Page 88 - 无损检测2024年第八期

王 晨：
基于机器视觉的装配式建筑混凝土结构损伤检测

当
αβ
l ( , )-F i ＞Q （5）
1
则h(α,β)=l(α,β)，即滤波后的图像在该点保持
原图像的灰度值。
就此完成采集图像的滤波处理，在处理中既保
留了混凝土图像的细节信息，也去除了较大的噪声。
1.3 基于Faster R-CNN的混凝土结构损伤检测

设计一种快速区域卷积神经网络（Faster R-
CNN）模型，实现混凝土结构损伤检测。设计的
Faster R-CNN模型由两部分组成：快速区域卷积神
经网络Fast R-CNN与区域推荐网络（RPN）。其中
RPN的任务是生成可能的推荐区域，Fast R-CNN
则负责在这些区域中检测目标 [13] 。在训练过程中，
图 2 图像采集卡结构框图示意
RPN网络生成大量的锚点，并判断它们属于被检测
中保持稳定。选用轮式爬壁机器人，将机器视觉工
目标还是背景，然后对位置实施微调（仅部分合适的
具搭载在爬壁机器人上完成图像采集。
锚点参与微调）。
1.2 采集图像滤波处理
接着，通过感兴趣区域（RoI）池化操作，从
对采集的装配式建筑混凝土图像实施滤波处
CNN给出的特征图和RPN的推荐区域信息中截取
理，为节省存储空间，首先对采集的图像实施灰度化 部分区域。然后，对截取的推荐区域图像实施尺寸
处理。根据每个通道的重要性为其选择适当的权重，
统一处理。最后，利用这些图像计算整个推荐区域
并实施加权平均处理 [10] ，即
的类别，并通过目标检测框回归来获得检测目标的
R
G
G RAY ( αβ)=0.30 ( αβ)+0.59 ( αβ)+ 最终精确位置。
,
,
,
0.11B (αβ, ) （1） 在 Faster R-CNN 模型中，通过视觉几何组
式中：G RAY (α,β)为灰度图像中（α,β）点的灰度值； （VGG-16）这一CNN（卷积神经网络）来提取裂缝
R(α,β)为采集的装配式建筑混凝土图像中（α,β）点 特征。
的红色分量值；B(α,β)为蓝色分量值；G(α,β)为绿 在RPN中，对于VGG-16 模型提取的特征图，
色分量值 [11] 。 每个点都会配置9个矩形锚。这些矩形锚被用作预
接着，使用阈值滤波法实施灰度图像的滤波处 备的推荐区域，其形状由右下角和左上角的坐标确
理，具体处理步骤如下。 定。这9个矩形锚具有3种不同的高宽比，高宽比设
（1）去掉中心像素点后计算邻域的均值，即 置如表1所示 [14] 。
l
l
l ( -1, -1)+ ( +1, -1)+ ( -1)+ ( +1, )+ 表1 矩形锚高宽比设置
l
α
β
α
α
β
β
α
β
α
l
β
l ( -1, +1)+ ( , +1)+ ( +1, +1)
α
l
β
α
F i = 序号 高宽比 序号 高宽比
7 1 1∶1 3 2∶1
（2） 2 1∶2 — —
l
式中：(α,β)为滤波前灰度图像（α,β）点的灰度值 。
[12]
每种高宽比又对应3个不同的基础像素尺度，
（2）设置两个阈值Q 与Q ，且Q <Q ，当 因此总共有3×3=9个不同的锚点。通过这种配置，
2
1
1
2
( l αβ)-F ≤ Q （3） 能够在不同尺寸和比例的区域中检测目标，提高了
,
i
1
目标检测的准确性和可靠性。
则h(α,β)=l(α,β)，其中h(α,β)为滤波后灰度图
在卷积层 18 后，RPN 分为两个主要分支：
像（α,β）点的灰度值。
SmoothL1回归与Softmax分类。在Softmax分类分
当 支中，卷积层18的输出会被传递给另一个卷积层，
（4） 数据通道数为18个，这18个通道对应于背景与前景
则h(α,β)=F 。 分类的锚点，每类都有9个锚点。为了实施网络损失
i
50
2024 年 第 46 卷 第 8 期
无损检测