本發(fā)明屬于圖像處理與計(jì)算機(jī)視覺領(lǐng)域,具體涉及一種基于CNN深度學(xué)習(xí)的DBCC分類模型及構(gòu)建方法。

背景技術(shù)：

橋梁作為道路,公路,鐵路等交通系統(tǒng)的樞紐,需要定期的對其健康狀況做出評估,而橋梁裂縫作為最主要的橋梁病害之一,嚴(yán)重影響著橋梁的安全運(yùn)營,更為嚴(yán)重的會發(fā)生橋毀人亡的事故。因此,對橋梁裂縫進(jìn)行有效的檢測識別至關(guān)重要。

目前對橋梁裂縫檢測的研究,大部分是基于圖像處理算法進(jìn)行的。圖像處理算法的核心是窗口滑動算法、構(gòu)建訓(xùn)練集以及利用訓(xùn)練集訓(xùn)練分類模型。具體地,利用窗口滑動算法和采集來的橋梁裂縫圖片構(gòu)建好訓(xùn)練集之后,需要利用訓(xùn)練集訓(xùn)練橋梁背景面元和橋梁裂縫面元的一個分類模型。

基于彩色的橋梁裂縫圖片進(jìn)行的橋梁裂縫檢測定位中,該橋梁裂縫面元和背景面元均為16*16pixel分辨率的小圖片,而在深度學(xué)習(xí)中,對于小圖片的識別有一個經(jīng)典的深度學(xué)習(xí)模型CIFAR10模型。但是,如果直接把CIFAR10模型用于對橋梁裂縫面元和背景面元的分類識別,其效果并不理想,并且由于CIFAR10模型針對的是32*32pixel分辨率的小圖片識別,會導(dǎo)致最終在整幅橋梁裂縫圖片上橋梁裂縫識別不準(zhǔn)確,裂縫識別精度差等問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是克服CIFAR10模型針對16*16pixel分辨率的小圖片識別不準(zhǔn)確,裂縫識別精度差的問題。為此,本發(fā)明提供了一種基于CNN深度學(xué)習(xí)的DBCC分類模型及構(gòu)建方法。本發(fā)明要解決的技術(shù)問題通過以下技術(shù)方案實(shí)現(xiàn):

一種基于CNN深度學(xué)習(xí)的DBCC分類模型構(gòu)建方法,包括以下步驟:

步驟一、以卷積方式將輸入的原始圖片與第一卷積層中的所有卷積核進(jìn)行卷積求和,得到第一卷積層的特征映射圖；

步驟二、在第一卷積層后添加一Relu激活函數(shù)；

步驟三、在第一卷積層后添加一用于圖片明亮度矯正的局部響應(yīng)值歸一化層,所述局部響應(yīng)值歸一化層提升了網(wǎng)絡(luò)的識別效果；

步驟四、將第一卷積層的特征映射圖在第一池化層中進(jìn)行下采樣,降低分辨率并選取優(yōu)秀的特征,作為第一池化層的特征映射圖；

步驟五、在第二卷積層上以卷積方式將第一池化層的特征映射圖與第二卷積層中的所有卷積核進(jìn)行卷積求和,得到第二卷積層的特征映射圖,將第二卷積層的特征映射圖在第二池化層中進(jìn)行下采樣,降低分辨率并選取優(yōu)秀的特征,作為第二池化層的特征映射圖；

步驟六、在第二池化層后添加一Relu激活函數(shù)后在第三卷積層上以卷積方式將第二池化層的特征映射圖與第三卷積層中的所有卷積核進(jìn)行卷積求和,得到第三卷積層的特征映射圖,將第三卷積層的特征映射圖在第三池化層中進(jìn)行下采樣,降低分辨率并選取優(yōu)秀的特征,作為第三池化層的特征映射圖；

步驟七、在第三池化層后添加一Relu激活函數(shù)后在第四卷積層上以卷積方式將第三池化層的特征映射圖與第四卷積層中的所有卷積核進(jìn)行卷積求和,得到第四卷積層的特征映射圖；

