基于改进CNN和图像处理的钢梁裂缝识别方法

摘要

裂缝检测是结构健康监测的重要内容之一，为实现复杂背景下钢梁裂缝的定性分析，提出一种基于改进卷积神经网络和数字图像处理的裂缝损伤定位和裂缝图像分割两阶段检测方法。第一阶段通过构建多尺度卷积神经网络来识别复杂背景下的裂缝图像，该网络由多尺度卷积模块Inception与残差模块组成，其中，多尺度卷积模块Inception包含1×1、3×3、5×5三种不同尺寸的卷积核，用于图像的多尺度特征提取，在残差模块中引入卷积层和非线性激活函数以增强跨层融合能力进而提取更深层次的特征。采用Grad-CAM可视化分析突出多尺度卷积神经网络的预测依据，证明其分类性能和判别依据。第二阶段，针对识别的裂缝图像，提出图像滤波去噪、阈值分割分离裂缝像素和形态学处理优化分割结果的组合流程对裂缝进行像素级别的分割与提取，以人工标注的像素标定结果作为真实标签评估图像分割的识别结果。在数据集上的训练结果表明：多尺度卷积神经网络对钢梁裂缝图像的识别准确率可达98.8%,提出的图像处理组合流程最大交并比为0.819,可较好地对裂缝进行分类和提取。

关键词

卷积神经网络 / 钢梁裂缝识别 / 多尺度卷积模块 / 残差模块 / 图像处理