文摘

很长一段时间,会出现混凝土表面裂缝,导致很多安全问题。传统的人工检测方法不仅花费金钱和时间,而且不能保证精度高。因此,识别方法相结合的基础上提出了卷积神经网络和聚类分割。该方法实现了准确的识别混凝土表面裂缝图像的复杂背景下,提高混凝土表面裂缝识别的效率。研究结果表明,该方法不仅将裂缝和noncrack有效而且识别裂缝复杂的背景。该方法在裂缝识别精度高,这是至少97.3%,甚至98.6%。

1。介绍

目前,中国混凝土结构的使用相当广泛,涉及许多工程行业。但随着各种裂缝生成的建设和使用过程中,潜在的安全隐患已被带到工程建设和维护。现在,最常见的检测方法仍然是人工检测,不仅效率低下,而且会带来安全问题。和更先进的无损检测方法是昂贵的和不能实现绝对的非接触检测。近年来,随着计算机视觉技术的不断发展,基于计算机技术实现高精度的裂纹检测已成为一个热点。检测方法的影响主要集中在采样数据集群形成协议解决群龙无首集群形成问题[1]。主要分为传统的图像处理方法(包括边缘检测(2],阈值分割[3),和地区分割4])和机器学习方法(包括深度学习(5和聚类分割6])。

传统的图像处理方法,徐et al。7)使用相位角和灰色分布改善精明的经营者,可以识别精细表面裂缝,但产生更多的噪音。里维拉et al。8)试图通过形态学方法检测混凝土表面裂缝和裂缝拼接,可以去除噪声,但裂缝的整体骨架的拼接效果不是很好。苏和杨9)提出了一个算法,提高图像分割,形态学分割基于边缘detection-II (MSED-II),混凝土裂缝分割。陆et al。10)使用了一种新的双门限算法结合形态学去噪实现应变硬化胶结复合材料裂纹图像的识别,但是这种方法不能识别裂缝和复杂的背景。基于边缘检测算法、动力学和Nezamivand Chegini [11使用小波变换提出了一种检测方法,能更好地识别裂纹图像无关紧要的灰度差异,可以识别裂缝在一定的复杂背景下,但效果不够明显。

与传统的图像处理方法相比,饶et al。12)提出了一种更快、更简单的单层卷积神经网络基于实时目标检测技术,这不仅可以减少背景对损伤识别的影响在某种程度上,也是识别各种表面裂缝的混凝土桥梁,但准确率仅为66%。基于深度完全卷积神经网络,任et al。13]提出了一种多尺度裂纹特征提取网络结构为混凝土隧道CrackSegNet命名,具有强大的能力将整个裂缝,但它仍然有困难与复杂裂纹提取背景。粪便和安14]介绍了“卷积神经网络”实现有效检测裂缝目标在复杂背景和减少错误的标志,但处理效率仍然不够高。基于改进和优化的卷积神经网络”GoogLeNet,“你们et al。15)实现了高精度的识别多个裂缝复杂的背景,但裂纹数据集的识别精度不是很高。

混凝土表面裂缝的准确识别,我们提出了一种混凝土表面裂缝识别方法。它是基于卷积神经网络和聚类分割算法,可以实现精确的识别和计算混凝土表面裂缝图像的大小。

2。初步识别裂缝

2.1。裂缝识别网络(CIN)

根据裂纹形状的多样性和裂纹大小的不确定性,提出了一种卷积神经网络结构裂缝识别网络(CIN)基于卷积神经网络,如图1。序列号设置为 ,和层作为 ;卷积操作作为 ;和池操作作为 。 , , , , ,和卷积层; , , ,和池层;是完全连接层;ReLu层;辍学层;和softmax层。

模型的基本结构由六个卷积层,四个池层,一个完全连接层,输入层和输出层。卷积层和完全连接层都是批量标准化来提高模型的泛化能力。为了确保图像可能是太大或太小不影响识别效果,设置输入图像大小 。三维的长度,宽度,和RGB分量(红色、绿色和蓝色的组件)。为了更好地进行特征压缩,简化网络的复杂性,汇集的窗口大小 , , ,和22、44,44和66和步长为2,应用最大池的规则。为了获得更深层次的图像特征,并确保网络不会增加的复杂性,将卷积核卷积层的大小 , , ,和33和卷积核卷积层的大小和55;卷积层的步长是1。卷积和池后,通过平操作,包含512个元素的向量是ReLu输出层。然后,部分神经元连接随机切断的辍学层,以及网络模型参数之间的依赖降低,提高了模型的鲁棒性和过度拟合现象得到有效遏制。最后,将softmax层是用来判断上述处理后的数据是一个裂纹图像。

