习模型进行训练，得到最优模型；对于亮度异常的图像，提出采用融合图像算法对分割后的图像进行融合；将测试集中的图像输入到最优模型中进行孔隙智能识别与分割，得到孔隙数目、每个孔的面积、孔隙率，同时给出评价结果。本发明方法与传统的手动阈值法相比，在精度和效率上得到大幅提升，且具有更强的鲁棒性和泛化性，完全可以代替目前采用的手动阈值法。

技术领域

本发明涉及一种透水混凝土孔隙识别方法，具体涉及一种基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法。

背景技术

透水混凝土是一种具有渗水、净水、降噪、缓解热岛效应等多种环境效益的新型铺路材料，应用越来越广泛。复杂的孔隙结构是透水混凝土的基本特征，通常以孔隙率为设计控制指标，一般在10％～35％之间，其中，孔隙尺寸大小范围为1.5mm²～350mm²。孔隙结构被证明是影响透水混凝土宏观性能的决定性因素。因此，分析和表征透水混凝土的孔隙结构的基础上建立孔隙结构与宏观性能的关系是透水混凝土的关键问题，而孔隙的识别与分割结果作为分析和表征透水混凝土的孔隙结构的前提条件，其精度将直接决定后续性能分析的准确性。

随着深度学习在计算进视觉领域的不断发展，其相关技术被广泛应用于各行各业，从医学，农业，到林业都给传统方式带来了一系列的变化，最近也逐步向土木工程领域衍生。深度学习是一种数据驱动的人工智能技术，其学习是指从大量训练数据中自动获取最优参数的过程。通过对大量标注的图像数据进行训练学习，可使算法提取图像数据的深层特征，从而达到识别同类数据的效果。由于缺乏公开标准的透水混泥土数据集，还未曾有学者或工程人员将深度学习技术应用于透水混凝土的孔隙识别与分割中。

目前透水混凝土孔隙结构分析方法主要有两种：切片法和计算机断层扫描法即CT扫描法(Computerized Tomography)。切片法是先将透水混凝土试样切割，对得到的截面进行拍照获得孔隙结构高清图像，再对图像进行分析处理并提取孔隙结构参数。CT扫描法是利用CT扫描系统对试件进行扫描，得到连续的内部截面，然后利用图像处理技术分析透水混凝土的孔结构特征。这两种方法在透水混凝土的孔结构分析和建立孔结构与宏观性能之间的关系方面得到了广泛的应用，尤其是CT扫描法。

上述两种方法中，都利用了图像处理技术中的人工阈值法对图像进行分割，由于最佳阈值具有不确定性和随机性，整个分析过程依靠人工操作，分析效率低，精度不稳定。因此，建立一种高效、准确的透水混凝土孔结构分析方法仍然是一项非常有意义的挑战性工作。

以UNet为代表的深度学习语义分割模型具有较好的鲁棒性，但模型对光线明暗、色彩饱和、对比度、灰度比较敏感，特别是亮度、对比度极端异常时，图像分割的精度降低，欠分割或过分割的情况明显。针对此问题，常用的方法是在图像预处理阶段，尽可能提供不同饱和度、亮度和对比度等多样性样本，或者先对图像的对比度做直方图拉伸，然后再训练或测试，但这些方法都会显著降低模型的训练效率，不便于实际应用，因此有必要提出适合透水混凝土孔隙识别与分割的深度学习模型。

发明内容