一种基于深度迁移学习的混凝土裂缝识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110378252A(43)申请公布日2019.10.25(21)申请号201910574973.9G01N21/88(2006.01)(22)申请日2019.06.28(71)申请人浙江大学地址310058浙江省杭州市西湖区余杭塘路866号(72)发明人申永刚俞臻威温作林张仪萍(74)专利代理机构杭州求是专利事务所有限公司33200代理人应孔月(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06T7/00(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书8页附图10页(54)发明名称一种基于深度迁移学习的混凝土裂缝识别方法(57)摘要本发明属于混凝土结构损伤检测技术领域，公开了一种基于深度迁移学习算法的混凝土裂缝识别方法，对裂缝图像进行预处理形成数据集；以裂缝数据集作为输入，将在ImageNet上已训练好的视觉几何组(VisualGeometryGroup，简称VGG-16)网络中的卷积层作为特征提取器进行输出，预训练出一个全连接层；将VGG-16网络中全连接层以上的特征层进行迁移，与之前预训练的全连接层连接，得到基于深度迁移学习的神经网络模型，冻结部分参数，重新进行训练。本发明提出的基于深度迁移学习算法的混凝土裂缝检测模型，减少了模型对混凝土裂缝图像数量的依赖性，降低了运算成本，并保留了深度学习模型能够快速准确识别目标的优点，具有更强的鲁棒性和泛化能力。CN110378252ACN110378252A权利要求书1/1页1.一种基于深度迁移学习的混凝土裂缝识别方法，其特征在于，包括以下步骤：S101：获取裂缝图像，将图像裁剪成统一大小，并统一为三通道，对图像中的目标手动添加矩形标签作为真实边界框；S102：对裂缝图像进行预处理，形成裂缝数据库；S103：将裂缝数据库导入VGG-16网络，利用在ImageNet上已训练好的VGG-16网络中的卷积层作为特征提取器进行输出，训练出一个针对裂缝数据库全连接层；S104：将已在ImageNet上训练好的VGG-16网络中全连接层以上的特征层进行迁移，作为混凝土裂缝深度学习模型的预测基础；S105：将迁移得到的特征层和与预训练的全连接网络进行连接，得到基于深度迁移学习的神经网络模型；S106：将S102的裂缝数据库输入模型，进行模型训练，用训练后的模型进行混凝土裂缝识别。2.根据权利要求1所述的一种基于深度迁移学习的混凝土裂缝识别方法，其特征在于，所述步骤S101中，使用LableImg对图像中的裂缝进行手动标注。3.根据权利要求1所述的一种基于深度迁移学习的混凝土裂缝识别方法，其特征在于，所述步骤S102中，预处理包括裂缝数据增强和图像归一化操作。4.根据权利要求1所述的一种基于深度迁移学习的混凝土裂缝识别方法，其特征在于，所述步骤S105中，基于深度迁移学习的神经网络模型主要由三部分构成：冻结层、微调层、分类器层(全连接层)。5.根据权利要求3所述的一种基于深度迁移学习的混凝土裂缝识别方法，其特征在于，所述裂缝数据增强包括随机旋转、剪切、翻转。6.根据权利要求4所述的一种基于深度迁移学习的混凝土裂缝识别方法，其特征在于，所述神经网络模型的冻结层，其参数随训练不可变化；微调层和分类器层，其参数随训练不断变化。2CN110378252A说明书1/8页一种基于深度迁移学习的混凝土裂缝识别方法技术领域[0001]本发明属于混凝土结构损伤检测技术领域，尤其涉及一种基于深度迁移学习的混凝土裂缝识别方法。背景技术[0002]混凝土是目前用量最大的一种建筑材料，广泛应用于道路、桥梁、隧道及工民建等基础设施的建设中。由于混凝土抗拉强度低，受收缩徐变、外界温度变化、地基变形等内外因素的共同影响，在施工建设和运营使用的过程中经常出现不同程度和形式的裂缝病害。裂缝的扩展是结构破坏的初始阶段；随着裂缝的持续发展，裂缝的宽度一旦超出一定限制，不仅影响基础设施的外观，也可能引起渗漏、耐久性降低、保护层脱落、钢筋锈蚀、混凝土碳化等，甚至对行车及行人安全造成重要影响。因此定期检测混凝土结构表面的裂缝病害状况，并针对检测结果进行预先防治是必不可少的。[0003]混凝土强度的细观研究及工程实践经验表明，混凝土结构开裂不可避免。如果对混凝土结构的裂缝评价要求过高，会导致繁杂且高成本的维护代价，科学的做法应该是设定一个限制。一般来说，同一条裂缝上的裂缝宽度是不均匀的，控制裂缝宽度是指较宽区段(该裂缝长度的10％～15％范围)的平均宽度，这样确定的平均裂缝宽度为该裂缝的最大宽度。同样，该裂缝宽度较窄区段(裂缝长度的10％～15％范围)的平均宽度为最小