(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 202211011926.1 (22)申请日 2022.08.23 (71)申请人 国网黑龙江省电力有限公司牡 丹江 水力发电总厂 地址 157000 黑龙江省牡 丹江市东 安区东 新安街137号 申请人 上海交通大 学 (72)发明人 李振波　刘巍　葛海彬　黄杰　 吕泰良　金京善　陈汇龙　季昊巍　 罗先启　 (74)专利代理 机构 上海创开专利代理事务所 (普通合伙) 31374 专利代理师 马正红 (51)Int.Cl. G06V 20/05(2022.01)G06V 20/10(2022.01) G06V 20/70(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/30(2022.01) G06V 10/80(2022.01) G01N 21/88(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于EPTCNN算法的水下建筑物裂缝检 测方法 (57)摘要 本发明公开了一种基于EPTCNN算法的水下 建筑物裂缝检测方法， 包括： S1、 对获取的 图像数 据进行去噪， 提高图像数据的精度； S2、 使用 labelimg工具对裂缝进行标注， 用于后续训练和 学习； S3、 将训练数据集输入至EPTCNN网络中进 行训练， 得到裂缝检测网络模型； S4、 将测试数据 集输入至网络模型中， 得到裂缝检测结果， 并对 网络模型的检测性能进行评估。 本发明提出的 EPTCNN算法利用图像 特征提取裂缝层次特征， 通 过特征金字塔将背景信息融合到下层， 使用集成 学习用于多个 分类器一起进行深度监督学习， 普 适性与鲁棒性更佳， 能够适应大多数的裂缝数 据， 生存能力更好， 有利于解决常规CNN模型检测 率低、 效率低的问题。 权利要求书1页 说明书4页 附图3页 CN 115376001 A 2022.11.22 CN 115376001 A 1.一种基于 EPTCNN算法的水 下建筑物裂缝检测方法， 其特 征在于， 包括如下步骤： S1、 对获取的图像数据进行去噪， 提高图像数据的精度； S2、 使用label img工具对裂缝进行 标注， 用于后续训练和学习； S3、 将训练数据集输入至 EPTCNN网络中进行训练， 得到裂缝检测网络模型； S4、 将测试数据集输入至网络模型中， 得到裂缝检测结果， 并对网络模型的检测性能进 行评估。 2.根据权利要求1所述的一种基于EPTCNN算法的水下建筑物裂缝检测方法， 其特征在 于， 所述S1步骤中对图像数据进行去 噪的方法具体为： 通过泊松分布和最大后验估计方法 将噪声图像表示为无噪图像； 然后通过条件随机场方法将无噪图像划分为外部相互作用势 函数和内部相互作用势函数； 最后， 推导外部相互作用势函数和内部相互作用势函数 的表 达关系式， 得到去噪后的数据集。 3.根据权利要求1所述的一种基于EPTCNN算法的水下建筑物裂缝检测方法， 其特征在 于， 所述S3步骤中改进的EPTCNN网络具体方法是： EPTCNN模型以VGG16网络架构为基础， 共 分为5组卷积， 每组卷积使用3x3的卷积核， 卷积后都使用2x2的max池化， 最后接三个全连 接； 基于原始的卷积神经网络模 型进行改进， EPTCNN网络由三个主要部 分构成： 图像特征提 取、 特征金字塔以及集成学习， 具体功能为： 图像特征提取用于裂缝层次特征提取； 特征金 字塔用于将背景信息融合至下层； 集成学习用于将多个分类 器一起进行深度监 督学习。 4.根据权利要求1所述的一种基于EPTCNN算法的水下建筑物裂缝检测方法， 其特征在 于， 所述S4步骤中裂缝检测结果的具体评估方法为： 常用的评估方法有检测率、 召回率、 F 值； 检测率D可以表示 为： 式中， TP表示 把裂缝正确地分类为裂缝， FP表示 把非裂缝错 误地分类为裂缝； 模型的召回率表示检测到裂缝轮廓 边界的像素占所有实际裂缝轮廓 边界像素的概率， 即裂缝样本中有 多少被预测正确的裂缝， 召回率采用R表示： 式中， FN表示 把裂缝错 误地分类为非裂缝； F值为检测率和召回率的调和平均数， 能够综合利用两者对裂缝进行正确预测的结果 对模型进行评估， 表示 为： 式中， δ 是权 重， R是检测率， D是检测率。权　利　要　求　书 1/1 页 2 CN 115376001 A 2一种基于EPTCN N算法的水下 建筑物裂缝检测方 法 技术领域 [0001]本发明属于机器学习 及视觉识别技术领域， 特别是涉及一种基于EPTCNN算法的水 下建筑物裂缝检测方法。 背景技术 [0002]计算机技术和数字摄影技术的发展为裂缝数据的获取提供了更多可以参考的方 法， 图像处理和机器学习技术也开始进入研究人员的视野， 因为其具有适用范围广， 可视化 程度高， 灵活性高和处理精度高等特点， 该技术被广泛用于混凝土裂缝检测和安全性评价 等多个领域。 [0003]基于CNN的方法也已用于缺陷分类和检测。 其他检测和分类任务中的几个成功网 络架构已被用于缺陷的检测和分类。 FanJing提出了一种改进的网络， 用于缺陷特征点的检 测， 相比于原始的网络， 改进后的网络的提取精度提升了很多。 S hiYizhu根据前人的缺陷定 位算法， 实现了一个能够进行高效计算的CNN框架， 该框架使用均值方法减少了特征维度， 并对原始网络进 行了压缩， 很大程度上减少了网络运行的成本。 MaJiang提出了一种基于较 小裂缝样本量的混合方法， 该方法使用CNN和压缩感知 进行图像分类。 检测实验得到的结果 显示， 该方法提取特征的准确率达到了较高水平。 WuHeng提出了一种自动复合插值特征金 字塔网络， 该网络带有能够用于缺陷检测的可变形卷积滤波器， 该方法使用级联引导网络 对检测到的缺陷区域进行排序， 将该方法在缺陷数据集上进行了测试， 实验结果显示其准 确率得到了提升。 相对于 现有的检测方法， EPTCNN算法的普适性与鲁棒性更佳， 能够适应大 多数的裂缝 数据， 生存能力更好， 有利于解决常规CN N模型检测率低、 效率低的问题。 发明内容 [0004]本发明提供了一种基于EPTCNN算法的水下建筑物裂缝检测方法， 解决了以上问 题。 [0005]为解决上述 技术问题， 本发明是通过以下技 术方案实现的： [0006]本发明的一种基于 EPTCNN算法的水 下建筑物裂缝检测方法， 包括如下步骤： [0007]S1、 对获取的图像数据进行去噪， 提高图像数据的精度； [0008]S2、 使用label img工具对裂缝进行 标注， 用于后续训练和学习； [0009]S3、 将训练数据集输入至 EPTCNN网络中进行训练， 得到裂缝检测网络模型； [0010]S4、 将测试数据集输入至网络模型中， 得到裂缝检测结果， 并对网络模型的检测性 能进行评估。 [0011]进一步地， 所述S1步骤中对图像数据进行去噪的方法具体为： 通过泊松分布和最 大后验估计方法将噪声图像表示为无噪图像； 然后通过条件随机场方法将无噪图像划分为 外部相互作用势函数和内部相互作用势函数； 最后， 推导外部相互作用势函数和内部相互 作用势函数的表达关系式， 得到去噪后的数据集。 [0012]进一步地， 所述S3步骤中改进的EPTCNN网络具体方法是： EPTCNN模型以VGG16网络说　明　书 1/4 页 3 CN 115376001 A 3