本发明涉及纤维分布研究领域，具体涉及一种基于深度学习的gfrc图像中短切纤维的快速识别方法。
背景技术：
：混凝土以拥有众多优点而被广泛应用于建筑工程当中，在混凝土的受力状态之中，受拉是主要受力形式之一，但是混凝土的抗拉强度过低，在受拉状态下易导致混凝土出现裂缝，严重影响其耐久性和安全性；对于以上缺点，纤维混凝土以其拥有较好的力学性能逐渐出现在人们的视野中，研究显示，纤维对于裂缝的开展有着较好的抑制作用，在混凝土中掺入各类纤维可以明显提高混凝土抗拉强度和延伸率。纤维在基体中的分布会影响混凝土的力学性能和变形能力，有大量研究表明，当纤维分布方向接近受力方向时，可以提高混凝土的抗拉强度，同时纤维对混凝土的韧性和抵抗裂缝发展有着明显的改善作用，所以研究纤维的分布是很有必要的。目前在对纤维分布的研究中，部分学者运用ct成像技术获取纤维混凝土的切片图像，并通过对图像中纤维的位置进行手动标记，获取纤维的位置信息。该方法虽然准确率高，但是耗时过长且成本过高。另外，部分学者采用灰度阀值法对切片图像处理，根据纤维与背景图像的像素值大小不同这一特性，采用对纤维进行提取，目前该方法可以处理提取钢纤维在混凝土中的位置。然而，玻璃纤维与水泥基材料的灰度值相近，因为二者的密度相近，很难用这种方法获得玻璃纤维的分布信息。技术实现要素：本发明所要克服的是现有技术中的不足，目的是提供一种基于深度学习的gfrc图像中短切纤维的快速识别方法。本发明所要解决的技术问题采用以下的技术方案来实现：一种基于深度学习的gfrc图像中短切纤维的快速识别方法，包括如下几个步骤：步骤一、纤维图像数据集获取及其预处理：(1)根据所采集的数据集选择含有短切玻璃的gfrc样本图像；(2)采用图像数据增强对样本进行处理，增加样本数量，确定训练集、验证集和测试集的数量；(3)采用label软件对原始图像中待识别物体进行标记，并添加标签；步骤二、深度学习网络模型的构建：(1)选择deeplabv3 语义分割模型建立框架；(2)原始图像输入到deeplabv3 模型的encoder结构中，期间其主干网络xception会从图像中抓取一个高尺度的特征图引入decoder结构中，以提供边缘特性，另外，经过一个1×1卷积核降维后，将降维后的特征图引入decoder结构中。特征图在decoder结构中与边缘特征进行融合，最后采样到原始图像大小；(3)将得到的计算结果与标签图像进行比较，分析计算误差后，采用反向传播算法对网络中的权重进行优化，最终经过多次训练迭代得到最优化权重；步骤三、模型结果验证与分析：(1)模型采用deeplabv3 语义分割算法，基于最佳初始学习率，对验证集进行结果预测，并采用准确率acc，以及对比iou和f1-score三个指标来评价模型的预测效果；(2)对所得的预测结果与传统分析方法进行比较，进一步验证本模型的高效性和准确性；相比于现有技术，本发明具有如下优点：1.本发明基于深度学习理论的图像处理法与短切玻璃纤维识别相融合，基于语义分割模型deeplabv3 ，在deeplab算法的基础上引入encoder-decoder结构，并且对像素级进行分割预测，可在预测结果图上更加精确的显示识别结果；2.本发明引入准确率accuracy，交并比iou和f1-score指标评价体系；3.对于过去的传统人工标记和图像处理的方法，人工标记法效率低、图像处理法准确率低，而深度学习在大型的数据集上预先训练好模型参数，再加以进行人工调参；选取最佳的初始学习率，则可以快速有效的提高准确率。附图说明图1为基于深度学习识别ct图像短切纤维具体过程图；图2为数据增强示意图：(a)原图；(b)镜像；(c)旋转；(d)局部放大；图3为图像数据标记对比图；图4为deeplabv3 结构图；图5为主干网络xception结构示意图；图6为不同初始学习率下训练集loss变化曲线；图7不同初始学习率下验证集iou的变化曲线；图8训练和验证时loss损失曲线；图9训练和验证时iou变化曲线；图10训练和验证时f1-score变化曲线；图11训练和验证时acc变化曲线；图12为deeplabv3 识别结果示例：(a)原图、(b)分割结果；图13为不同模型短切纤维的识别图；具体实施方式为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。本发明提供来一种基于深度学习的gfrc图像中短切纤维的快速识别方法，将基于深度学习理论的图像处理法与短切玻璃纤维识别相融合，基于语义分割模型deeplabv3 挑选出最佳的最初学习率并且对比其他网络经典模型，从而得到高准确率、精度的纤维识别图；其具体的实施步骤如下：步骤一、纤维图像数据集获取及其预处理：(1)根据所采集的数据集选择含有短切玻璃的gfrc样本图像；(2)采用图像数据增强的方法对纤维混凝土中纤维图像数据进行处理，增加原始图像数据的样本数量，确定训练集、验证集与测试集的数量；(3)对训练集中待识别物体进行标记，添加标签。