步驟八、在第四卷積層后添加一Relu激活函數(shù)后將第四卷積層的特征映射圖輸出至第一全連接層,并且,在第一全連接層后添加用于防止過擬合的Dropout層；

步驟九、將步驟八中Dropout層得到的特征映射圖輸出至第二全連接層,在所述第二全連接層后采用一softmax loss函數(shù)作為損失函數(shù),最后一層即輸出橋梁背景面元和橋梁裂縫面元在本次識別過程中所屬類別的概率；

上述步驟一至步驟九中,卷積層具體的計(jì)算過程如公式(1)所示:

其中,X^(l-1)為第層的特征映射,W^(l)為當(dāng)前卷積層的卷積核,b^(l)為偏置項(xiàng),f為激活函數(shù),X^(l)為第卷積層最終得到的特征映射。

上述的一種基于CNN深度學(xué)習(xí)的DBCC分類模型構(gòu)建方法,所述第一卷積層、第二卷積層、第三卷積層及第四卷積層的卷積核的數(shù)量分別為:32、64、128、256。

上述的一種基于CNN深度學(xué)習(xí)的DBCC分類模型構(gòu)建方法,為防止橋梁裂縫面元和橋梁背景面元圖片的尺寸減小過快,特征映射圖均添加大小為2pixel的邊距。

上述的一種基于CNN深度學(xué)習(xí)的DBCC分類模型構(gòu)建方法,所述Dropout層的取值為0.55。

一種基于CNN深度學(xué)習(xí)的DBCC分類模型,卷積單元，采用卷積核將輸入的特征映射圖進(jìn)行卷積求和，該卷積單元由4個卷積層構(gòu)成；

池化單元，用于對卷積后的特征映射圖進(jìn)行下采樣,降低特征映射圖的分辨率并且選取優(yōu)秀的特征；該池化單元由3個池化層構(gòu)成，并且，3個池化層分別交叉設(shè)置在4個卷積層之間；

分類單元，通過全連接層將卷積單元輸出的特征映射圖輸入至softmax loss函數(shù)進(jìn)行分類，并給出分類結(jié)果，該分類單元由2個全連接層構(gòu)成；

其中，第一卷積層、第四卷積層、第二池化層、第三池化層、第一全連接層后面各添加了一個激活函數(shù)(RELU),并且,在第一卷積層后面添加局部響應(yīng)值歸一化層LRN,在第一全連接層后面添加dropout層。

與現(xiàn)有技術(shù)相比,本發(fā)明的有益效果:

本發(fā)明的DBCC分類模型是一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型,通過在每個卷積層中使用更多的卷積核以及添加LRN,使用dropout加深網(wǎng)絡(luò)深度,使得該DBCC分類模型在識別16*16pixel分辨率的小圖片時,識別精度高。和基于傳統(tǒng)的深度學(xué)習(xí)模型直接進(jìn)行的橋梁裂縫檢測相比,基于DBCC分類模型進(jìn)行的橋梁裂縫檢測,檢測出來的裂縫更加的完整,后期橋梁裂縫的定位和橋梁裂縫面積的計(jì)算,更加的準(zhǔn)確,這些對于正確的評價橋梁的健康情況極其重要。

附圖說明

圖1是本發(fā)明的結(jié)構(gòu)示意圖。

圖2是DBCC-A模型數(shù)據(jù)表。

圖3是DBCC-B模型數(shù)據(jù)表。

圖4是DBCC模型數(shù)據(jù)表。

圖5是橋梁裂縫檢測定位的流程圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例對本發(fā)明做進(jìn)一步詳細(xì)的描述,但本發(fā)明的實(shí)施方式不限于此。

實(shí)施例1:

參照圖1-圖4,一種基于CNN深度學(xué)習(xí)的DBCC分類模型構(gòu)建方法,包括以下步驟:

