本发明涉及图像处理领域，具体而言，涉及一种裂缝检测方法、装置、电子设备和计算机可读存储介质。
背景技术：
高坝、桥梁、混凝土路面等混凝土建筑物受地震、滑坡等因素的影响，混凝土建筑物表面容易形成严重威胁建筑物安全的裂缝缺陷。为了评估这些建筑物健康状况，一般对这些裂缝进行裂缝检测，并将其作为评估建筑物安全的重要指标。
传统的混凝土裂缝检测主要为人工裸眼检测、有损检测、传统图像处理技术的方法。其中，人工裸眼检测存在人力成本高、主观性强、误检率高、耗时长等缺点；有损检测在检测过程中会对混凝土结构造成二次损坏；传统的图像处理技术需要人工设计特定的目标检测目标，其工作量繁琐、泛化能力和效率均不高；传统的混凝土裂缝检测无法快速地、准确地实现目标建筑的裂缝分割检测。
技术实现要素：
有鉴于此，本发明的目的在于提供一种裂缝检测方法、装置、电子设备和计算机可读存储介质。
为了实现上述目的，本发明采用的技术方案如下：
第一方面，本发明提供一种裂缝检测方法，所述方法包括：获取目标建筑的待检测图像。将所述待检测图像输入至裂缝检测模型，以获取所述目标建筑的初步预测图像；其中，所述裂缝检测模型是根据所述目标建筑的多张裂缝训练图像获取的。将所述待检测图像与所述初步预测图像进行融合，获取所述目标建筑的裂缝检测图像；所述裂缝检测图像用于确定所述目标建筑的裂缝情况。
在可选的实施方式中，所述将所述待检测图像与所述初步预测图像进行融合，获取所述目标建筑的裂缝检测图像，包括：获取所述初步预测图像的至少一个有效感受野；所述有效感受野用于指示所述目标建筑中具有待确认裂缝的区域。将所述待检测图像和所述有效感受野进行聚类，获取所述裂缝检测图像；所述裂缝检测图像包括所述待确认裂缝和所述目标建筑的背景像素。
在可选的实施方式中，所述将所述待检测图像和所述有效感受野进行聚类，获取所述裂缝检测图像，包括：根据所述待检测图像和多个所述有效感受野，获取聚类样本集；所述聚类样本集包括所述待检测图像和所述待确认裂缝的多个聚类样本；根据所述聚类样本集，获取所述待确认裂缝的裂缝聚类结果和所述背景像素的背景聚类结果；所述裂缝聚类结果表征所述待确认裂缝在所述待检测图像中的分布情况，所述背景聚类结果表征所述目标建筑在所述待检测图像中的背景像素信息；将所述裂缝聚类结果和所述背景聚类结果融合，获取所述裂缝检测图像。
在可选的实施方式中，所述根据所述聚类样本集，获取所述待确认裂缝的裂缝聚类结果和所述背景像素的背景聚类结果，包括：从多个所述聚类样本中获取裂缝质心向量和背景质心向量；所述裂缝质心向量为多个所述聚类样本中距离裂缝平均值最小的聚类样本，所述裂缝平均值为属于裂缝类别的多个所述聚类样本的平均值；所述背景质心向量为多个所述聚类样本中距离背景平均值最小的聚类样本，所述背景平均值为属于除所述裂缝类别外的多个所述聚类样本的平均值。根据属于所述裂缝类别的多个所述聚类样本，迭代所述裂缝质心向量至收敛，以获取所述裂缝聚类结果。根据属于除所述裂缝类别外的多个所述聚类样本，迭代所述背景质心向量至收敛，以获取所述背景聚类结果。
在可选的实施方式中，所述将所述待检测图像输入至裂缝检测模型，以获取所述目标建筑的初步预测图像，包括：预处理所述待检测图像以获取多张待处理图像；所述预处理包括以下任意一项或组合：水平翻转、垂直翻转、镜像、对比度调整、亮度调整。将所述多张待处理图像输入至所述裂缝检测模型，获取多张特征图；每张所述特征图的特征尺寸不同。将多张所述特征图进行融合以获取所述初步预测图像。
第二方面，本发明提供一种裂缝检测装置，包括：获取模块和处理模块。所述获取模块用于获取目标建筑的待检测图像。所述处理模块用于将所述待检测图像输入至裂缝检测模型，以获取所述目标建筑的初步预测图像；其中，所述裂缝检测模型是根据所述目标建筑的多张裂缝训练图像获取的。所述处理模块还用于将所述待检测图像与所述初步预测图像进行融合，获取所述目标建筑的裂缝检测图像；所述裂缝检测图像用于确定所述目标建筑的裂缝情况。
在可选的实施方式中，所述处理模块还用于获取所述初步预测图像的至少一个有效感受野；所述有效感受野用于指示所述目标建筑中具有待确认裂缝的区域。所述处理模块还用于将所述待检测图像和所述有效感受野进行聚类，获取所述裂缝检测图像；所述裂缝检测图像包括所述待确认裂缝和所述目标建筑的背景像素。