步骤二、深度学习网络模型的构建：(1)选择deeplabv3 语义分割模型，其在原算法deeplab的基础上引入了encoder-decoder结构，通过encoder结构获取高级特征语义信息，decoder结构进行像素级的分割预测；(2)将原始图像输入到deeplabv3 模型的encoder结构中，期间其主干网络xception会从图像中抓取一个高尺度的特征图引入decoder结构中，提供边缘特性，另外，经过一个1×1卷积核降维后，将降维后的特征图引入decoder结构中，特征图在decoder结构中与边缘特征进行融合，最后采样到原始图像大小；(3)将得到的计算结果与标签图像进行比较，分析计算误差后，采用反向传播算法对网络中的权重进行优化，最终经过多次训练迭代得到最优化权重。步骤三、模型结果验证与分析：(1)模型采用deeplabv3 语义分割算法，基于最佳初始学习率，对验证集进行结果预测，并采用准确率acc，以及对比iou和f1-score三个指标来评价模型的预测效果；(2)将本发明所得的预测结果与传统分析方法进行比较，进一步验证本模型的高效性和准确性；实例python语言中的keras作为一种开源的神经网络库，deeplabv3 是在windows操作系统上使用keras搭建的，所有的训练和验证都是在gpu(graphicprocessingunit)上完成的，具体的软件版本和硬件型号如表1：表1环境配置表硬件/软件名称版本/型号python3.7.2tensorflow1.14keras2.3.1gpurtx2060-6gcuda10.1cudnn7.6.5步骤一、纤维图像数据集获取及其预处理：(1)根据所采集的数据集选择含有短切玻璃的gfrc样本图像，获取样本中核心部分的正、侧和水平方向的扫描图像；正向扫描图像共993张图像，图像大小为400×400×3；图像数据中纤维为短切纤维，纤维长度12mm、直径13μm；(2)采用图像数据增强的方法对纤维混凝土中纤维图像数据进行处理。通过对图像进行镜像、旋转和局部放大等增强方式，将850张原始图像数据增强至2773张；其中2430张为训练集，270张为验证集，73张为测试集，图像大小为400×400×3，图2为数据增强处理后的图像；(3)采用label对原始图像中待识别物体进行标记，如图3，白色区域为待识别的短切纤维，黑色区域为背景部分；步骤二、深度学习网络模型的构建：(1)选择deeplabv3 语义分割模型建立框架，图4为该算法网络结构图；(2)原始图像输入到deeplabv3 模型的encoder结构中，期间其主干网络xception会从图像中抓取一个高尺度的特征图，引入decoder结构中，如图5，以提供边缘特性；另外，经过一个1×1卷积核降维后，将降维后的特征图引入decoder结构中。特征图在decoder结构中与边缘特征进行融合，最后上采样到原始图像大小；(3)将得到的计算结果与标签图像进行比较，分析计算误差后，采用反向传播算法对网络中的权重进行优化，最终经过多次训练迭代得到最优化权重；步骤三、模型结果验证与分析：(1)模型采用deeplabv3 语义分割算法，基于最佳初始学习率，对验证集进行结果预测，并采用准确率acc、交并比iou、和f1-score三个指标来评价模型的预测效果；数据集中的训练集共2430张图像，每次传入模型2张图片，因此每个epoch需要1215个step才能完全历遍整个数据训练集。在每次迭代过程后都会计算网络的训练损失，样本每循环训练三次就保存一次权重文件。设定当验证集loss三次不下降时，下调学习率。激活函数为relu函数，损失函数为交叉熵，优化器选择adam。参数设定完成后即可开始训练，以验证集的loss为基准，当loss连续十次不再下降时，停止训练。为了得到更好的网络参数，设置了3组不同的初始学习率进行训练。图6-7显示了训练损失函数loss和验证集交并比iou在不同初始学习率下的变化情况；不同的评价指标可以从不同角度评价训练效果，图8-11分别显示了在最佳初始学习率下多种指标loss、iou、f1-score和acc在训练集和验证集中的变化情况。图12为deeplabv3 模型对短切纤维的分割结果；从原图(a)和分割结果图(b)的对比分析，deeplabv3 模型对数据集的分割效果较好，因为deeplabv3 模型拥有金字塔aspp模块，可以从不同尺度方向上对短切纤维的特征进行采集，所以在预测过程中较高的还原了短切纤维的边界特征，使其保持高分割精度；图13列出了比较了hough变换、segnet、unet和deeplabv3 四种模型对本数据集中短切纤维的分割效果。