CN119494835A 基于机器视觉的工程结构裂缝检测与测量方法 （武汉理工大学三亚科教创新园）

基于机器视觉的工程结构裂缝检测与测量公开一种基于机器视觉的工程结构裂缝检测与散化成图像块后进行预处理，借助Resnet_50神中的裂缝图像进行识别，再基于Transformer架构构建SegFormer分割模型来对裂缝图像进行分骨架线和计算裂缝长度。本发明结合ResNet_50图像分类模型和SegFormer分割模型，对建筑结2步骤S1，采集工程结构原始图像数据，对工程结构原步骤S5，通过裂缝分类模型识别出裂缝图像，基于Transformer架构首先，对图像块进行降噪处理，使用高斯滤波器对图像块进行;1）将预处理后的64x64像素的小尺寸图像块输入到Resnet_50神经网络中接收原始数2）借助ResNet_50神经网络中卷34）通过包含128个神经元的全连接层，并使用ReLU激活函数y;所述步骤S5中基于Transformer架构构建SegFormer分割模型的过;w为像素的个数，c为类别的数量，yie是第i个像素在类别c上的真实标签，pie为第i个像素被预测为类别c的概率；;y;是第i个像素的真实标签，p;是第i个像素被预测为正类的概率；组合损失函数是交叉熵损失函数和Dice损失函数的加权和4;;像素精度是正确分类的裂缝像素数与图域内总像素数的比;交并比量化了被预测的裂缝区域与真实的裂缝区域;;。5;6步骤S3，利用Resnet_50作为基础神经网络构建裂缝分类模型，来提取图像特征步骤S5，通过裂缝分类模型识别出裂缝图像，基于Transformer架构构建7;1）将预处理后的64x64像素的小尺寸图像块输入到R5）ResNet_50神经网络中的输出层包含2个神经元，分别对应裂缝和非裂缝的分vi为样本标签，pi是模型预测的概率。[0009]优选地，所述步骤S5中基于Transformer架构构建SegFormer分割模型的过程如83）采用交叉熵损失函数与Dice损失函数的组合损失函数拟合裂缝分割模型的误;w为像素的个数，c为类别的数量，yie是第i个像素在类别c上的真实为第i个像素被预测为类别c的概率；;y;是第i个像素的真实标签，p;是第i个像素被预测为正类的概率；;;;9;;。;1）本发明提出了一种基于机器视觉的工程结构裂缝检测与测量方法，结合图3为本发明训练图像集基于ResNet图5为本发明训练图像基于SegForm;;;;;[0018]步骤S3，利用Resnet_50作为基础神经网络构建裂缝分类模型，来提取图像特征1）将预处理后的64x64像素的小尺寸图像块输入到R5）ResNet_50神经网络中的输出层包含2个神经元，分别对应裂缝和非裂缝的分y;在局部范围内进行多头自注意力和前馈神经网络处理，能够有效地提取图像块中的特征；3）采用交叉熵损失函数与Dice损失函数的组合损失函数拟合裂缝分割模型的误;w为像素的个数，c为类别的数量，yie是第i个像素在类别c上的真实为第i个像素被预测为类别c的概率；;y;是第i个像素的真实标签，p;是第i个像素被预测为正类的概率；;;;;;;架线法具体的实现步骤如下：;利用Python语言和PyTorch深度学习平台构建计算模型，结合实际工程结构中混率为4032x3024，采用两个公开的裂缝检测数据集ConcreteCrackImagesfor图像分类器从第10次循环开始收敛，训练集与测试集的损失值交替领先，总体上稳定在导致ResNet_50网络提取裂缝特征的测结果可知，原始图像被划分成多张64x64的图像块，被判性能；当模型收敛时，混凝土裂缝分割模型的训练集与验证集的交集率分别达到0.943和利用正交骨架线法通过识别裂缝二值图中的轮廓线和骨架线，精确测量裂缝长