本发明涉及裂缝检测，尤其涉及基于深度学习和遗传算法的裂缝检测及伪标注方法及系统。
背景技术：
1、现有的水工建筑物，特别是大坝，长期面临诸如裂缝、磨损、侵蚀等多种结构问题，这些问题可能对建筑物的稳定性和安全性构成直接或间接的威胁。为了有效识别和处理这些问题，深度学习方法在裂缝检测领域已被广泛采用，并成为学术和工业界的主流策略。然而，这些深度学习方法，尤其是监督式学习模型，通常需要大量精确标注的裂缝图像作为训练数据。获取这些高质量训练数据不仅耗时而且成本高昂，因为它需要专业人员进行精确标注，这在大规模水工建筑物检测中尤为突出。
2、鉴于水工建筑物在防洪防灾和社会生活稳定中的重要作用，开发一种高效获取高质量训练数据的方法变得尤为迫切。该方法需要在降低数据标注成本的同时，确保裂缝检测和分割的高精度和高可靠性。因此，本发明应运而生，旨在解决上述问题，通过提出一种结合深度学习和自适应遗传算法的智能裂缝检测和伪标注生成方法，为水工建筑物的安全监测和维护提供强有力的技术支持。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了基于深度学习和遗传算法的裂缝检测及伪标注方法，能够在于引入多目标遗传算法自动优化阈值分割算法的参数，提高伪标注的准确率和覆盖率。
3、为解决上述技术问题，本发明提供如下技术方案，基于深度学习和遗传算法的裂缝检测及伪标注方法，包括：收集并准备未标注的原始图像数据，作为处理流程的输入；将原始图像输入裂缝检测与定位模块，运用深度学习分类模型进行特征学习，并利用grad-cam算法输出图像中裂缝的定位图；原始图像同时输入语义分割模块，通过深度学习模型进行像素级的裂缝识别；在语义分割模块中，引入多目标遗传算法对分割参数进行优化；将裂缝检测与定位模块和语义分割模块的输出结果进行图像融合，对融合后的结果图像应用形态学闭操作，填补阈值分割产生的裂缝空洞；经过形态学闭操作处理后，输出最终的裂缝伪标注结果图像。
4、作为本发明所述的基于深度学习和遗传算法的裂缝检测及伪标注方法的一种优选方案，其中：所述原始图像数据包括，利用高分辨率摄像头，收集涵盖各种裂缝、磨损、侵蚀结构问题，以及不同环境条件下的图像；同时对水工建筑物进行现场勘察，确定图像采集的关键区域和位置，在采集过程中，记录图像的元数据；
5、关键区域和位置包含承载支撑点、梁柱连接处、基础部位；还包含具有服务功能的水闸、阀门、泄洪道以及历史数据显示频繁出现裂缝或损坏的区域、曾经进行过维修或加固的区域；
6、对采集到的图像进行质量评估，去除模糊、过度曝光以及欠曝光的图像，对筛选后的图像进行预处理，包括去噪、增强、校正。
7、作为本发明所述的基于深度学习和遗传算法的裂缝检测及伪标注方法的一种优选方案，其中：所述输出图像中裂缝的定位图包括，在裂缝检测和分裂过程中使用grad-cam输出裂缝定位热力图提高裂缝定位精度；
8、将图像通过cnn模型进行前向传播得到类别的预测分数：
9、 ，
10、其中，表示类别的预测分数，表示连接层的权重，表示输入图像，表示cnn模型，表示连接层的偏置；
11、选择预测得分最高的类别，并计算预测分数对最后一个卷积层的输出的梯度：
12、 ，
13、 ，
14、其中，表示选择类别，表示类别的分数，表示卷积层的特征图；
15、对梯度值进行全局平均池化，得到权重，使用权重与特征图相乘并求和，得到最终的类激活图：
16、 ，
17、 ，
18、其中，表示权重，表示特征图的维度，表示类激活图；
19、将类激活图上采样到输入图像的大小，生成可覆盖在原始图像上的热力图。
20、作为本发明所述的基于深度学习和遗传算法的裂缝检测及伪标注方法的一种优选方案，其中：所述裂缝识别包括，将未标注的原始图像输入语义分割模块，执行像素级的裂缝识别，生成分割后的裂缝语义像素图；