(1)以卷積方式將輸入的原始圖片與第一卷積層中的所有卷積核進(jìn)行卷積求和,得到第一卷積層的特征映射圖；

(2)在第一卷積層后添加一Relu激活函數(shù)；

(3)在第一卷積層后添加一用于圖片明亮度矯正的局部響應(yīng)值歸一化層,所述局部響應(yīng)值歸一化層提升了網(wǎng)絡(luò)的識別效果；

(4)將第一卷積層的特征映射圖在第一池化層中進(jìn)行下采樣,降低分辨率并選取優(yōu)秀的特征,作為第一池化層的特征映射圖；

(5)在第二卷積層上以卷積方式將第一池化層的特征映射圖與第二卷積層中的所有卷積核進(jìn)行卷積求和,得到第二卷積層的特征映射圖,將第二卷積層的特征映射圖在第二池化層中進(jìn)行下采樣,降低分辨率并選取優(yōu)秀的特征,作為第二池化層的特征映射圖；

(6)在第二池化層后添加一Relu激活函數(shù)后在第三卷積層上以卷積方式將第二池化層的特征映射圖與第三卷積層中的所有卷積核進(jìn)行卷積求和,得到第三卷積層的特征映射圖,將第三卷積層的特征映射圖在第三池化層中進(jìn)行下采樣,降低分辨率并選取優(yōu)秀的特征,作為第三池化層的特征映射圖；

(7)在第三池化層后添加一Relu激活函數(shù)后在第四卷積層上以卷積方式將第三池化層的特征映射圖與第四卷積層中的所有卷積核進(jìn)行卷積求和,得到第四卷積層的特征映射圖；

(8)在第四卷積層后添加一Relu激活函數(shù)后將第四卷積層的特征映射圖輸出至第一全連接層,并且,在第一全連接層后添加用于防止過擬合的Dropout層；

(9)將步驟八中Dropout層得到的特征映射圖輸出至第二全連接層,在所述第二全連接層后采用一softmax loss函數(shù)作為損失函數(shù),最后一層即輸出橋梁背景面元和橋梁裂縫面元在本次識別過程中所屬類別的概率；

上述(1)至(9)中,卷積層具體的計(jì)算過程如公式(1)所示:

其中,X^(l-1)為第層的特征映射,W^(l)為當(dāng)前卷積層的卷積核,b^(l)為偏置項(xiàng),f為激活函數(shù),X^(l)為第卷積層最終得到的特征映射；

設(shè)當(dāng)前層包含N個大小為的特征映射圖,卷積核大小為(Kx,Ky),卷積核在x和y方向上的滑動步長為Sx和Sy,為了最終結(jié)果除為整數(shù),可以對當(dāng)前層的特征映射圖添加大小為pad的邊界,使得特征映射圖經(jīng)過卷積之后,卷積的結(jié)果可以完全落在圖片內(nèi)部,則卷積后特征映射圖的大小為具體計(jì)算過程如公式(2)所示:

其中,l表示當(dāng)前層數(shù),l-1表示前一層。

上述(1)至(9)中,池化層的主要作用是對特征映射圖進(jìn)行下采樣,降低特征映射圖的分辨率并且選取優(yōu)秀的特征。池化層不僅可以顯著減少神經(jīng)元的個數(shù),而且還使得模型具有更好的抗噪能力。

設(shè)子采樣函數(shù)為down(X^l),子采樣函數(shù)通常有兩種:最大池化(Maximum Pooling)和平均池化(Average Pooling),具體計(jì)算如公式(3)所示:

其中,a_i為池化區(qū)域的神經(jīng)元,R_k為池化區(qū)域神經(jīng)元的集合,|R_k|為池化區(qū)域神經(jīng)元的總個數(shù),pool_max(R_k)為池化區(qū)域所有神經(jīng)元的最大值,pool_avg(R_k)為池化區(qū)域所有神經(jīng)元的值的平均值。輸出特征映射圖大小的計(jì)算和卷積層的類似,具體計(jì)算公式可參考公式(2)。

