[发明专利]一种基于迁移自学习的混凝土桥梁裂缝分类方法

摘要

本发明公开了一种基于迁移自学习的混凝土桥梁裂缝分类方法，包括步骤：采集混凝土桥梁的图片作为测试集，对测试集进行预处理并标注；下载Caltech101数据集作为训练集，提取训练集的尺度不变特征，然后用稀疏编码进行表示，获得特征字典；选取测试集中的任一幅图片，提取图片的尺度不变特征，然后用特征字典进行表示，并用图像金字塔进行处理，最后训练分类器；随机选取采集的一幅混凝土桥梁图片，输入到训练的分类器中，将分类结果的类别对照人工标注分类的图片，即可得知随机选取的混凝土桥梁图片的裂缝类型。本发明的方法不需要大量的样本，也不需要人工去大量标记图片，且该方法的鲁棒性很强，并有一定的泛化能力和较快的收敛速度。

主权项

1.一种基于迁移自学习的混凝土桥梁裂缝分类方法，其特征在于，包括以下步骤：S1、采集混凝土桥梁的图片作为测试集，对测试集图片进行处理，处理的过程具体为：先对图片均值标准化，再进行基于主成分分析和白化的数据集降维处理，然后再对降维处理后的图片进行人工标注分类；图片均值标准化采用公式(1)，使均值全部为0；x_norm＝x‑u   (1)其中，x代表桥梁图片，M和N分别表示图片的行数和列数，x_norm是均值标准化最终的结果；基于主成分分析和白化的数据集降维处理的具体过程为：假设桥梁图片为x＝{x₁,x₂,...,x_m}，其中，x_i(1≤i≤m)是一个P×P的图像块，这样n等于P×P；主成分分析的目标是将x_i(1≤i≤m)的维数从n维降到k维；将∑定义如下，采用公式(1)对x_i(1≤i≤m)进行均值标准化；然后计算∑的特征向量，如式(3)所示，所有特征向量组成了特征向量矩阵U，u₁是主向量，u₂是次向量，以此类推，λ₁,λ₂,...,λ_n是各自对应的特征值；U＝[u₁ u₂ … u_n]   (3)由于进行均值标准化后，x_i(1≤i≤m)的均值为0，所以∑是x_i(1≤i≤m)的协方差矩阵；通过判断协方差矩阵是否是一个对角矩阵，来判断求得的Σ的特征值的正确性，进而判断特征向量的正确性；然后将x_i(1≤i≤m)投影到每个特征向量u_i(1≤i≤n)上；如式(4)所示，是x_i在u₁特征向量方向上的投影；随着i的增大，特征向量u_i(k＜i≤n)就全部变为0；自然地，x投影到所有特征向量u_i(1≤i≤n)方向上的结果见式(5)；至此，已经将的维数从n降到k，接下来，需要用重建x；鉴于U是正交矩阵，U^TU＝UU^T＝I，其中I是单位矩阵，所以x的重建如下：其中，k的取规则定义如下，为了进一步减少图片的冗余信息，采用公式(8)对主成分分析后的图片进行白化，经过白化处理后，每一个图像块x_i(1≤i≤m)的方差是严格相等的；但是，特征值很可能无限制接近0或者等于0，这样会造成溢出错误，所以将式(8)改进为式(9)，改进后的白化称为软白化；S2、从网络上下载Caltech101数据集作为训练集，提取训练集的尺度不变特征，然后用稀疏编码进行表示，获得特征字典；S3、选取步骤S1中标注过的任一幅图片，提取所述图片的尺度不变特征，然后用稀疏编码进行表示，即用特征字典来表示测试集，得到稀疏系数特征集；然后用最大空间金字塔统计稀疏系数特征集，将得到的统计特征输入到线性多分类支持向量机分类器中，分类器训练完成；S4、随机选取采集的一幅混凝土桥梁图片，输入到步骤S3中训练完成的分类器中，得到桥梁图片的分类结果，将分类结果的类别对照S1中人工标注分类的图片，即可得知随机选取的混凝土桥梁图片的裂缝类型。