21、处理原始图像的灰度值，并引入归一化函数保证数值稳定性：
22、 ，
23、 ，
24、其中，表示原始图像中像素点( x, y)的灰度值，表示图像灰度值的均值，表示归一化函数，表示图像中的最小值和最大值；
25、采用深度学习的分割网络fcn，得到分割后的裂缝语义像素图：
26、 ，
27、其中，表示激活函数，表示分割模型。
28、作为本发明所述的基于深度学习和遗传算法的裂缝检测及伪标注方法的一种优选方案，其中：所述对分割参数进行优化包括，通过多目标遗传算法自动优化阈值分割算法的参数，提高伪标注的质量，定义两个优化目标，伪标注的准确率a和覆盖率c’，
29、 ，
30、 ，
31、 ，
32、其中，表示优化目标函数，表示权重因子，表示阈值分割参数，表示遗传算法控制参数，表示第i个数据点的真实标签，表示阈值分割算法预测的标签，表示数据点的总数，表示指示函数，表示特殊标签，用于指示算法无法确定的数据点。
33、作为本发明所述的基于深度学习和遗传算法的裂缝检测及伪标注方法的一种优选方案，其中：所述图像融合包括，使用逻辑操作将两个二值化图像融合起来，使用逻辑or操作确保裂缝的所有部分都被标记；
34、融合操作用下面的数字表达式表示：
35、 ，
36、其中，是融合后的图像，是裂缝定位图，是阈值分割图像，表示逻辑or操作。
37、作为本发明所述的基于深度学习和遗传算法的裂缝检测及伪标注方法的一种优选方案，其中：所述形态学闭操作包括，膨胀和侵蚀操作，膨胀操作使图像中的明亮区域膨胀或增长，侵蚀操作收缩明亮区域；
38、闭操作先进行膨胀操作，再进行侵蚀操作，具体表达如下：
39、设定a是原始图像，b是结构元素，膨胀操作和侵蚀操作分别定义为：
40、 ，
41、 ，
42、其中，表示结构元素b在图像a上的位置，表示b的位移；
43、形态学闭操作 a⋅ b定义为：
44、 ，
45、经过形态学闭操作处理后，输出最终的裂缝伪标注结果图像，图像与真实标注的相似度增大。
46、本发明的另一个目的是提供基于深度学习和遗传算法的裂缝检测及伪标注系统，其能将伪标注过程中的最佳图像尺度和最佳数据尺度纳入优化目标，进一步提升了伪标注的质量和实用性。
47、作为本发明所述的基于深度学习和遗传算法的裂缝检测及伪标注系统的一种优选方案，其中：包括裂缝检测与定位模块、语义分割模块、多目标遗传算法优化模块、逐像素融合模块；
48、所述裂缝检测与定位模块，使用深度学习分类模型识别并定位图像中的裂缝；
49、所述语义分割模块，执行像素级的裂缝识别，生成分割后的裂缝语义像素图；
50、所述多目标遗传算法优化模块，通过多目标遗传算法自动优化阈值分割算法的参数，提高伪标注的质量；
51、所述逐像素融合模块，负责将裂缝分裂和定位结果和语义分割结果进行融合，输出最终的伪标注图像。
52、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于深度学习和遗传算法的裂缝检测及伪标注方法的步骤。
53、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于深度学习和遗传算法的裂缝检测及伪标注方法的步骤。
54、本发明的有益效果：通过多目标遗传算法自动优化阈值分割算法的参数，可以有效地提高伪标注的准确率和覆盖率，结合深度学习和多目标遗传算法，可以自动生成像素级的伪标注，无需人工干预。将伪标注过程中的最佳图像尺度和最佳数据尺度纳入优化目标，确保生成的伪标注图像在不同的图像和数据尺度下都能保持高质量。高质量的伪标注图像有助于提升裂缝检测模型的性能，还降低了漏检和误检的风险。