图13(b)显示的结果表明，复杂背景下的hough变换有着明显的劣势，在直线和背景的差异较大时检测效果较好，在干扰较大的情况下检测不全面，无法做到高精度检测；图13(c)中的segnet模型对短切纤维的分割效果较差，这是因为ct图像中短切纤维和基体显示出的像素值较为接近，短切纤维像素数量占比较小，所以对于目标的特征提取要求更高，简单的segnet模型无法精准的提取纤维特征；图13(d)unet模型和segnet模型类似，大多数情况下无法准确的表达出整根纤维形状；图13(e)deeplabv3 模型总体分割效果要优于其他网络，可以更加精准的表达出纤维的形状，分割准确率更高。表2测试集中不同模型的定量分析模型准确率accf1-score纤维iou背景ioudeeplabv3 0.99270.8040.6720.9926segnet0.99050.7340.5800.9904unet0.99100.7470.5970.9908hough变换0.97840.2940.1720.9784本发明基于深度学习的图像识别方法可以广泛运用到具体的工程项目中，在本方案中，利用训练集和验证集对deeplabv3 网络模型进行训练，便可以利用其对gfrc图像中短切纤维进行快速识别。以上为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书以及附图内容所作的等效结构或流程变换，或直接或间接运用在相关
技术领域：
，均同理包括在本发明的专利保护范围内。以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。当前第1页1 2 3
技术特征：1.一种基于深度学习的gfrc图像中短切纤维的快速识别方法，其特征在于所采用的方法包括如下步骤：
步骤一、纤维图像数据集获取及其预处理：
(1)根据所采集的数据集选择合适有效的样本图像；
(2)对纤维混凝土中纤维图像数据进行处理，增加原始图像数据的样本数量，确定训练集、验证集与测试集的数量；
(3)对训练集中待识别物体用不同颜色进行标记，以此给待识别物体添加标签；
步骤二、深度学习网络模型的构建：
(1)选择deeplabv3 语义分割模型，其在原算法deeplab的基础上引入了encoder-decoder结构，通过encoder结构获取高级特征语义信息，decoder结构进行像素级的分割预测；
(2)将原始图像输入到deeplabv3 模型的encoder结构中，期间其主干网络xception会从图像中抓取一个高尺度的特征图引入decoder结构中，以提供边缘特性，另外，经过一个1×1卷积核降维后，将降维后的特征图引入decoder结构中；
(3)将得到的计算结果与标签图像进行比较，分析计算误差后，对网络中的权重进行优化，最终经过多次训练迭代得到最优化权重；
步骤三、模型结果验证与分析：
(1)模型采用deeplabv3 语义分割算法，基于最佳初始学习率，对验证集进行结果预测；
(2)对所得的预测结果与传统分析方法进行比较。
2.根据权利要求1所述的一种基于深度学习的gfrc图像中短切纤维的快速识别方法，其特征在于，降维后的特征图在decoder结构中与边缘特征进行融合，采样到原始图像大小。
3.根据权利要求1所述的一种基于深度学习的gfrc图像中短切纤维的快速识别方法，其特征在于，步骤一中第(2)步，采用图像数据增强的方法对纤维混凝土中纤维图像数据进行处理。
4.根据权利要求1所述的一种基于深度学习的gfrc图像中短切纤维的快速识别方法，其特征在于，步骤二中第(3)步，分析计算误差后采用反向传播算法对网络中的权重进行优化。
5.根据权利要求1所述的一种基于深度学习的gfrc图像中短切纤维的快速识别方法，其特征在于，步骤三中第(2)步，对验证集进行结果预测，并采用准确率acc，以及对比iou和f1-score三个指标来评价模型的预测效果。
技术总结一种基于深度学习的GFRC图像中短切纤维的快速识别方法，通过纤维图像数据集获取及其预处理、深度学习网络模型的构建、模型结果验证与分析；基于深度学习理论的图像处理法与短切玻璃纤维识别相融合，基于语义分割模型DeeplabV3 ，在Deeplab算法的基础上引入Encoder‑Decoder结构，并且对像素级进行分割预测，可在预测结果图上更加精确的显示识别结果，将基于深度学习理论的图像处理法与短切玻璃纤维识别相融合，基于语义分割模型DeeplabV3 挑选出最佳的最初学习率并且对比其他网络经典模型，从而得到高准确率、精度的纤维识别图。
技术研发人员：洪丽;张鹏;宇周亮
受保护的技术使用者：合肥工业大学
技术研发日：2020.12.01
技术公布日：2021.03.12