根据构造裂缝识别网络,可以通过以下步骤来初步确定裂缝。首先,我们建立了大量的数据集,数据集分为训练集和验证集。接下来,我们使用训练集和验证集的裂缝识别网络模型训练和验证,最后,我们用测试集测试模型来预测模型预测的影响。整个识别过程如图2。

2.2。数据集进行

裂缝收购机制如图3了获得裂纹图像数据集。我们使用CCD工业相机(巴斯勒acA1300-30 gm)安装在无人机收集1000原始图像,其中大多数是裂缝具有复杂背景的图片(如裂纹与粗糙表面的照片,苔藓,疙瘩,萧条,和污渍),和每个图像的不同是由于不同的拍摄条件。收集原始图像的大小是48963672像素。他们太大直接输入,分为512在步骤248,和1000年512子图象原始图像分为46000子图象。为了更有效地检测裂缝和消除噪声,有些子图象旋转。最终数据集包含58000子图象,48000 10000是用于培训和测试和验证网络的有效性。

为了培养出裂纹检测模型具有高鲁棒性和精度高,生成的数据集包含一个广泛的裂纹图像类型。例如,裂纹图像包含交叉裂缝,厚,薄的裂缝,裂缝和碎片。noncrack图像包含混凝土表面阴影,肿块,质地,如图4。

从图可以看出4蓝色虚线框表示的图的形象4(一)标志着盒子的十字路口交叉裂缝,在第二图像标志着落叶的裂纹图像,最后两张图片的粗和细裂缝。在图4 (b),蓝色虚线椭圆在第一帧noncracked形象标志着混凝土表面的阴影部分。椭圆框在第二图像是混凝土表面上的抑郁症。椭圆框在第三形象标志着疙瘩在混凝土表面,和椭圆坐标系在过去的形象标志着混凝土表面的纹理。

为了验证识别模型有效的识别精度,确保简单的检测方法,我们使用了5倍交叉验证(16)来验证和火车5套模型获得的训练结果5套模型。然后,我们选择一个培训结果随机显示的准确性和损失率曲线训练集和验证集,如图所示5。

从图可以看出5(一个)该模型收敛速度非常快。对于少量的样本数据,损失曲线下降快。曲线趋于稳定在20世纪,它表明样本训练几乎完成。从图可以看出5 (b)的准确性验证集的继续上升,和损失价值继续减少。验证组的准确性往往在20世纪100%;损失价值倾向于0%,这表明培训已经完成了20世纪。

图6显示5倍交叉验证的结果。五套模型的准确率的训练集都在99%以上,并验证集的平均准确率为99.1%。的准确性验证组的五组模型有一个小变化,但变化的范围很小,这表明,训练有素的裂缝网络模型具有良好的鲁棒性和稳定性。

一些图片被选中的数据集随机测试的影响裂纹的识别裂缝识别网络,如图7。

从图7 (b),清晰可见的裂缝识别网络基于深度学习可以分类裂缝和noncracks准确。一方面,如图7 (b),其中第一和第二层次属于机密裂缝图像,而第三和第四层属于机密noncrack图像。另一方面,可以识别和裂缝位于裂缝准确,如蓝色框如图所示7 (b)。从图可以看出7(一)原始图像的分辨率是不一样的。例如,第一个图像的分辨率显著大于第二个。然而,第一和第二图像如图7 (b)可以识别裂缝准确,表明该方法不受分辨率的影响。同时,还有其他的杂录的裂缝,如树叶,如图7(一)。蓝色的盒子在第二个和第七图的照片7 (b)显示裂缝周围树叶清晰。这表明,该方法不受周围的影响杂录。如图所示在第一和第七图的照片7 (b)在第一张图中,裂缝图7(一)明显比那些在第七幅图吗7(一),但识别效果基本上是相同的。第四幅图7(一)显示交叉裂缝,但第四幅图7 (b)提供三个十字架蓝色框识别结果,表明该方法可以自动交叉裂缝识别结果分解成直裂纹识别结果。noncrack图像中的蓝色虚线椭圆坐标系如图7(一)包含大凸、凹混凝土表面,固体蓝线在椭圆形框显示了与大型混凝土表面纹理。识别结果如图7 (b)不受这些影响,这表明该方法不受表面裂纹的特性。从上面的分析,可以看出裂缝识别网络我们提出不受图像分辨率的影响,周围的散文集,也没有裂纹的表面特征。

