一种基于机器学习算法和计算机视觉的裂纹辨识方法

1.本发明属于结构健康检测技术领域，特别涉及一种基于机器学习算法和计算机视觉的裂纹辨识方法。


背景技术：

2.道路作为日常生活最主要的基础设施结构，长期暴露于外部自然环境，极易产生裂纹。长此以往，裂纹会降低道路性能，成为道路安全隐患。近年来，裂纹检测作为公路养护系统的重要程序，受到了不同领域研究人员的密切关注。传统的人工道路裂纹检测费时费力，且检测结果受到检测人员的主观判断常有偏差。因此，在智能交通系统中，逐渐发展了能提供可靠分析的自动裂缝检测方法，从而取代了传统的人工判断。
3.基于图像信息的裂纹检测方法作为一种新发展起来的裂纹辨识方法具有测量效率高的优势被逐渐应用于实际生活，如sobel检测、canny检测方法等，该测量方法主要基于阈值来寻找裂纹区域，并假定位于裂纹区域的像素始终比其他像素暗。然而，该测量方法容易受到光照等测量噪声的影响，且阈值的选择需要专业人员的参与，很难进行广泛推广。因此，机器学习方法强大的目标识别能力开始被应用于裂纹检测，包括bp神经网络、支持向量机、决策树、随机森林等方法。然而，该类测量方法针对特定的图像需要调参，且对于不同类型的图像及不同特征的裂纹，各类机器学习方法具有不同的优势，因此不合适的机器学习方法会降低裂纹的辨识精度，而如何选择合适的机器学习方法也需要专业的技术人员进行评估。据此现状，本发明提出一一种基于机器学习算法和计算机视觉的裂纹辨识方法。