在可选的实施方式中，所述处理模块还用于根据待检测图像和多个所述有效感受野，获取聚类样本集；所述聚类样本集包括所述待检测图像和所述待确认裂缝的多个聚类样本。所述处理模块还用于根据所述聚类样本集，获取所述待确认裂缝的裂缝聚类结果和所述背景像素的背景聚类结果；所述裂缝聚类结果表征所述待确认裂缝在所述待检测图像中的分布情况，所述背景聚类结果表征所述目标建筑在所述待检测图像中的背景像素信息。所述处理模块还用于将所述裂缝聚类结果和所述背景聚类结果融合，获取所述裂缝检测图像。
在可选的实施方式中，所述处理模块还用于从多个所述聚类样本中获取裂缝质心向量和背景质心向量；所述裂缝质心向量为多个所述聚类样本中距离裂缝平均值最小的聚类样本，所述裂缝平均值为属于裂缝类别的多个所述聚类样本的平均值；所述背景质心向量为多个所述聚类样本中距离背景平均值最小的聚类样本，所述背景平均值为属于除所述裂缝类别外的多个所述聚类样本的平均值。所述处理模块还用于根据属于所述裂缝类别的多个所述聚类样本，迭代所述裂缝质心向量至收敛，以获取所述裂缝聚类结果。所述处理模块还用于根据属于除所述裂缝类别外的多个所述聚类样本，迭代所述背景质心向量至收敛，以获取所述背景聚类结果。
在可选的实施方式中，所述处理模块还用于预处理所述待检测图像以获取多张待处理图像；所述预处理包括以下任意一项或组合：水平翻转、垂直翻转、镜像、对比度调整、亮度调整。所述处理模块还用于将所述多张待处理图像输入至所述裂缝检测模型，获取多张特征图；每张所述特征图的特征尺寸不同。所述处理模块还用于将多张所述特征图进行融合以获取所述初步预测图像。
第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现前述实施方式任一所述的方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述实施方式中任一项所述的方法。
相较于现有技术，本发明提出一种裂缝检测方法、装置、电子设备和计算机可读存储介质，涉及图像处理领域。所述裂缝检测方法包括：获取目标建筑的待检测图像；将所述待检测图像输入至裂缝检测模型，以获取所述目标建筑的初步预测图像；其中，所述裂缝检测模型是根据所述目标建筑的多张裂缝训练图像获取的；将所述待检测图像与所述初步预测图像进行融合，获取所述目标建筑的裂缝检测图像；所述裂缝检测图像用于确定所述目标建筑的裂缝情况。在目标建筑的待检测图像的基础上，融合通过裂缝检测模型获取的初步预测图像，以便获取更为准确的裂缝检测图像，通过该裂缝检测图像可以更为准确的获取到目标建筑的裂缝情况，相较于有损检测，不会对目标建筑造成损坏；相较于人眼检测，使用机器进行裂缝检测还提高了裂缝检测的效率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种裂缝检测方法的流程示意图；
图2为本发明实施例提供的另一种裂缝检测方法的流程示意图；
图3为本发明实施例提供的另一种裂缝检测方法的流程示意图；
图4为本发明实施例提供的另一种裂缝检测方法的流程示意图；
图5为本发明实施例提供的另一种裂缝检测方法的流程示意图；
图6为本发明实施例提供的一种裂缝检测模型的结构示意图；
图7为本发明实施例提供的一种预测框的示意图；
图8为本发明实施例提供的另一种裂缝检测方法的流程示意图；
图9为本发明实施例提供的一种裂缝检测的效果示意图；
图10为本发明实施例提供的一种裂缝检测装置的方框示意图；
图11为本发明实施例提供的一种电子设备的方框示意图。
图标：50-裂缝检测装置，51-获取模块，52-处理模块，60-电子设备，61-存储器，62-处理器，63-通信接口。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
高坝、桥梁、混凝土路面等混凝土建筑物受地震、滑坡等因素的影响，混凝土建筑物表面容易形成严重威胁建筑物安全的裂缝缺陷。因此，裂缝检测是评估这些建筑物健康状况的重要指标信息。
周期性裂缝检测在现存混凝土建筑物的维护和运行中具有至关重要的作用：根据裂缝的几何形态和位置分布，可以推断裂缝的内部损坏的潜在原因，能为混凝土结构健康安全和风险评估提供合理的指导意见。