尽管裂缝识别网络准确位置确定裂纹图像,定位结果缺乏完整的识别裂缝和连续性和无法消除背景杂录在裂缝的影响。如果我们只剪辑和定量计算根据以上结果,一个很大的错误会发生,所以有必要把裂缝更准确地实现裂缝的定量识别。

3所示。准确的裂缝分割

后裂缝识别在前面的小节中,初始裂纹图像,但裂纹的裂纹图像不是准确分割。为此,我们基于改进实现准确分割的裂缝K——聚类算法。

3.1。改进的K——聚类分割算法

虽然K——聚类算法(17)快速有效分割的特点,它有高要求高聚类中心的选择和很容易收敛到局部最优解,从而缺少全局最优的解决方案。在视图中,我们使用动态粒子群优化(DPSO)改善K——聚类算法。改进的具体步骤K则如下:步骤1。将彩色图像转换为灰度图像来获取初始裂缝的灰度图像,然后设置初始集群数量 。步骤2。确定聚类中心米根据K则算法。步骤3。在确定聚类中心,计算健身价值粒子的(18)所示以下方程: 在这里,是数据点在数据点集和是集群中心。步骤4。确定粒子的惯性系数和学习的因素根据方程(2)和(3)[18]: 在这里,是最大惯性系数;的最小惯性系数;是当前适应值粒子;是当前所有粒子的平均适应值;和是所有粒子的适应值最小。 在这里,和代表粒子的自学习能力和学习能力优秀的集体;和代表粒子的初始学习能力;和代表粒子的最终学习能力; ; ;和代表算法运行的最长时间。第5步。使用惯性系数和学习的因素步骤4中获得更新粒子速度(18)和位置(18所示),以下方程: 在这里,和是两个随机数均匀分布区间 ; 是时间;粒子的位置吗在更新过程中;和是粒子的最佳位置有经验的在更新过程中。步骤6。当达到最大迭代次数或粒子群健身方差是收敛的固定值,输出全局最优解获得粒子群健身方差(18),下列方程所示;否则,重复步骤2到步骤4。 步骤7。步骤5的最优解作为最优聚类中心,然后获得集群。步骤8。执行准则函数的判断。戴维森汉堡指数的指数函数(DBI) [19)采用的准则函数最终的聚类结果,及其计算公式如下所示: 在这里, 代表之间的距离th集群和th集群;代表的总和的标准误差中的每个数据点之间的欧氏距离集群和中心集群的;和集群的总数在数据集。第9步。如果此时收敛,聚类的结果作为最终结果输出;如果不收敛,重复步骤2到8,直到收敛,然后输出结果。改进的总体流程图K则算法如图8。

3.2。算法性能分析

我们使用精度的评价指标,回忆,和F测量来评估算法的有效性。具体评价指标(20.定义如图9。

在图9,代表精确率;代表召回率;代表F测量值;代表图像的裂纹图像的数量和正确识别裂缝;代表图像背景图像的数量却确认为裂纹;代表图像的裂纹图像的数量,但确定为背景;和代表图像背景图像的数量和正确识别为背景。

3.3。与传统算法的比较

基于裂纹数据集在第二节,以几个简单的裂纹图像为例,比较改进的分割效果K——算法与传统的改进的大津[21),改善了精明的(22和改进的中值滤波23]。以存在和缺乏粗糙表面和突起为例,分割效果的比较如图执行10和11,分别。

从图可以看出10,第一与粗糙表面裂纹图像,虽然改进的大津算法,精明的算法,和中值滤波算法都能段的裂缝,但仍有一些噪音,但改善K则算法几乎没有噪音,裂缝也清晰的轮廓。第二裂纹图像,因为表面是光滑的,所有算法几乎没有噪音,但裂缝骨架完整性和连续性的提高K——算法比传统的算法。从上面的比较可以看出,改进后的精确分割K则算法具有良好的抗噪声和准确性。