技术实现要素：

4.为解决当前道路裂纹检测方法检测效率低，裂纹识别精度不确定性高的问题，本发明提供一种基于机器学习算法和计算机视觉的裂纹辨识方法，通过灰度共生矩阵提取图像的纹理特征，并以特征为输入建立了多种分类器对图像进行分类，获取类别辨识概率。采用d-s证据理论将不同分类器的辨识概率进行融合，通过融合后的概率对图像中是否存在裂纹进行辨识。该方法不同于采用单一分类器对图像进行分类，而是通过信息融合集中了不同分类器的优点，降低了裂纹识别的不确定性，提高了辨识精度。
5.为了实现上述目的，本发明采用的技术方案是：
6.一种基于机器学习算法和计算机视觉的裂纹辨识方法，包括以下步骤：
7.步骤1)，采集带裂纹图像和无裂纹图像作为数据集；
8.步骤2)，对采集的图像进行灰度化处理，计算图像在0
°
，45
°
，90
°
，135
°
的灰度共生矩阵，得到角二阶矩、熵、对比度、自相关系数、逆差矩及方差等矩阵特征；
9.步骤3)，将矩阵特征作为图像纹理特征，分别对knn、决策树、随机森林、支持向量机、xgboost及bp神经网络等6种分类器进行训练；
10.步骤4)，采用相机获取被测结构的图像，得到该图像纹理特征，利用训练好的不同分类器计算图像类别辨识概率；
11.步骤5)，根据d-s证据理论将采用不同分类器得到的图像类别辨识概率进行融合，通过融合后的概率对图像中是否存在裂纹进行判别。
12.进一步地，所述步骤2)中，以灰度为i的像素为原点，在其位移为d，逆时针方向θ处，灰度为j的像素在图像中同时出现的概率记作p(i,j)：
13.p(i,j)＝{(x,y)|f(x,y)＝i,f(x+δx,y+δy)＝j；x＝0,1,2,...,n
x
,y＝0,1,2,...,ny}
14.式中：(x,y)为灰度为i的像素的坐标，(x+δx,y+δy)为灰度为j的像素的坐标，n
x
和ny分别为图像水平和竖直方向的大小。
15.设图像的灰度级为m，则图像的灰度共生矩阵为m
×
m的方阵可以表示为：
[0016][0017]
根据灰度共生矩阵，计算角二阶矩、熵、对比度、自相关系数、逆差矩及方差等矩阵特征，具体如下：
[0018]
角二阶矩表示如下：
[0019][0020]
熵表示如下：
[0021][0022]
对比度表示如下：
[0023][0024]
自相关系数表示如下：
[0025][0026]
逆差矩表示如下：
[0027][0028]
方差表示如下：
[0029][0030]
式中：u
x
和uy为图像像素在水平和垂直方向的灰度均值，和是水平和垂直方向的方差，表示如下：
[0031][0032][0033]
进一步地，所述步骤3)具体为，将四个方向上共计24个矩阵特征作为图像纹理特征，分别对所述6种分类器进行训练。
[0034]
进一步地，所述步骤5)中，设任意两个分类器获得的辨识概率分别为p
n-1
，pn，根据d-s证据理论将采用不同分类器得到的图像类别辨识概率进行融合，融合后的辨识概率表示为：
[0035][0036]
式中：pc为两个分类器融合后的概率，q为两个分类器之间的冲突量，n为分类器的数目。
[0037]
逐步融合不同分类器的辨识概率，利用最终的融合概率对对图像中是否存在裂纹进行判别。
[0038]
与现有技术相比，本发明的有益效果是：
[0039]
1)通过计算不同方向的图像灰度共生矩阵及不同方向下的特征值，能够很好地捕捉图像的纹理信息。
[0040]
2)所提方法融合了不同机器学习方法的识别结果，降低了单一机器学习方法识别精度的不确定性，提高了裂纹识别精度。
附图说明
[0041]
图1为本发明所提出的裂纹识别方法总体流程图框架。
[0042]
图2为不带裂纹图像和裂纹图像。
[0043]
图3为不同方向下的灰度共生矩阵计算方法示意图。
[0044]
图4为基于d-s证据融合理论的不同机器学习方法流程示意图。
[0045]
图5为基于本发明所提方法与其他裂纹检测方法的结果对比，图(a)为准确性，图(b)为召回率，图(c)为精确率，图(d)为准确率。
具体实施方式
[0046]
下面结合附图和实施例详细说明本发明的实施方式。
[0047]
本发明为一种基于机器学习算法和计算机视觉的裂纹辨识方法，首先计算图像的灰度共生矩阵，获得了角二阶阵、熵、对比度等图像纹理特征值。其次，以图象纹理特征值为输入，采用不同的机器学习方法获取不同的裂纹识别概率。最后，利用d-s证据融合理论将不同机器学习方法获得的识别概率进行融合，获得最终结果从而对图像进行识别。
[0048]
如图1所示，本发明具体包括如下步骤：
[0049]
步骤1：如图2所示，采集带裂纹和无裂纹图像作为数据集。
[0050]
步骤2：对采集的图像进行灰度化处理，如图3所示，计算图像在0
°
，45
°
，90
°
，135
°
的灰度共生矩阵，得到了角二阶矩、熵、对比度、自相关系数、逆差矩及方差等矩阵特征。
[0051]
以灰度为i的像素为原点，在其位移为d，逆时针方向θ处，灰度为j的像素在图像中同时出现的概率记作p(i,j)：
[0052]
p(i,j)＝{(x,y)|f(x,y)＝i,f(x+δx,y+δy)＝j；x＝0,1,2,...,n
x
,y＝0,1,2,...,ny}
ꢀꢀ
(1)
[0053]
式中：(x,y)为灰度为i的像素的坐标，(x+δx,y+δy)为灰度为j的像素的坐标，n
x
和ny分别为图像水平和竖直方向的大小。
[0054]
设图像的灰度级为m，则图像的灰度共生矩阵为m
×
m的方阵可以表示为：
[0055][0056]
根据灰度共生矩阵，计算角二阶矩、熵、对比度、自相关系数、逆差矩及方差等矩阵特征，具体如下：
[0057]
角二阶矩表示如下：
[0058][0059]
熵表示如下：
[0060][0061]
对比度表示如下：
[0062][0063]
自相关系数表示如下：
[0064][0065]
逆差矩表示如下：
[0066][0067]
方差表示如下：
[0068][0069]
式中：u
x
和uy为图像像素在水平和垂直方向的灰度均值，和是水平和垂直方向的方差，表示如下：
[0070]
[0071][0072]
步骤3：将矩阵特征作为图像纹理特征，分别对knn、决策树、随机森林、支持向量机、xgboost及bp神经网络等6种分类器进行训练。
[0073]
步骤4：采用相机获取被测结构的图像，得到该图像纹理特征，利用训练好的不同分类器计算图像类别辨识概率。
[0074]
步骤5：如图4所示，根据d-s证据理论将采用不同分类器得到的图像类别辨识概率进行融合，通过融合后的概率对图像中是否存在裂纹进行判别。
[0075]
根据d-s证据理论将采用不同分类器得到的图像类别辨识概率进行融合：
[0076]
设任意两个分类器获得的辨识概率分别为p
n-1
，pn，根据d-s证据理论将采用不同分类器得到的图像类别辨识概率进行融合，融合后的辨识概率表示为：
[0077][0078]
式中：pc为两个分类器融合后的概率，q为两个分类器之间的冲突量，n为分类器的数目。
[0079]
逐步融合不同分类器的辨识概率，利用最终的融合概率对对图像中是否存在裂纹进行判别。
[0080]
计算结果如图5所示，结果表明，相对比与其他单一模型的裂纹辨识结果，本发明所提出的方法具有较高的识别精度。