為了增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力,本實(shí)施例引入了連續(xù)的非線性激活函數(shù)(Activation Function)。網(wǎng)絡(luò)中一般采用的激活函數(shù)有sigmod函數(shù)和rectifier(Relu)函數(shù)。具體計(jì)算如公式(4)所示:

由于激活函數(shù)Relu一般被認(rèn)為有生物上的解釋,并且Relu已經(jīng)被證明比sigmod函數(shù)的擬合效果更好。因此,DBCC模型中的激活函數(shù)選擇使用Relu激活函數(shù)。

將第一卷積層的特征映射圖作為輸入，經(jīng)過Relu激活函數(shù)的計(jì)算，得到增強(qiáng)網(wǎng)絡(luò)表達(dá)能力的第一卷積層特征映射圖，將增強(qiáng)網(wǎng)絡(luò)表達(dá)能力的第一卷積層特征映射圖作為輸入，經(jīng)過局部響應(yīng)值歸一化層，得到提升網(wǎng)絡(luò)識別效果的第一卷積層特征映射圖。

將第二池化層的特征映射圖作為輸入，經(jīng)過Relu激活函數(shù)的計(jì)算，得到增強(qiáng)網(wǎng)絡(luò)表達(dá)能力的第二池化層特征映射圖；將第三池化層的特征映射圖作為輸入，經(jīng)過Relu激活函數(shù)的計(jì)算，得到增強(qiáng)網(wǎng)絡(luò)表達(dá)能力的第三池化層特征映射圖；將第四卷積層的特征映射圖作為輸入，經(jīng)過Relu激活函數(shù)的計(jì)算，得到增強(qiáng)網(wǎng)絡(luò)表達(dá)能力的第四卷積層特征映射圖；將第一全連接層的特征映射圖作為輸入，經(jīng)過Relu激活函數(shù)的計(jì)算，得到增強(qiáng)網(wǎng)絡(luò)表達(dá)能力的第一全連接層特征映射圖。

將第二全連接層的特征映射圖作為輸入，經(jīng)過softmax loss函數(shù)的計(jì)算，得到橋梁背景面元和橋梁裂縫面元在本次識別過程中所屬類別的概率。

圖1中,In表示輸入的圖片數(shù)據(jù),C表示卷積層,P表示池化層,FC表示全連接層,S表示softmax函數(shù),Out表示輸出,Relu表示激活函數(shù)Relu,LRN表示局部響應(yīng)值歸一化,D表示Dropout層。

本實(shí)施例還公開了一種基于CNN深度學(xué)習(xí)的DBCC分類模型,包括4層卷積層、3層池化層和2層全連接層,該DBCC分類模型采用softmax loss函數(shù)作為損失函數(shù),其特征在于,第一卷積層、第四卷積層、第二池化層、第三池化層、第一全連接層后面各添加了一個激活函數(shù)(RELU),并且,在第一卷積層后面添加局部響應(yīng)值歸一化層LRN,在第一全連接層后面添加dropout層。

具體地,DBCC首先使用了4層卷積層(C1～C4),3層池化層(P1～P3),2層全連接層(FC1～FC2),最后采用softmax loss函數(shù)(S)作為損失函數(shù)。在C1,C4,P2,P3,FC1后面各加一個激活函數(shù)(RELU),同時,在第一卷積層后面添加LRN層,FC1后面添加dropout層。最后一層輸出橋梁背景面元和裂縫面元這兩類面元,每一類所對應(yīng)的概率值。卷積核數(shù)目從32開始,每經(jīng)過一次卷積層,卷積核的數(shù)目翻倍。直到256為止。偏置項(xiàng)值初始化為0.1。

在卷積層,每一個卷積核都可以被看成一個特征提取器,卷積層中每一幅輸出的特征映射圖(Feature Map)都可以被看成輸入圖像經(jīng)過一個卷積核進(jìn)行特征提取之后的結(jié)果,但是通過對各卷積層的輸出結(jié)果進(jìn)行可視化對比可知,并不是每一個卷積核都可以成功提取輸入圖像的特征,從而得到有效的特征表達(dá)(特征映射圖)。因此,為了增強(qiáng)卷積層的表示能力,對輸入圖像的特征進(jìn)行充分的提取,和CIFAR10模型相比,DBCC模型在各卷積層都使用了更多的卷積核。