从图可以看出11第一形象提出了裂缝,虽然改进的大津算法,精明的算法,和中值滤波算法都可以段裂缝,裂缝骨架都厚,隆起也分割了。除了几乎没有噪音,改善K算法还可以恢复的轮廓则薄原始裂缝骨架更准确。第二裂纹图像没有疙瘩,因为表面没有疙瘩,传统算法只有少量的噪声,但裂纹连续性很差。但改进K则算法没有噪音,同时确保完整性和连续性的裂缝骨架。从上面的比较可以看出,改进后的精确分割K则算法具有良好的抗噪声和准确性。

然后,结合裂缝识别网络的算法,并比较和分析整体识别的效果。评价指标的结果如图12。

从图可以看出12基于本文的数据集,这些指标的改进的大津算法和改进的算法是不到80%,而改进的中值滤波算法只有一个精确率略高于80%,和其他两个指标也不超过80%;和改进的K——算法召回率和F测量值超过90%,准确率达到了97%。从上面可以看出,改进的处理效果K算法则远远高于上述传统算法。

3.4。与聚类算法

基于裂纹数据集,提高K——分割算法用于识别裂纹照片与苔藓表面的混凝土,落叶,或水渍,识别结果结合K则算法(24),意味着改变算法(25),和模糊C则算法比较分析,如图13。

从图可以看出13当确定第一和第二裂缝图苔藓(13日),改善K则算法消除了几乎所有的噪音和保证裂缝骨架的完整性。第三破裂与落叶图图像(13日)(落叶标有蓝色虚线框),其他三个算法未能消除噪音的落叶。两个裂纹连接到第二个小段被明确指出。第四个裂缝识别的落叶和阴影图(13日)(落叶标有蓝色虚线框,影子被标识为一个蓝色实线),K则算法,均值漂移算法和模糊C则算法很难识别裂缝,因为裂缝太好,也可以删除造成的噪音落叶和阴影。然而,改善K则算法确定整个细裂缝当落叶和影子的声音是完全移除。最后一幅图的水渍(13日)(水污渍标有固体蓝框),其他三种类型的算法都有一个很大的噪音和左上角裂纹缺失的一部分,和下右边的部分裂缝是无法被识别由于水渍的影响和混凝土表面的灰度差异,但改善K则算法完成的明确标识整体裂纹没有噪音,和小弧中间的裂缝也明确指出。上述分析表明,裂缝识别方法不仅不受苔藓,影子,水渍,散文集,但也不影响裂纹的大小和表面特征。即使对于这样的裂缝在复杂的背景下,本文的识别方法仍然可以识别和段裂缝骨架与精度高,同时也保证没有噪音的巨大优势和裂缝骨架的完整性和连续性。算法的评价指标的比较如图14。

从图可以看出14基于数据集,召回和F测量值的改善K——算法都是90%以上,准确率为97%,仍远高于其他三种聚类算法。可以推断,性能的提高K则算法比其他聚类算法。

4所示。定量识别裂缝

使用深度学习和改进K则算法准确地提取裂纹但不能确定裂纹的大小。为此,本节计算裂缝的物理尺寸准确根据前提确定裂缝像素大小。

4.1。裂缝物理尺寸

裂缝的物理尺寸,即面积,长度、平均宽度、和职业比例,需要计算。计算方法如下:(1)裂纹区域。计算像素的数量包括在每个连通域,根据实际的物理大小对应于每个像素,见下面的方程。因此,每个连接域的面积,和所有连接域的区域是总结。 在这里,裂纹是实际的物理尺寸,单位是毫米吗²;裂纹的像素大小,单位是像素²;和裂纹的缩放比例,单位是毫米吗²/像素²。(2)裂纹长度。细裂缝骨架的形象。稀释后的裂缝宽度是一个单一的像素;然后计算周长的一半的像素数量的裂纹,并得到裂缝的物理长度根据公式(7)。(3)平均裂缝宽度。平均裂缝宽度的比值裂纹长度。平均裂缝宽度的计算公式可以通过结合裂纹长度的计算方法,如下所示: 在这里,的面积是th裂纹;的周长吗th裂纹;的平均宽度吗th裂纹;和裂缝的总数。(4)裂纹占用率。它的面积的比值裂纹图像的面积。

