一种基于人工智能的混凝土表面缺陷图像识别系统及方法与流程

本发明属于建筑行业技术领域，尤其涉及一种基于人工智能的混凝土表面缺陷图像识别系统及方法。

背景技术：

目前，业内常用的现有技术是这样的：

传统意义的混凝土表面缺陷识别，主要依靠工程人员的肉眼识别，并且对工程人员要求较高。虽然人工识别混凝土表面缺陷能够达到比较高准确度，但需要基本的专业水平和长时间的工作经验，所需的工作成本较高，才能够准确的识别。在人工识别混凝土表面缺陷的过程中，工程人员不能连续长时间的对混凝土表面缺陷并且随着时间的推进工程人员的准确度也会进一步下降。

而智慧工地管控平台下的基于人工智能混凝土表面缺陷识别，对比人工识别来说。首先，对检测、评价人员的专业水平要求不高，成本作业不高；其次图像识别得到的大量数据能够得到有效的利用和保护，建立模型图像数据库；最后人为因素可以忽略不计，可在任何工地现场连续不间断识别混凝土缺陷，识别准确度较高且系统维护保养简单，维护费用低。

综上所述，现有技术存在的问题是：

(1)对检测、评价人员的专业水平要求高，成本作业高；

(2)工程人员连续长时间的对混凝土表面缺陷，随着时间的推进工程人员的准确度会下降。

解决现有技术问题还是存在一定的难度：

(1)不可否认，人工智能在识别混凝土表面缺陷方面不失为安全有效的方法。但是传统的人工识别历史悠久，很多检测、评价人员的专业性值得信赖。虽然人工智能识别变得越来越复杂，但这始终需要人工驱动。实际上，人工智能通常是从最初的手工工作中转换过来的，将会受到很多业外人士的不认可。

(2)虽然传统的人工识别成本较高，但是人工智能软件也需花钱支付，而且由于脚本编写和重写以及设置和处理时间，导致维护和管理成本会更高。对于长期项目或大型产品来说，高成本的付出是值得的。但对于短平快的小项目来说，实施人工智能识别是对时间和金钱的巨大浪费。在计算人工智能采购的潜在投资回报率时，还必须考虑增加工时的因素。

(3)检测、评价人员在漫长的工作过程中积累了丰富的经验，谁也不想浪费这些经验和知识。因为检测、评价人员通常像一个用户，他们能提供的价值远远超过了产品当前性能的所及。检测、评价人员还可以在交付和反馈中引导识别方式朝新的方向改进。

虽然解决现有技术问题存在一定的难度，但是人工智能是大势所趋，很多现实意义促使我们迎难而上：

(1)从生产效率的角度来说，由于检测、评价人员在长时间工作下容易疲惫，人工视觉质量效率低下且精度不高，而人工智能可以大大提高生产效率和自动化程度。

(2)从成本控制的角度来说，培训一个合格的检测、评价人员需要花费大量的人力物力，然而单纯的培训还远远不够，后续还需要花费大量的时间，使检测、评价人员的水平在实践中得到提升。而人工智能识别设备只要调试和操作得当，可以在很长一段时间内不间断使用，同时确保生产效果。

(3)在某些特殊工业环境中实施混凝土表面缺陷识别，传统的人工识别可能会对检测、评价人员的人身安全造成威胁，而人工智能识别设备从某种程度上有效地规避了这些风险。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于人工智能的混凝土表面缺陷图像识别系统及方法。

本发明是这样实现的，一种基于人工智能的混凝土表面缺陷图像识别系统，所述基于人工智能的混凝土表面缺陷图像识别系统包括：智慧工地管控平台、图像获取装置、混凝土表面缺陷图像识别、打印机、喇叭；

其中智慧工地管控平台可以看做是整个系统的大脑，是整个平台的数据库。主要将图像获取装置得到的图片进行识别，将识别图片的结果打印，若识别的图片出现问题，将会通过喇叭对混凝土缺陷的地位进行报警。