LRN完成了一種“鄰近抑制”操作,對局部輸入?yún)^(qū)域進(jìn)行了歸一化操作.可以用于圖片明亮度的矯正,而橋梁裂縫圖片由于光照,陰影等因素,會出現(xiàn)圖片亮度不均的問題,因此,和CIFAR10模型相比,BDCC模型添加了局部響應(yīng)值歸一化層LRN,添加LRN層會提升網(wǎng)絡(luò)的識別效果。

Dropout是指在訓(xùn)練模型時,隨機(jī)的讓網(wǎng)絡(luò)中某些隱含層的節(jié)點(diǎn)暫時不工作,不工作的那些節(jié)點(diǎn)可以暫時的認(rèn)為不是網(wǎng)絡(luò)結(jié)構(gòu)的一部分,但是它們的權(quán)重保留下來(暫時不更新),而下次樣本輸入的時候,隨機(jī)的選擇,它們可能又可以工作。所以,每一次的樣本輸入,都相當(dāng)于隨機(jī)選取了一個不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練,但是這些不同的網(wǎng)絡(luò)卻共同訓(xùn)練出了共享的權(quán)值。因此,Dropout可以看做是不同學(xué)習(xí)模型之間組合的一種替代方法,而使用不同的模型訓(xùn)練同一樣本又是防止過擬合的一種方法,因此,Dropout可以有效的防止過擬合。由于訓(xùn)練DBCC模型的數(shù)據(jù)集較小,因此,采用更大概率的Dropout進(jìn)行補(bǔ)償,Dropout取值0.55。

實(shí)驗(yàn)結(jié)果表明,網(wǎng)絡(luò)的深度在一定條件下,越深結(jié)果越好,因此,針對16*16pixel大小的橋梁裂縫面元和橋梁背景面元圖片,為了盡可能的加深網(wǎng)絡(luò)結(jié)構(gòu)的深度,DBCC模型對特征映射圖添加了大小為2的邊距,以避免原本尺寸就小的橋梁裂縫面元和橋梁背景面元圖片的尺寸減小過快。

本實(shí)施例中,優(yōu)選DBCC分類模型的四層卷積層每一層所采用的卷積核的數(shù)量分別為:32、64、128、256。

參照圖1-圖4,本實(shí)施例的建模思路是:

1)根據(jù)橋梁裂縫面元圖像和橋梁背景面元圖像的特點(diǎn)、圖像分辨率,并且在研究經(jīng)典的深度學(xué)習(xí)模型的基礎(chǔ)之上,依照卷積層->池化層->激活函數(shù)的基本思路,提出一種基本的DBCC_A模型。DBCC_A模型的具體模型參數(shù)如圖2所示,其中,圖2中卷積層的參數(shù)按照conv<卷積核的大小>-<步長>-<拓展邊界>-<卷積核數(shù)量>來定義,類似的最大池化層的參數(shù)按照MP<池化層的大小>-<步長>-<拓展邊界>-<特征映射圖數(shù)量>來定義,平均池化層的參數(shù)按照AVE<池化層的大小>-<步長>-<拓展邊界>-<特征映射圖數(shù)量>來定義,并且在第一、第四卷積層,第二、第三池化層和第一全連接層后面各添加一個激活函數(shù)(RELU)。具體的模型數(shù)據(jù)如圖2所示。

2)在卷積層,每一個卷積核都可以被看成一個特征提取器,卷積層中每一幅輸出的特征映射圖(Feature Map)都可以被看成輸入圖像經(jīng)過一個卷積核進(jìn)行特征提取之后的結(jié)果,但是,并不是每一個卷積核對可以成功的提取輸入圖像的特征,因此,合理的增加每一卷積層的卷積核的數(shù)量,可以對輸入圖像的特征進(jìn)行充分的提取。因此,基于這一原理,本實(shí)施例在成功提出DBCC_A模型的基礎(chǔ)之上,根據(jù)卷積核數(shù)量隨著卷積層翻倍的思想對DBCC_A模型進(jìn)行了改進(jìn),并且提出DBCC_B模型,具體的模型參數(shù)如圖3所示。

