一种用于混凝土坝表面裂缝检测的边界引导UNet方法与流程

本发明属于水利水电工程中混凝土坝表面裂缝的图像识别和自动检测，具体涉及一种用于混凝土坝表面裂缝检测的边界引导unet方法。

背景技术：

1、水利水电工程中的混凝土坝是高坝大库建设的主要坝型之一，在防洪、发电、供水、灌溉、生态与航运等方面发挥了巨大的社会经济效益，其安全可靠运行对于保障国民经济可持续发展和人民生命财产安全具有重要意义。然而，混凝土坝施工期及运行期受外界温度、湿度及荷载等复杂环境作用，大坝表面不可避免会产生各类裂缝。裂缝是混凝土坝最为常见的病害之一，一旦裂缝发生、发展形成危害性裂缝，不仅会造成坝体结构强度、刚度和耐久性下降，严重者甚至会导致坝体结构局部或整体破坏，威胁工程安全。

2、目前，水利水电工程中混凝土坝表面裂缝的探测检测主要依靠人工定期抵近坝体表面巡视检查，通过目视排查裂缝，并依靠量测仪器或物探设备进行接触式检测，存在实时性差、可靠性低、耗时费力等问题。随着数字图像采集设备的发展，利用无人机航拍图像进行非接触式图像采集、人工后期判读识别等方式，基本实现了混凝土建筑的高效裂缝检测。然而对于混凝土坝等大体积混凝土建筑物，由于采集范围广、图像数据量大，后期人工判读或电脑辅助的半自动判读仍然存在耗时耗力的问题。因此，借助以深度学习为代表的人工智能技术，进行混凝土坝表面裂缝的自动智能化检测，是目前数字图像处理技术领域的热门应用研究方向。

3、传统基于数字图像处理的混凝土表面裂缝检测手段是根据图像本身的特征差异对裂缝进行提取，通过分析裂缝图像特征如灰度值、纹理、方向梯度直方图等，将裂缝像素与背景像素区分开来。用于混凝土裂缝检测的常见图像处理手段主要有阈值分割、边缘检测、小波变换等方法。此类方法原理简单、便于实现，但也存在检测精度不高、检测效率偏低的问题。

4、近年来，随着深度学习技术的发展，卷积神经网络(cnn)在图像分类、目标检测、语义分割等领域得到了广泛的应用并取得了显著成效，得益于cnn强大的特征提取和泛化能力，国内外学者提出了一系列基于深度学习的裂缝检测算法，与传统的数字图像处理技术相比，基于深度学习的裂缝检测算法不仅能极大地提高检测精确度和检测效率，还具有更好的泛化能力和鲁棒性。该类算法主要是基于边缘检测网络hed(整体嵌套边缘检测网络)和rcf(多卷积特征的边缘检测网络)实现的。

5、虽然现有基于深度学习技术的混凝土表面裂缝检测方法已经取得了优于传统数字图像技术的效果，但混凝土坝结构型式多样、裂缝成因复杂、服役环境严酷，坝体结构存在各类结构缝、施工缝、灌浆缝等假性缝，因荷载、环境等原因产生的裂缝表现形态各异，且因服役环境条件复杂，坝体表面和裂缝部位易出现尘垢污染、苔藓附着、渗水析钙，影响裂缝检测识别的精度。综合考虑水利水电工程混凝土坝表面裂缝的复杂形态与实际特点，现有深度学习检测方法存在检测精度不足、误检率高等问题，尤其适应复杂混凝土结构表面裂缝的拓扑形态识别效果较差，仍然存在较大的改进空间。

技术实现思路

1、本发明要解决的技术问题为：现有基于人工智能的混凝土表面裂缝检测方法通常以unet及其拓展的深度学习算法为主，虽然考虑了裂缝的线形特征，采用线状卷积、菱形卷积等特殊深度学习算法模型，但固定的卷积形态仍然无法有效拟合实际中裂缝多样化形态特点。

2、本发明的目的在于提供一种用于混凝土坝表面裂缝检测的边界引导unet方法，该方法在经典unet方法的基础上，首先利用固定拉普拉斯卷积提取图像边界梯度概率图，以注意力的形式将边界梯度概率引入unet特征提取网络中，迫使unet网络学习在梯度引导下的深度学习特征，从而更好捕捉裂缝原始形态特征，提高混凝土坝表面裂缝检测精度。

