文献阅读笔记【3】：基于计算机视觉技术的结构表面裂缝检测方法研究

3.基于计算机视觉技术的结构表面裂缝检测方法研究¹

• 论文 | 基于计算机视觉技术的结构表面裂缝检测方法研究
• 作者 | 韩晓健 赵志成
• 期刊 | 建筑结构学报
• 时间 | 2018

文章在AlexNet网络的基础上使用迁移学习对图片进行分类，再通过各种方法对裂缝图像进行处理，获得裂缝。整个流程如下：

• 样本准备：

  • 在AlexNet网络的基础上使用迁移学习，将150张裂缝图片滑动剪裁为小尺寸的图像，放入训练获得模型，将图像放入模型，分类为有裂缝/无裂缝。识别结果表示总体识别情况良好， 模型鲁棒性良好， 对不均匀光照和噪声干扰具有良好的适应性， 同时， 模型对一些类裂缝目标易受干扰。
    易受干扰的三类图像：
    1. 使用滑动窗口进行滑 动裁剪， 容易裁剪到不完整的裂缝， 由于这些图像在 特征上具有一部分裂缝特征， 对识别分类会产生一 定影响;
    2. 背景中包含有划痕、笔迹、污迹等类似裂 缝的目标物干扰;
    3. 模糊不清的裂缝。
       

• 裂缝提取流程：

  • 裂缝提取【1】过程中首先对图像进行滤波，文章对比了中值滤波和双边滤波，得出双边滤波算法对裂缝边缘控制较好， 但小尺寸滤波器滤波效果较差，随着滤波器尺寸增大，抑制背景噪声的效果变得更好。
  • 裂缝提取【2】过程中为了突出裂缝图像的对比度，强化裂缝细节，采用了三段线性灰度变换，对裂缝灰度直方图中的波谷波分进行了灰度拉伸。
  • 裂缝提取【3】过程中使用的阈值分割方法为局域阈值分割法，结合前面滑动窗口剪裁的小尺寸图像，对其中含有裂缝的小尺寸图像进行OTSU法阈值分割，对于未包含裂缝的小尺寸图像不进行处理。

• 裂缝测量：

  • 对裂缝进行测量的过程中，首先进行像素标定采用了靶标法（像素标定：测距法、靶标法）
  • 之后使用Sobel算子得到边缘梯度信息，进而通过边缘点梯度匹配【已知裂缝边界每个像素点的法线方向， 过任意一条边界上的点沿法线方向所作直线与另一边界必有交点， 若对应交点间的梯度方向相反则判定为对应点， 并以两对应点之间的距离作为裂缝宽度。】获得裂缝宽度。
  • 剔除异常宽度，对比筛选定位该区域最大裂缝宽度

Comments：
文章将深度学习与传统图像处理进行结合，通过迁移学习对图像进行分类，而且分类效果鲁棒性良好，后续再进行图像中裂缝的提取；完整的流程予以我很大的启发，尤其是其中将图像进行分块的思想和线性拉伸的做法，都可以用于之后的实践过程中，这样一来可以避免一些远离裂缝但又难以通过预处理手段消灭的噪声，二来也减少了提取裂缝的难度和计算量。裂缝宽度测量方法也具有参考意义。另外其中的分类评价指标具有参考意义