混凝土表面缺陷识别，主要是将图片数据格式转换成为数据格式，在找出每个图片所含有的特征值。将大量图片的数据的特征值建立数据库，在图像识别的过程中可以快速的将特征值与数据库进行匹配，然后得到识别结果。

图像获取装置包括：摄像装置、图像接收装置、图像数据缓存、dsp芯片、收/发模块、显示终端；

连接关系：图像获取装置→混凝土表面缺陷图像识别→智慧工地管控平台→打印机→喇叭。

本发明的另一目的在于提供一种运行所述基于人工智能的混凝土表面缺陷图像识别系统的基于人工智能的混凝土表面缺陷图像识别方法，所述基于人工智能的混凝土表面缺陷图像识别方法包括：

远程采集系统采用无线接入gprs网络技术，为数据中心提供数据传输通信通道；

传输模块具有可靠的网络连接，智能防掉线，支持在线检测，在线维护，为数据中心提供准确、实时的图像数据；

接收智慧工地管控平台的指令，控制摄像装置采集的混凝土表面图像，完成图像识别并将图像识别结果通过无线网络送到智慧工地管控平台；

混凝土表面缺陷识别，在图片实际识别应用中，由于图片包含大量的信息，直接使用原始的图片像素信息进行识别的运算量非常巨大。但是完全可以从图片中提取一些特征来表现图片内容。基于lire全文检索技术来实现图片的识别。在lire中，特征是以直方图形式来表现图片的，即lire索引文件保存了直方图特征，同时还保存了图片名称、路径等有关图片的信息。在实现图片检索时先要读取本地创建的索引文件，进行搜索匹配，然后再去特征库中查找最相似的特征进行匹配，最后映射最相似的图片。其中将会用到贝叶斯网络算法对图片进行识别。朴素贝叶斯网络是一种概率网络，是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络又称为信度网络，是贝叶斯方法的扩展，是目前不确定只是表达和推理领域最有效的理论模型之一。贝叶斯定理可以表示为：

其中，x为隐藏的节点；y为所观察到的数据。按标准的做法，用大写字母表示随机变量，用小写字母表示随机变量的取值。

p(x|y):y发生的情况下x发生的概率，可以理解为在测试得到某种信号(参数)b的时候，存在缺陷a的概率，为后验概率。

p(y|x)：x发生的情况下y发生的概率，可以理解为存在缺陷x的时候，测试得到某种信号(参数)y的概率，为后验概率。

p(x)：x发生的概率，可以理解为存在缺陷x的概率，为先验概率。

p(y)：y发生的概率，可以理解为测试得到某种信号(参数)y的概率。

如果用语言来表示，这个公式会变为：

在实际检测时，采用多种参数及条件(称为成分xi)来推定事件的是否发生；将状态用{ω}表示，如{发生，疑似发生，未发生}，因此，就变成根据得到的xi，识别其属于{ω}中的哪一个(亦即下标j)；如果假设各成分xi相互之间互不影响，则识别结果cnb为：

智慧工地管控平台，产生和维护图像识别的数据库、管理识别进程、打印识别结果与识别置信度报表并兼做整个系统网络的服务器，协调整个系统的运行，提供远程查询并且对出现混凝土缺陷的地位进行报警。

进一步，所述基于人工智能的混凝土表面缺陷图像识别方法在对图片进行识别的过程中将会使用三种效果较好的分类器：朴素贝叶斯分类器、神经元网络分类器，简单线性回归分类器对图片进行识别与分类。

进一步，所述基于人工智能的混凝土表面缺陷图像识别方法通过采集不同的混凝土缺陷图片作为样本训练集，然后将需要识别的图像上传到图像数据库，通过weka软件对图像的特征值进行匹配，最后通过匹配结果进行分类与识别。

