本發(fā)明涉及圖像檢測，具體涉及一種混凝土面裂縫檢測方法、裝置及設(shè)備。

背景技術(shù)：

1、在建筑工程領(lǐng)域，混凝土結(jié)構(gòu)在施工和使用過程中由于各種原因產(chǎn)生裂縫，如溫度變化、荷載作用、材料老化等?；炷撩媸欠翊嬖诹芽p直接影響到建筑物整體結(jié)構(gòu)的安全性和耐久性。因此，及時發(fā)現(xiàn)并準(zhǔn)確評估裂縫的狀態(tài)對于維護(hù)結(jié)構(gòu)安全至關(guān)重要。傳統(tǒng)的混凝土面裂縫檢測方法通常依賴人工目視檢查、超聲波檢測、紅外熱成像或使用探針等工具進(jìn)行檢測，這些方法不僅耗時耗力，而且容易受到人為因素的影響，導(dǎo)致檢測結(jié)果不夠準(zhǔn)確，檢測流程效率低下。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對上述存在的技術(shù)不足，提供了一種混凝土面裂縫檢測方法、裝置及設(shè)備。

2、本發(fā)明通過以下技術(shù)方案實現(xiàn)：

3、提供了一種混凝土面裂縫檢測方法，所述方法包括以下步驟：

4、步驟s10：獲取混凝土面的圖像數(shù)據(jù)；

5、步驟s20：對獲取的混凝土面圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；

6、步驟s30：數(shù)據(jù)預(yù)處理完成后將混凝土面圖像數(shù)據(jù)輸入基于自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)模型，得到混凝土面裂縫檢測結(jié)果并標(biāo)注在圖像中的對應(yīng)位置；

7、步驟s40：通過分類器對檢測結(jié)果進(jìn)行分類和評估；

8、步驟s50：通過用戶界面展示分類和評估結(jié)果，并提供裂縫分析報告；

9、優(yōu)選地，所述步驟s10中獲取混凝土面圖像數(shù)據(jù)的步驟包括在光照充足和不同角度下使用1k分辨率及以上的相機或航拍無人機拍攝所需檢測的混凝土面，并將所拍攝的混凝土面圖像儲存在計算機或服務(wù)器上。儲存格式為常見的圖像格式如jpeg、png和pdf等，以便后續(xù)處理。

10、優(yōu)選地，光照充足是指能夠提供足夠的光線，使得圖像中的物體或細(xì)節(jié)清晰可見，通過照度計測量現(xiàn)場的光照強度，當(dāng)照度在150到2000勒克斯之間時，認(rèn)為現(xiàn)場環(huán)境光照充足，勒克斯是國際單位制中用于測量照度（即單位面積上的光通量）的單位。

11、優(yōu)選地，所述步驟s20中數(shù)據(jù)預(yù)處理步驟包括：

12、圖像去噪：使用雙邊濾波去除混凝土面圖像的噪聲，如式（1）所示：

13、（1）

14、其中， i( x)為原始混凝土面圖像位置 x處的像素值， i’( x)為濾波后混凝土面圖像位置 x處的新像素值， i( y)為原始混凝土面圖像位置 y處的像素值，是空間高斯核函數(shù)，用于衡量位置 y與位置 x的空間距離，是灰度高斯核函數(shù)，用于衡量位置 y與位置 x的像素值差異， w是以 x為中心的鄰域窗口。

15、具體來說，對于每一個像素點 y，都會計算其與中心像素 x的空間距離和像素值差異，空間高斯核函數(shù)會根據(jù)計算得到的 y與 x的空間距離給出一個權(quán)重，灰度高斯核函數(shù)會根據(jù)計算得到的 y與 x的像素值差異給出另一個權(quán)重，這兩個權(quán)重的乘積決定了像素 y對新像素值 i’( x)的貢獻(xiàn)程度；

16、圖像分割：使用sobel邊緣檢測技術(shù)將去除噪聲后的混凝土面圖像中的混凝土面區(qū)域從背景中分離出來，sobel算子公式如式（2）所示，邊緣強度公式如式（3）所示：

17、（2）

18、（3）

19、其中， a是原始混凝土面圖像， gx是水平方向上的梯度值， gy是垂直方向上的梯度值， g是整體的梯度強度；

20、圖像增強：圖像分割完成后，使用伽馬校正技術(shù)，通過調(diào)整伽馬值控制混凝土面圖像的亮度，增強暗部的細(xì)節(jié)或降低過曝區(qū)域的亮度，計算公式如式（4）所示：

21、（4）

22、其中， l( x, y)是原始混凝土面圖像的像素值， l’( x, y)是調(diào)整后的混凝土面圖像的像素值， γ是伽馬值；

23、當(dāng) γ>1時，混凝土面圖像的暗部細(xì)節(jié)會被增強，亮部細(xì)節(jié)會被壓縮，用于增強圖像中的暗部細(xì)節(jié)；