4.2。裂纹标记

促进裂纹的大小的计算,获得了裂纹图像需要标记。数据集的基础上,结合CIN网络模型的输出,裂缝照片是通过形态学方法检测标记。软件使用MATLAB 2016 b,处理器是英特尔®核心™i5 - 8300 h CPU @2.30 GHz 8.00 GB的内存,显卡是NVIDIA GeForce GTX1050Ti,操作系统是Windows 10。

为了验证识别性能更好,识别测试是由裂纹如图15作为一个例子。在部分和裂纹明显促进尺寸计算;同时,灰度图像被撤销提高评分的影响。,图(15日)是原始图像的裂纹;CIN的识别结果如图15 (b);的分割识别裂纹如图15 (c);的标记分裂裂缝如图15 (d)。

从图可以看出15裂缝骨架的标志是非常清晰和明确的精确识别和分割,和几乎每一个大转折点分割,以方便后续的尺寸计算。

4.3。裂纹尺寸计算

本文的方法被用来识别和段裂缝和马克。然后,我们选择两张图片大小为例进行计算,如图所示16。裂纹尺寸计算方法可以实现定量识别裂缝。本文使用的拍摄设备工业相机CCD(巴斯勒acA通用1300 - 30),和相机的变焦比图像拍摄0.21毫米/像素。

从图可以看出16采用分段标记由于不同宽度的每一部分。裂纹在图1(16日)包含8段,裂纹在图216 (b)包含4部分。表1显示的像素大小和占用率每段1和裂缝2以及整个像素大小。结合表1和缩放比例,裂缝得到了1和2的实际尺寸并与裂缝测量仪的测量结果。结果如表所示2。

从表可以看出1和2之间的误差大小通过识别方法和裂缝测量仪器获得的规模不是很大。为了更有效地验证准确性,图像的一部分随机提取图像的数据集。这部分被分为10类,每个类别选择一个代表性的图像,如图17。这些10裂的结果图像识别和量化和比较平均宽度、裂纹总长度和面积测量的测量仪器。统计和比较结果如表所示3,和准确性图表如图18。

从表可以看出3和图16,10代表裂缝图像,计算的平均宽度的准确性定量识别方法不小于97.3%,平均裂缝宽度测量的测量仪器,和最高准确率高达98.84%;总长度的准确性不少于97.8%,甚至最高精度超过98.6%;的准确性面积不低于97.9%,最高精度高达98.5%。从上面的比较分析,我们可以看到,定量识别方法具有良好的稳定性,精度非常高。与仪器测量相比,获得的错误基本上是在可控的范围内。

5。结论

提出了一种混凝土表面裂缝识别和尺寸计算方法结合深度学习卷积神经网络聚类分割,形态学方法,可以有效地分类混凝土裂缝和noncrack图像和准确地细分和定量识别裂缝。主要结论如下:(1)使用深度学习卷积神经网络进行训练,得到初步的裂缝识别模型。验证和测试后,识别准确率达到99%以上。同时,深的裂缝识别模型卷积神经网络结合聚类分割和形态学方法提出一种混合multialgorithm裂缝识别提取方法称为CIN。(2)与传统分割算法和相似聚类分割算法相比,改进的K算法则可以识别各种各样的混凝土表面裂缝在复杂背景的同时确保极高的分割精度。(3)基于改进的K则算法,结合形态学方法,裂缝的识别,量化识别,和计算的物理尺寸。实验表明,定量识别的准确性是至少97.3%,最高可以达到98.6%。(4)它提供了一定的理论基础,以确保混凝土表面裂纹检测人员的安全,减少了工作量,并维护和混凝土结构的安全检测。它还提供了一些研究基地类似裂缝的识别更高的精度和更复杂的条件下。

数据可用性

期间产生的所有数据或分析本研究包含在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了重庆科技创新和应用程序开发(程序SN: cstc2019jscx-msxmX0051) CRSRI开放研究计划(程序SN: CKWV2019758 /肯塔基州),重庆市质量技术监督局研究项目(CQZJKY2018004),和重庆政府市场监管项目(CQSJKY2019004)。