进一步，所述基于人工智能的混凝土表面缺陷图像识别方法进一步包括：

第一步，形成arff文件，主要内容包括图片名称及分类；

第二步，imagefilterpackage提取图像特征成新的数值型arff文件；

第三步，训练样本测试分类；

第四步，读入其它测试样本完成混凝土缺陷的自动识别机分类。

本发明的另一目的在于提供一种应用所述基于人工智能的混凝土表面缺陷图像识别方法的智慧工地管控系统。

综上所述，本发明的优点及积极效果为：

(1)技术先进，稳定可靠，混凝土缺陷图像识别精度高，避免了人为误操作等可能造成的设备损坏，增强了系统运行的安全性，可以保证系统稳定可靠地运行。

(2)实现混凝土缺陷远程监控与识别。基于人工智能混凝土缺陷图像识别系统中，通过网络传输，可以实现对工地混凝土缺陷的远程监控。

(3)开放性。该系统通过无限网络传输，能够将各种各样的混凝土图像进行收集，建立数据库，可以随时查看并且补充数据库。

(4)自动缺陷报警。本发明具有自动报警功能，在图像数据识别中，如遇到混凝土缺陷图像，通过图像识别确认后，符合缺陷报警条件，喇叭将会对缺陷地址进行循环播报。

(5)成本较低。本发明对比人工识别来说，作业成本较低，工程人员专业需求较低，能够满足绝大多数工地需求。

技术效果与现有技术的对比：

附图说明

图1是本发明实施例提供的基于人工智能的混凝土表面缺陷图像识别系统的结构示意图。

图2是本发明实施例提供的lire检索图片流程图。

图3是本发明实施例提供的weka软件实现具体特征提取流程图。

图4是本发明实施例提供的weka图片识别方法流程图。

图5是本发明实施例提供的混凝土裂纹缺陷样本图片。

图6是本发明实施例提供的混凝土毛面缺陷样本图片。

图7是本发明实施例提供的混凝土孔洞缺陷样本图片。

图8是本发明实施例提供的imagefilterpackage提取图像特征成新的数值型arff文件软件界面图。

图9是本发明实施例提供的训练样本识别图片软件界面图。

图10是本发明实施例提供的朴素贝叶斯散点图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细描述。

如图1所示，本发明实施例提供的基于人工智能的混凝土表面缺陷图像识别系统包括：智慧工地管控平台、图像获取装置、混凝土表面缺陷图像识别、打印机、喇叭。

所述图像获取装置包括：摄像装置、图像接收装置、图像数据缓存(sdram)、dsp芯片、收/发模块、显示终端。

本发明实施例提供的基于人工智能的混凝土表面缺陷图像识别方法包括：

混凝土表面缺陷识别连接有图像获取装置；图像获取装置包括：摄像装置和图像接收装置、图像数据缓存(sdram)、dsp芯片、收/发模块、显示终端。远程采集系统采用无线接入gprs网络技术，为数据中心提供数据传输通信通道。传输模块具有可靠的网络连接，智能防掉线，支持在线检测，在线维护，为数据中心提供准确、实时的图像数据。接收智慧工地管控平台的指令，控制摄像装置采集的混凝土表面图像，完成图像识别并将图像识别结果通过无线网络送到智慧工地管控平台；智慧工地管控平台，产生和维护图像识别的数据库、管理识别进程、打印识别结果与识别置信度报表并兼做整个系统网络的服务器，协调整个系统的运行，提供远程查询并且对出现混凝土缺陷的地位进行报警。

进一步，基于人工智能混凝土表面缺陷图像识别主要借助weka开源平台下的imagefilter图片识别器。weka的全名是怀卡托智能分析环境(waikatoenvironmentforknowledgeanalysis)，weka作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。weka下的imagefilter软件包就是基于lire全文检索技术来实现图片的检索。在lire中，特征是以直方图形式来表现图片的，即lire索引文件保存了直方图特征，同时还保存了图片名称、路径等有关图片的信息。在实现图片检索时先要读取本地创建的索引文件，进行搜索匹配，然后再去特征库中查找最相似的特征进行匹配，最后映射最相似的图片。lire检索图片过程如图2所示。

