关键词:
半监督学习
裂缝
自动标注
渐进式
轮廓提取
摘要:
对于建筑物而言,裂缝是最常见的病害,裂缝的出现加速混凝土结构的碳化、钢筋锈蚀,给结构物带来安全隐患;一方面给使用者带来更大的心理压力,另一方面严重威胁人民的生命财产安全。本文以墙体裂缝为研究对象,将图像处理与深度学习相结合,让计算机具有自动识别裂缝这一主题内容展开研究。首先,在样本采集和实地检测过程中,闪光灯的补光常常会造成阴影,跟真实裂缝相混淆。当手电筒亮度太低,图像整体过于阴暗,当亮度过高时,造成拍摄的裂缝像素点信息损失。本文设计了一种专业补光多用自拍杆,通过在手机夹持装置安装LED灯,实现在黑暗环境中补光并进行拍照,获取高质量的拍摄图片;作业人员可旋转调节环使得伸缩杆达到合适的长度,保证在黑暗的隧道内安全行走。其次,在样本训练过程中,采用组合式的预处理方法强化裂缝与背景的差异,从而让模型在样本识别上具有更好的兼容性;本文根据裂缝图像进行分类,对白墙黑缝以及混凝土裂缝两种类型,根据裂缝网网站获取到的裂缝照片,其四边小方格的像素平均值大小选择使用两种组合预处理方式进行处理,该方法对于裂缝识别性能提升的速度提升效果显著;再次,设计了一种新颖的裂缝掩膜轮廓坐标提取的算法;获取根据RGB空间模型优化后的掩膜坐标;对离散的掩膜坐标点进行删除后获取轮廓起始点;使用多矩阵依次遍历裂缝掩膜,于适当的部位处进行补点,或限制某点参与轮廓的搜寻;依据掩膜坐标点之间的关系即空隙率与共有率的关系依次提取轮廓;最后根据多项判定条件决定当搜寻到一段闭合轮廓后,是否继续执行搜寻或退出操作。从次,采用样本筛选剔除算法对训练样本进行筛检;在利用上一阶段的权重文件检测新样本过程中,首先对装置采集到的原图进行裁剪,得到的样本集中包含大量的背景图与少量的裂缝图;根据检测结果中是否包含裂缝区域的识别框、模型对于识别部位给出的置信度大小、掩膜坐标个数、掩膜坐标多次旋转后的投影区间分布状态、整体部位的长宽比与像素平均值等评价原则综合判断是否需要对样本集中的部分样本进行剔除。最后,本文提出了一种裂缝图像识别模型的渐进式学习方法;模型分三个阶段对裂缝样本进行训练:首先,在白纸上绘制黑线条模拟假裂缝,用形态学的方法找出黑线条轮廓,自动制作裂缝标签后进行训练,生成一级权重文件;利用一级权重文件识别白墙上的裂缝,掩膜优化后获取裂缝坐标,再利用掩膜坐标点8邻域、共有量关系提取有序的裂缝轮廓和裂缝图片信息,自动制作裂缝标签进行训练后生成二级权重文件;其次,用二级权重文件分批次检测混凝土裂缝,优化并提取掩膜轮廓,整合样本信息后继续生成标签,循环训练,最终生成三级权重文件。最后,持续获取裂缝网网站用户上传的裂缝照片,定期训练,在反复迭代训练过程中逐步提升权重文件的性能;经过训练的Mask RCNN模型,对三类图像的识别综合评价指标分别达到95.2%,83.3%,79.2%,具有较高的识别率,可用于建筑裂缝的快速识别。综上,论文基于裂缝图像识别模型的半监督学习方法开展了计算机对于建筑物墙体裂缝的研究,为变形监测领域提供了一种新的思路和方法。