24、當(dāng) γ<1時，混凝土面圖像的亮部細(xì)節(jié)會被增強，暗部細(xì)節(jié)會被壓縮，用于降低圖像中過曝區(qū)域的亮度；

25、當(dāng)γ=1時，混凝土面圖像不進(jìn)行任何調(diào)整。

26、優(yōu)選地，所述步驟s30中基于自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練步驟包括：

27、數(shù)據(jù)準(zhǔn)備和預(yù)處理：準(zhǔn)備目前混凝土面存在的裂縫圖像數(shù)據(jù)，并進(jìn)行數(shù)據(jù)清洗和數(shù)據(jù)劃分，數(shù)據(jù)清洗包括去除無效值，數(shù)據(jù)劃分用于將數(shù)據(jù)集劃分出訓(xùn)練集、驗證集和測試集三個子數(shù)據(jù)集；

28、歸一化處理：將數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行softmax歸一化處理，計算公式如式（5）所示：

29、（5）

30、其中，xa是數(shù)據(jù)集中的第a個元素，n是數(shù)據(jù)集中元素的總數(shù)；

31、構(gòu)建網(wǎng)絡(luò)模型：通過基于自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)，模型包括卷積層、池化層、全連接層和自注意力機制層，使用relu作為激活函數(shù)，使用多類交叉熵?fù)p失函數(shù)作為損失函數(shù)，使用adam優(yōu)化器為模型提供不同的學(xué)習(xí)率，并采用dropout來防止模型訓(xùn)練中的過擬合現(xiàn)象，同時采用自注意力機制讓模型在訓(xùn)練中專注于存在裂縫的區(qū)域；

32、模型訓(xùn)練：使用數(shù)據(jù)準(zhǔn)備和預(yù)處理中劃分出的訓(xùn)練集對模型進(jìn)行訓(xùn)練，讓模型學(xué)習(xí)混凝土面裂縫圖像特征；

33、模型驗證：使用數(shù)據(jù)準(zhǔn)備和預(yù)處理中劃分出的驗證集對訓(xùn)練好的模型進(jìn)行驗證，用于調(diào)整超參數(shù)和防止過擬合的數(shù)據(jù)；

34、模型測試：使用數(shù)據(jù)準(zhǔn)備和預(yù)處理中劃分出的測試集對訓(xùn)練好的模型進(jìn)行測試，當(dāng)模型成功識別出混凝土面裂縫圖像特征時，模型測試成功，將模型上傳至主機或云端用于混凝土面裂縫檢測。

35、優(yōu)選地，所述步驟s40中的分類器采用支持向量機對檢測出的混凝土面裂縫進(jìn)行分類，并根據(jù)裂縫的長度、寬度和面積占比判斷裂縫的嚴(yán)重程度。

36、此外，為實現(xiàn)上述目的，本發(fā)明還提出一種混凝土面裂縫檢測裝置，所述混凝土面裂縫檢測裝置包括：

37、圖像采集模塊：用于獲取混凝土面的圖像數(shù)據(jù)；

38、圖像預(yù)處理模塊：用于對獲取的混凝土面圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；

39、裂縫檢測模塊：用于數(shù)據(jù)預(yù)處理完成后將混凝土面圖像數(shù)據(jù)輸入基于自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)模型，得到混凝土面裂縫檢測結(jié)果并標(biāo)注在圖像中的對應(yīng)位置；

40、分類評估模塊：用于通過分類器對檢測結(jié)果進(jìn)行分類和評估；

41、結(jié)果展示模塊：用于通過用戶界面展示分類和評估結(jié)果，并提供裂縫分析報告。

42、此外，為實現(xiàn)上述目的，本發(fā)明還提出一種混凝土面裂縫檢測設(shè)備，所述設(shè)備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的數(shù)據(jù)預(yù)處理和基于自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)模型算法等程序，所述數(shù)據(jù)預(yù)處理和基于自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)模型算法等程序為實現(xiàn)如上文所述的混凝土面裂縫檢測方法及系統(tǒng)的步驟。

43、優(yōu)選地，為實現(xiàn)上述目的，本發(fā)明還提供一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括數(shù)據(jù)預(yù)處理和基于自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)模型算法等程序，所述數(shù)據(jù)預(yù)處理和基于自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)模型算法等程序被處理器執(zhí)行時實現(xiàn)如上文所述的混凝土面裂縫檢測方法及系統(tǒng)。

44、本發(fā)明的優(yōu)點與效果是：

45、本發(fā)明提出的一種混凝土面裂縫檢測方法、裝置及設(shè)備，采用圖像處理技術(shù)和人工智能技術(shù)識別混凝土面存在的裂縫，實現(xiàn)了自動化、高效率和準(zhǔn)確的混凝土面裂縫檢測，有效解決了傳統(tǒng)混凝土面裂縫檢測方法效率低下的問題，并保障了工作人員的工作安全。