(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211061974.1 (22)申请日 2022.08.31 (71)申请人 东南大学 地址 210096 江苏省南京市江宁区东 南大 学路2号 (72)发明人 王燕华　陈子彦　戴博闻　何俊泽　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 陈月菊 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/12(2022.01) G06T 7/73(2017.01) G06T 3/00(2006.01)G06T 3/20(2006.01) G06N 20/00(2019.01) (54)发明名称 基于深度学习的混凝土裂缝识别系统及方 法 (57)摘要 本发明公开了一种基于深度学习的混凝土 裂缝识别系统及方法。 其中， 系统包括： 裂缝图像 数据采集模块， 用于采集获取混凝土表面裂缝图 像并输出； 图像数据处理模块， 连接所述裂缝图 像数据采集模块， 根据所拍摄的混凝土表面裂缝 图像， 对获取的图像进行预处理识别； 裂缝识别 模块， 利用基于剪枝先验框的改进SSD算法模型 对裂缝的图像进行识别， 对裂缝进行标识， 并将 结果进行储存。 本发明使 得工程中对混凝土裂缝 检测识别过程更加容易可操作， 另一方面也提高 了检测的识别精度和速率， 尤其是在识别复杂环 境的裂缝图片时， 表现出了 很高的抗干 扰能力。 权利要求书2页 说明书5页 附图4页 CN 115482462 A 2022.12.16 CN 115482462 A 1.一种基于深度 学习的混凝土裂缝识别系统， 其特征在于， 包括： 裂缝图像数据采集模 块、 图像数据处 理模块和裂缝识别模块； 所述裂缝图像数据采集模块， 用于采集获取混凝 土表面裂缝图像并输出； 所述图像数据处理模块， 连接所述裂缝图像数据采集模块， 根据所获取的混凝土表面 裂缝图像， 对获取的图像进行识别预处 理； 所述裂缝识别 模块， 利用基于剪枝先验框的改进SSD算法模型对裂缝的图像进行识别， 对裂缝进行 标识， 并将结果进行储 存。 2.根据权利要求1所述的基于深度学习的混凝 土裂缝识别系统， 其特 征在于， 所述裂缝图像数据采集模块， 包括： 拍摄平台、 高速S D存储卡、 服务器和数据库； 在确定检测目标后， 即可通过所述拍摄平台对目标区域进行图像采集， 通过提前设置 好预处理和识别系统的图像提取路径， 实现对上传到电脑的图像进行实时识别并将图像自 动传输至所述服务器。 3.根据权利要求2所述的基于深度学习的混凝 土裂缝识别系统， 其特 征在于， 所述拍摄平台， 采用无 人机系统、 普通智能手机和单反相机中的至少一种为载体。 4.根据权利要求1所述的基于深度学习的混凝 土裂缝识别系统， 其特 征在于， 所述图像数据处理模块， 通过图像灰度化及修正， 图像滤波处理和裂缝标记定位， 对获 取的图像数据进行 预处理， 以加快识别的收敛速度； 所述图像灰度化及修正中将图像像素的R、 G、 B分量采用分量法规则转化为三者相等的 形式， 进行图像灰度化； 通过对 灰度化的图像进 行直方图均衡化可以对灰度进 行再分配， 使 灰度值均匀地分布于灰度区间内， 通过线性和非线性拉伸的灰度变换对图像进行拉伸处 理， 对图像进行 灰度化修正； 所述图像滤波处理， 采用中值滤波方法， 选取像素点邻近所有像素点灰度值的中值作 为该点滤波处 理后的像素值， 从而消除在图像中孤立的噪点； 所述裂缝标记定位， 采用LabelImg工具进行标记， 先在图像中标记出目标位置， 后转换 为XML格式的文件， 再传输 到深度学习算法框架中进行识别。 5.根据权利要求1所述的基于深度学习的混凝 土裂缝识别系统， 其特 征在于， 所述裂缝数据识别模块， 采用基于剪枝先验框的改进SSD算法建立的混凝土裂缝识别 模型， 通过将图像传输到服务器后， 即可利用训练好的模型进 行识别， 并将识别出的裂缝及 其分析内容回传至智能端， 同时将信息传输入数据库进行 备份。 6.一种基于深度学习的混凝 土裂缝识别方法， 包括如下步骤： S1、 采集裂缝图像； S2、 对S1采集的裂缝图像进行 预处理； S3、 采用基于剪枝先验框的改进SSD算法建立的混凝土裂缝识别 模型， 对图像进行识别 检测后， 得到所述裂缝的识别结果。 7.根据权利要求6所述的基于深度学习的混凝土裂缝识别方法， 其特征在于， S2中， 包 括如下步骤： S21、 图像灰度化， 采用分量法将彩色图像R、 G、 B这三种分量里的任何一个视作此类照 片的灰度值； Gray1(i,j)＝R(i,j)     (1)权　利　要　求　书 1/2 页 2 CN 115482462 A 2Gray2(i,j)＝G(i,j)     (2) Gray3(i,j)＝B(i,j)     (3) 其中， Grayk(i,j)＝B(i,j)(k ＝1,2,3)， 为 转变后的灰度图像在(i,j)处的灰度值； S22、 图像灰度修正， 通过对灰度化的图像进行直方图均衡化对灰度进行再分配， 使灰 度值均匀地分布于灰度区间内； 通过 灰度变换对图像进行拉伸处 理； S23、 图像滤波处 理， 采用中值滤波对像素点进行 滤波处理； g(x,y)＝med{f(xi,yj)}    (4) 其中， g(x,y)为经 过中值滤波处 理后的像素值， f(xi,yj)即为滤波处 理前的像素值； S24、 裂缝标记定位， 通过python编写的LabelImg工具进行标记， 在图像中标记出裂缝 位置， 后转换为XML格式的文件， 再传输 到深度学习算法框架中进行训练。 8.根据权利要求6所述的基于深度学习的混凝土裂缝识别方法， 其特征在于， S3 中的识 别模型通过基于剪枝 先验框的改进SSD算法建立； 基于剪枝 先验框的改进SSD算法模型的建 立， 是在原始SSD算法上， 对原始的SSD算法进 行统计测试， 经过对多尺度多 方向的候选框进 行统计及分析后， 得出正确预测出来的目标位置来源的候选框分类的数量统计， 得到数量 占比最大即最优的分辨率， 通过对多尺度分辨率的候选框的数量分配进行重新优化， 减少 小尺度的候选框数目而增加中、 大尺度的候选框的数量， 对各分辨率的先验框数目进行调 整， 并通过NMS进行筛 选， 从而最终得到最优的目标框 。权　利　要　求　书 2/2 页 3 CN 115482462 A 3