在图片识别实际检索应用中，由于图片包含大量的信息，直接使用原始的图片像素信息进行检索的运算量非常巨大。但是完全可以从图片中提取一些特征来表现图片内容。weka开源平台下的imagefilter图片过滤器可以将图片训练集和测试集进行特征值提取，不同混凝土图像可以通过若干特征值进行表示，当混凝土表面出现不同的缺陷时，这些特征值会存在差异，这种差异可能表现在单个特征值上也可能表现为多个特征值的组合上，人工针对单个特征值的差异具备一定的分辨能力，但很多时候这一特征并不明显，人工判定就会比较困难。但是，机器学习就是专门解决这种问题，ai的智能特性就是体现在学习上，通过学习已有的图像数据，总结数据变化的规律从而具备分辨的能力。在对图片进行识别的过程中将会使用三种效果较好的分类器：朴素贝叶斯分类器、神经元网络分类器，简单线性回归分类器对图片进行识别与分类。weka软件实现具体特征提取步骤如图3所示。

进一步，在本发明的具体实施例中，通过采集不同的混凝土缺陷图片作为样本训练集，然后将需要识别的图像上传到图像数据库，通过weka软件对图像的特征值进行匹配，最后通过匹配结果进行分类与识别。weka图片识别方法步骤如图4所示。

s101：形成arff文件，主要内容包括图片名称及分类；

s102：imagefilterpackage提取图像特征成新的数值型arff文件；

s103：训练样本测试分类；

s104：读入其它测试样本完成混凝土缺陷的自动识别机分类。

混凝土表面缺陷识别，在图片实际识别应用中，由于图片包含大量的信息，直接使用原始的图片像素信息进行识别的运算量非常巨大。但是完全可以从图片中提取一些特征来表现图片内容。基于lire全文检索技术来实现图片的识别。在lire中，特征是以直方图形式来表现图片的，即lire索引文件保存了直方图特征，同时还保存了图片名称、路径等有关图片的信息。在实现图片检索时先要读取本地创建的索引文件，进行搜索匹配，然后再去特征库中查找最相似的特征进行匹配，最后映射最相似的图片。其中将会用到贝叶斯网络算法对图片进行识别。朴素贝叶斯网络是一种概率网络，是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络又称为信度网络，是贝叶斯方法的扩展，是目前不确定只是表达和推理领域最有效的理论模型之一。贝叶斯定理可以表示为：

其中，x为隐藏的节点；y为所观察到的数据。按标准的做法，用大写字母表示随机变量，用小写字母表示随机变量的取值。

p(x|y):y发生的情况下x发生的概率，可以理解为在测试得到某种信号(参数)b的时候，存在缺陷a的概率，为后验概率。

p(y|x)：x发生的情况下y发生的概率，可以理解为存在缺陷x的时候，测试得到某种信号(参数)y的概率，为后验概率。

p(x)：x发生的概率，可以理解为存在缺陷x的概率，为先验概率。

p(y)：y发生的概率，可以理解为测试得到某种信号(参数)y的概率。

如果用语言来表示，这个公式会变为：

在实际检测时，采用多种参数及条件(称为成分xi)来推定事件的是否发生；将状态用{ω}表示，如{发生，疑似发生，未发生}，因此，就变成根据得到的xi，识别其属于{ω}中的哪一个(亦即下标j)；如果假设各成分xi相互之间互不影响，则识别结果cnb为：

下面结合具体实施例，对上述weka图片识别方法进一步描述。

首先输入采集的不同混凝土缺陷图片作为样本训练集，形成arff文件。输入的混凝土裂纹缺陷样本图片、混凝土毛面缺陷样本图片、混凝土孔洞缺陷样本图片分别如图5、图6、图7所示。

其次，imagefilterpackage提取图像特征成新的数值型arff文件，如图8所示。

最后，训练样本识别图片，如图10所示。

表1：朴素贝叶斯网络详细精度

表2朴素贝叶斯网络节点错误率

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。