3)局部響應(yīng)值歸一化層LRN完成了一種“鄰近抑制”操作,對局部輸入?yún)^(qū)域進(jìn)行了歸一化操作.可以用于圖片明亮度的矯正,而橋梁裂縫圖片由于光照,陰影等因素,會出現(xiàn)圖片亮度不均的問題。針對這一問題,本實(shí)施例對已經(jīng)提出的DBCC_B模型進(jìn)行了改進(jìn),具體的做法是在第一層的池化層后面添加局部響應(yīng)值歸一化層LRN,并依此提出DBCC模型。

4)Dropout層可以看做是不同學(xué)習(xí)模型之間組合的一種替代方法,而使用不同的模型訓(xùn)練同一樣本又是防止過擬合的一種方法,因此,本實(shí)施例在DBCC模型的基礎(chǔ)之上,在第一全連接層的激活函數(shù)層后面添加Dropout層,并依此,最終提出DBCC分類模型。最終的DBCC分類模型的網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1所示。DBCC分類模型的具體模型參數(shù)如圖4所示。

本發(fā)明的DBCC分類模型采用全模型網(wǎng)絡(luò)結(jié)構(gòu),通過在每個卷積層中使用更多的卷積核以及添加LRN,使用dropout加深網(wǎng)絡(luò)深度,使得該DBCC分類模型在識別16*16pixel分辨率的小圖片時,識別精度高。

實(shí)施例2:

參照圖5,詳細(xì)敘述橋梁裂縫檢測定位的操作過程:

第一步,利用圖像采集設(shè)備采集五種不同背景紋理、不同材質(zhì)的橋梁裂縫圖片,采集的圖片總數(shù)為2000張,并將所有的圖片歸一化為1024*1024分辨率的圖片,將這2000張圖片分為2個數(shù)據(jù)集,人工擴(kuò)增數(shù)據(jù)集和測試數(shù)據(jù)集,每個數(shù)據(jù)集1000張；

第二步,使用W*H固定大小的窗口在人工擴(kuò)增數(shù)據(jù)集中的1000張圖片上不重疊的進(jìn)行滑動,同時,將滑動窗口覆蓋下的橋梁裂縫圖片的小切片作為一個ROI感興趣區(qū)域。其中,包含橋梁背景的小切片圖像稱為橋梁背景面元,包含橋梁裂縫的小切片稱為橋梁裂縫面元,具體過程如下面的公式所示:

imgRoiL_x＝i*W

imgRoiL_y＝j(luò)*H

imgRoiR_x＝i*W+W

imgRoiR_y＝j(luò)*H+H

其中,W和H為滑動窗口的寬和高,坐標(biāo)(imgRoiL_x,imgRoiL_y)為ROI區(qū)域的左上角點(diǎn)坐標(biāo),坐標(biāo)(imgRoiR_x,imgRoiR_y)為ROI區(qū)域的右下角點(diǎn)坐標(biāo),其中i和j的計(jì)算如下面的公式所示:

i＝src Im g_w/W

j＝src Im g_h/H

其中,src Im g_w，src Im g_h,分別為被窗口滑動的橋梁裂縫圖片的寬和高,令src Im g_w＝src Im g_h＝1024pixel；

第三步,對基于窗口滑動算法擴(kuò)增而來的數(shù)據(jù)集進(jìn)行挑選,標(biāo)記,分類構(gòu)成一個有一定規(guī)模的用于訓(xùn)練深度學(xué)習(xí)模型的訓(xùn)練集和驗(yàn)證集；