而在现有技术中的三种技术方案中：人工裸眼检测存在人力成本高、主观性强、误检率高、耗时长等缺点；有损检测在检测过程中会对混凝土结构造成二次损坏；传统的图像处理技术需要人工设计特定的目标检测目标、工作量繁琐、泛化能力不高、效率不高，无法快速地、准确地实现像素级别的裂缝分割检测。
基于上述问题和背景技术中提出的不足，本发明实施例提供一种裂缝检测方法，请参见图1，图1为本发明实施例提供的一种裂缝检测方法的流程示意图。该裂缝检测方法包括：
s31、获取目标建筑的待检测图像。
s32、将待检测图像输入至裂缝检测模型，以获取目标建筑的初步预测图像。
其中，裂缝检测模型是根据目标建筑的多张裂缝训练图像获取的。例如，该裂缝检测模型可以为端到端的目标检测模型（singleshotmultiboxdetector。ssd），该ssd模型通过提取待检测图像的特征，即可得到待检测图像的裂缝缺陷初步定位信息。
s33、将待检测图像与初步预测图像进行融合，获取目标建筑的裂缝检测图像。
该裂缝检测图像用于确定目标建筑的裂缝情况。应理解，裂缝检测图像可能包括目标建筑的裂缝图像，也可能并未包括目标建筑的裂缝图像，裂缝检测图像中是否包括裂缝与目标建筑的实际安全状况有关。
在目标建筑的待检测图像的基础上，融合通过裂缝检测模型获取的初步预测图像，以便获取更为准确的裂缝检测图像，通过该裂缝检测图像可以更为准确的获取到目标建筑的裂缝情况，相较于有损检测，不会对目标建筑造成损坏；相较于人眼检测，使用机器进行裂缝检测还提高了裂缝检测的效率；相较于传统的图像处理技术，使用本发明实施例提供的裂缝检测方法，能够使目标建筑的检测结果更为准确。
在可选的实施方式中，对待检测图像和初步预测图像可能是通道叠加，也可能是图像之间的简单叠加，还可能是其它的图像融合方式，为了快速、有效的获取目标建筑的裂缝情况，在图1的基础上，以待检测图像和初步预测图像是聚类融合为例，请参见图2，图2为本发明实施例提供的另一种裂缝检测方法的流程示意图。上述的s33可以包括：
s331、获取初步预测图像的至少一个有效感受野。
该有效感受野用于指示目标建筑中具有待确认裂缝的区域。例如，当裂缝检测模型为ssd模型时，为防止重要信息在降采样过程丢失太多，通过增加卷积核的通道数可以保留更多的图像信息；预定义多种宽高比的预测框，使得该ssd模型的卷积神经网络在对待处理图像的特征提取过程中，具有较大的感受野区域，从而可以预测小目标以及多种形态的目标物体，当目标建筑上的裂缝较小时，可以更为准确的确定待确认裂缝；如ssd模型的网络结构使用多个不同尺度的特征图检测不同大小的裂缝，即低层（通道数小的特征提取层）预测小裂缝，高层（通道数大的特征提取层）预测大裂缝。
s332、将待检测图像和有效感受野进行聚类，获取裂缝检测图像。
该裂缝检测图像包括待确认裂缝和目标建筑的背景像素；应理解，当对待检测图像和有效感受野进行聚类时，可以聚类两个类别：背景像素和目标像素（待确认裂缝），进而将背景像素和目标像素对应的聚类结果进行综合，以获取裂缝检测图像。
在可选的实施方式中，在聚类过程中，可以使用具有监督的聚类，也可以是无监督聚类，在图2的基础上，本发明实施例以无监督聚类为例，请参见图3，图3为本发明实施例提供的另一种裂缝检测方法的流程示意图。上述的s332可以包括：
s332a、根据待检测图像和多个有效感受野，获取聚类样本集。
该聚类样本集包括待检测图像和待确认裂缝的多个聚类样本。
s332b、根据聚类样本集和待检测图像，获取待确认裂缝的裂缝聚类结果和背景像素的背景聚类结果。
该裂缝聚类结果表征待确认裂缝在待检测图像中的分布情况，该背景聚类结果表征目标建筑在待检测图像中的背景像素信息。应理解，实现无监督聚类时，可以采用k-means聚类方法，将上述的聚类样本集划分为不同的类别，假设相同类别的数据之间的欧式距离较近，越近的数据的特征就越相似，越远的数据的特征越相异，即相似度与数据之间的欧式距离成反比。
s332c、将裂缝聚类结果和背景聚类结果融合，获取裂缝检测图像。
例如，假设目标建筑是混凝土结构，针对混凝土缺陷中常见的裂缝缺陷进行分割时，只需要聚类出背景和裂缝即可，再将背景和裂缝进行组合，就可以获取到目标建筑的裂缝检测图像，进而确定目标建筑的裂缝情况。