3、为实现上述目的，本发明通过下述技术方案实现：

4、一种用于混凝土坝表面裂缝检测的边界引导unet方法，包括如下步骤：

5、s1：对混凝土坝表面进行图像采集，然后对图像中的裂缝进行人工标注，从而得到图像数据集；

6、s2：将标注好的图像数据集分为训练集和验证集；

7、s3：基于经典unet网络搭建边界引导unet网络；

8、s4：利用训练集对边界引导unet网络进行训练，得到训练模型；

9、s5：利用验证集对训练模型进行验证，得到边界引导unet网络算法模型；

10、s6：使用边界引导unet网络算法模型对待检测混凝土坝表面图像进行裂缝特征识别，得到裂缝检测结果。

11、优选地，步骤s1中，利用无人机或其他搭载平台搭载图像采集设备，对混凝土坝表面进行图像采集；所述无人机或其他搭载平台应具备位置以及高度调节功能，所述图像采集设备应具备混凝土坝表面图像采集、实时回传采集图像或离线拷贝功能。

12、其中，利用无人机等搭载平台，能够从不同角度、位置和高度进行拍摄，覆盖面积大，且对传统人工检测难以到达区域的适应性强。相比于传统的人工目视检查，该方法通过图像采集和自动分析大大减少了人力投入，提高了检测效率。

13、优选地，采集图像中单个像素的有效分辨率为0.1mm×0.1mm，以满足混凝土表面裂缝宽度≥0.15mm的检测需求。由于图像采集设备具有高分辨率(单个像素有效分辨率为0.1mm×0.1mm)，可以精确捕捉到微小裂缝细节，实现更准确的裂缝识别和定位。

14、优选地，步骤s1中，使用图像处理软件，基于人工经验判读，手动对采集的混凝土坝表面图像进行裂缝标注，并存储标记结果，从而得到图像数据集。

15、优选地，步骤s2中，对图像数据集中的每张图片进行数据增广的方法包括垂直翻转、镜像、改变明亮度和高斯噪声四种方式中的至少一种。

16、其中，通过对图像数据集应用多种数据增广策略，如垂直翻转、镜像、改变明亮度和添加高斯噪声等，有助于减少过拟合现象，提高模型泛化能力。

17、优选地，步骤s3中，训练集与验证集的占比为7：3。

18、其中，采用7:3比例划分训练集和验证集，结合adam优化算法进行训练，并在验证集上进行模型性能评估，确保了模型的稳定性和准确性。

19、优选地，步骤s4中搭建边界引导unet网络的方法为：基于经典unet深度学习图像分割网络框架，编码器端包含4次下采样，解码器端包含4次上采样，每次上采样或下采样包含卷积、激活、池化操作；编码器端与解码器端存在跳跃链接直接将编码器与解码器特征进行并联；使用拉普拉斯固定卷积核进行梯度概率图生成，并进行4次下采样、4次上采用；将梯度概率图与同等大小的unet网络特征图进行点乘融合，从而增强unet深度学习特征的边界关注度。

20、其中，通过引入拉普拉斯固定卷积核生成梯度概率图，并将其与unet特征图串联融合，增强了模型对裂缝边界特征的关注度，有利于提高裂缝边缘检测精度。

21、优选地，步骤s5中，采用adam算法利用训练集对边界引导unet网络进行训练。

22、优选地，步骤s6中，将边界引导unet网络检测的裂缝结果与人工标注结果进行比对，达到实际需求即完成网络训练，否则继续迭代步骤s4中的网络训练，直至得到边界引导unet网络算法模型。

23、其中，通过将模型预测结果与人工标注结果对比，利用反向传播学习网络模型参数，建立了有效的反馈机制，允许在网络训练过程中不断迭代优化，直到满足实际裂缝检测需求为止。

24、本发明与现有技术相比，具有以下优点及有益效果：

25、本发明在获取混凝土坝表面图像的基础上，通过设计边界引导unet网络，充分适应混凝土表面裂缝形态特征，提升混凝土坝表面裂缝检测精度，有助于保障混凝土坝结构安全监测工作的及时性和可靠性。