第四步,利用第三步預(yù)處理好的數(shù)據(jù)集對DBCC分類模型進(jìn)行訓(xùn)練；

第五步,采集一張橋梁裂縫圖片,將圖片歸一化為1024*1024分辨率的圖片,然后使用圖像高斯金字塔對橋梁裂縫圖像進(jìn)行采樣,得到一幅低分辨率的橋梁裂縫圖片；

第六步,利用訓(xùn)練好的DBCC分類模型和窗口滑動算法在上一步求得的低分辨率的橋梁裂縫圖片上進(jìn)行檢測,并將由DBCC分類模型識別出來的所有的橋梁裂縫面元的橫縱坐標(biāo)記錄下來,其中窗口滑動算法如下面的公式所示:

其中,P_b(x)和P_c(x)為在本次識別過程中,所識別的小切片分別為橋梁背景面元和橋梁裂縫面元的概率；f(x)為0,表示當(dāng)前的橋梁面元圖像為橋梁背景面元,f(x)為1,表示當(dāng)前的橋梁面元圖像為橋梁裂縫面元,t為一個概率區(qū)分閾值,一般取值為0.90～0.99；

第七步,使用簡單選擇排序算法對第六步記錄的所有橋梁裂縫面元的橫縱坐標(biāo)分別進(jìn)行排序,將最小的橫縱坐標(biāo)組成一個坐標(biāo)點(diǎn),將最大的橫縱坐標(biāo)也組成一個坐標(biāo)點(diǎn),并將這兩個坐標(biāo)點(diǎn)代入下面的公式,求解出兩個新的坐標(biāo)點(diǎn),具體的公式如下所示:

x_h＝(x_l)*2ⁿ

y_h＝(y_l)*2ⁿ

其中坐標(biāo)(x_l,y_l)為低分辨率圖片上確定的位置坐標(biāo),坐標(biāo)(x_h,y_h)為高分辨率圖片確定的位置坐標(biāo),n代表圖像高斯金字塔向下采樣的次數(shù),通常n的值為2；

第八步,根據(jù)第七步求解出來的兩個新的坐標(biāo)點(diǎn)在高分辨率圖片上確定一個矩形區(qū)域,并且將這個矩形區(qū)域設(shè)置為ROI感興趣區(qū)域；

第九步,利用訓(xùn)練好的DBCC分類模型和窗口滑動算法在1024*1024分辨率的圖片上進(jìn)行橋梁裂縫的檢測,在橋梁裂縫檢測的過程中,記錄所有的橋梁裂縫面元的橫縱坐標(biāo),并且,在這一過程中,統(tǒng)計(jì)橋梁裂縫面元圖像的個數(shù),并且將這一統(tǒng)計(jì)數(shù)記為N；

第十步,使用簡單選擇排序算法對第九步記錄的所有的橋梁裂縫面元的橫縱坐標(biāo)進(jìn)行排序,并且挑選出最小的橫縱坐標(biāo)和最大的橫縱坐標(biāo)組成兩個新的位置坐標(biāo)點(diǎn),然后根據(jù)這兩個新的位置坐標(biāo)點(diǎn)在高分辨率圖片上畫一個矩形區(qū)域,該矩形區(qū)域和這兩個新的坐標(biāo)點(diǎn)就標(biāo)識出了橋梁裂縫在橋梁裂縫圖片中的位置；

第十一步,將橋梁裂縫檢測過程中統(tǒng)計(jì)出來的橋梁裂縫面元的數(shù)據(jù)N帶入下面的公式就可以求解出橋梁裂縫的面積,具體的公式如下所示:

area_crack＝N*W*H

其中area_crack為最終求解出來的橋梁裂縫的面積,N代表橋梁裂縫面元的個數(shù),W為橋梁裂縫面元的寬度,H為橋梁裂縫面元的高度。

以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對本發(fā)明所作的進(jìn)一步詳細(xì)說明,不能認(rèn)定本發(fā)明的具體實(shí)施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說,在不脫離本發(fā)明構(gòu)思的前提下,還可以做出若干簡單推演或替換,都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。