裂缝自动化识别方法、装置、终端设备及存储介质

本发明属于工程结构表面裂缝检测，尤其涉及一种裂缝自动化识别方法、装置、终端设备及存储介质。

背景技术：

1、随着社会经济的快速发展，我国建设了大量公共基础设施，例如公路、大坝、桥梁等大量民生工程。这些工程结构在长时间的使用之后，都会不可避免地出现裂缝、坑槽等缺陷，需要及时进行缺陷检测和修复，从而避免安全事故的发生。

2、目前，针对工程结构表面存在的裂缝，大多数裂缝检测仍然依靠人工进行巡视检查，裂缝检测效率较低，且容易漏检。近年来，深度学习技术兴起，出现了基于深度学习的裂缝识别技术，能够实现自动化裂缝识别，但是在实际的工程应用中，检测精确度较低。

技术实现思路

1、本申请实施例提供了一种裂缝自动化识别方法、装置、终端设备及存储介质，能够利用生成对抗网络扩展有限的裂缝图像数据集，得到扩展图像数据集，并基于扩展数据集训练深度学习模型，在存在裂缝状干扰项的情况下，实现深度学习模型对裂缝图像的精确识别。

2、第一方面，本申请实施例提供了一种裂缝自动化识别方法，包括：

3、利用已训练的图像生成模型，获得虚拟图像数据集，所述已训练的图像生成模型基于预处理后的真实图像数据集训练得到；

4、根据所述预处理后的真实图像数据集和所述虚拟图像数据集，构建目标图像数据集；

5、标注所述目标图像数据集，得到已标注的目标图像数据集；

6、根据所述已标注的目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型。

7、第二方面，本申请实施例提供了一种裂缝自动化识别装置，包括：

8、虚拟图像获取模块，用于利用已训练的图像生成模型，获得虚拟图像数据集，所述已训练的图像生成模型基于预处理后的真实图像数据集训练得到；

9、目标图像构建模块，用于根据所述预处理后的真实图像数据集和所述虚拟图像数据集，构建目标图像数据集；

10、图像标注模块，用于标注所述目标图像数据集，得到已标注的目标图像数据集；

11、模型训练模块，用于根据所述已标注的目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型。

12、第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的裂缝自动化识别方法的步骤。

13、第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明实施例的第一方面所述的裂缝自动化识别方法的步骤。

14、第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的裂缝自动化识别方法的步骤。

15、本发明第一方面提供的裂缝自动化识别方法，通过利用已训练的图像生成模型，获得虚拟图像数据集，根据所述预处理后的真实图像数据集和所述虚拟图像数据集，构建目标图像数据集，标注所述目标图像数据集，得到已标注的目标图像数据集，根据所述已标注的目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型，能够在存在裂缝状干扰项的情况下，实现深度学习模型对裂缝图像的精确识别。

16、可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

技术特征：

1.一种裂缝自动化识别方法，其特征在于，包括：

2.如权利要求1所述的裂缝自动化识别方法，其特征在于，所述已标注的目标图像数据集包括原始图像、掩码图像和含有不同目标类别的标记图像；

3.如权利要求1所述的裂缝自动化识别方法，其特征在于，所述利用已训练的图像生成模型，获得虚拟图像数据集之前，包括：

4.如权利要求3所述的裂缝自动化识别方法，其特征在于，所述图像生成模型包括生成器网络和判别器网络；

5.如权利要求4所述的裂缝自动化识别方法，其特征在于，所述图像生成模型的目标函数表达式为：

6.如权利要求1所述的裂缝自动化识别方法，其特征在于，所述根据所述目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型之前，包括：

7.如权利要求1至6任一项所述的裂缝自动化识别方法，其特征在于，所述根据所述已标注的目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型之后，包括：

8.一种裂缝自动化识别装置，其特征在于，包括：

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的方法的步骤。

技术总结
本发明属于工程结构表面裂缝检测技术领域，公开了一种裂缝自动化识别方法、装置、终端设备及存储介质，其中，方法包括：利用已训练的图像生成模型，获得虚拟图像数据集，所述已训练的图像生成模型基于预处理后的真实图像数据集训练得到，根据所述预处理后的真实图像数据集和所述虚拟图像数据集，构建目标图像数据集，标注所述目标图像数据集，得到已标注的目标图像数据集，根据所述已标注的目标图像数据集，训练裂缝图像识别模型，得到已训练的裂缝图像识别模型。本发明能够在存在裂缝状干扰项的情况下，实现深度学习模型对裂缝图像的精确识别。

技术研发人员：梅柳,盛昊,高驭旻,龙武剑,李利孝,罗启灵
受保护的技术使用者：深圳大学
技术研发日：
技术公布日：2024/1/15