为了便于理解上述的聚类过程，在图3的基础上，本发明实施例以无监督聚类为例，请参见图4，图4为本发明实施例提供的另一种裂缝检测方法的流程示意图。上述的s322b可以包括：
s332b1、从多个聚类样本中获取裂缝质心向量和背景质心向量。
该裂缝质心向量为多个聚类样本中距离裂缝平均值最小的聚类样本，裂缝平均值为属于裂缝类别的多个聚类样本的平均值。背景质心向量为多个聚类样本中距离背景平均值最小的聚类样本，背景平均值为属于除裂缝类别外的多个聚类样本的平均值。
s332b2、根据属于裂缝类别的多个聚类样本，迭代裂缝质心向量至收敛，以获取裂缝聚类结果。
s332b3、根据属于除裂缝类别外的多个聚类样本，迭代背景质心向量至收敛，以获取背景聚类结果。
为了便于理解上述的无监督聚类过程，本发明实施例给出一种可能的实现方式：输入聚类样本集
第一步：从聚类样本集d中随机选择2个聚类样本分别作为初始的裂缝质心向量（
第二步：将初始化簇划分为
其中，
第三步：输出簇划分为
在可选的实施方式中，对于单张待检测图像，直接将该待检测图像输入至裂缝检测模型，可能并不能获得一个较好的初步预测图像，为了获取一个较好的初步预测，在图1的基础上，给出一种可能的实现方式，请参见图5，图5为本发明实施例提供的另一种裂缝检测方法的流程示意图。上述的s32可以包括：
s321、预处理待检测图像以获取多张待处理图像。
上述的预处理包括以下任意一项或组合：水平翻转、垂直翻转、镜像、对比度调整、亮度调整等。
s322、将多张待处理图像输入至裂缝检测模型，获取多张特征图。
应理解，每张特征图的特征尺寸不同。
s323、将多张特征图进行融合以获取初步预测图像。
为了实现对上述的特征图进行获取，本发明实施例以裂缝检测模型为ssd深度卷积网络为例，请参见图6，图6为本发明实施例提供的一种裂缝检测模型的结构示意图。该网络模型（裂缝检测模型）通过获取多尺度信息并设置多种宽高比，可以同时提高裂缝缺陷检测的精度和速度。
整个裂缝检测模型包括两部分：第一部分是使用视觉几何（visualgeometrygroup，vgg）的前5层的卷积层提取输入图像的特征（待处理图像），例如vgg16；第二部分使用常规的卷积操作实现降采样提取高维特征信息。
为防止待检测图像的重要信息在降采样过程丢失太多，可以通过增加卷积核的通道数保留更多的信息。通过预定义多种宽高比的预测框，使得该网络在特征提取过程中具有较大的感受野区域，从而可以预测小目标以及多种形态的目标物体。图6示出的该网络结构（裂缝检测模型）使用六个不同尺度的特征图检测不同大小的目标，即低层预测小目标，高层预测大目标。
其中，d41为输入图像（图像尺寸为300×300）；d42为视觉几何模型（visualgeometrygroup，vgg）的三层卷积层，并将待检测图像进行卷积核为3×3×24的卷积处理，输出的特征图尺寸为38×38；d43~d48均为裂缝检测模型的特征提取层：d43用于指示将待检测图像进行卷积核为3×3×36的卷积处理，输出的特征图尺寸为19×19；d44用于指示将待检测图像进行卷积核为3×3×36的卷积处理，输出的特征图尺寸为19×19；d45用于指示将待检测图像进行卷积核为3×3×36的卷积处理，输出的特征图尺寸为10×10；d46用于指示将待检测图像进行卷积核为3×3×36的卷积处理，输出的特征图尺寸为5×5；d47用于指示将待检测图像进行卷积核为3×3×24的卷积处理，输出的特征图尺寸为3×3；d48用于指示将待检测图像进行卷积核为3×3×24的卷积处理，输出的特征图尺寸为1×1。将上述d42~d48得到的特征图放入至多尺度特征图候选区域，应理解，每个特征图上每个像素点对应着一个感受野，所以ssd相当于对待检测图像中所有的感受野做分类和回归，进而通过非极大值抑制选取有效感受野。
为了便于理解上述提出的预测框，请参见图7，图7为本发明实施例提供的一种预测框的示意图。在待检测图像的基础上，通过裂缝检测模型和预测框，可以获取到上述的初步预测图像。
为了便于理解上述任一项的裂缝检测方法，请参见图8，图8为本发明实施例提供的另一种裂缝检测方法的流程示意图。待检测图像经过预处理和裂缝检测模型后，获取到初步预测图像；将待检测图像和初步预测图像进行聚类，进而获取到裂缝检测图像，以实现对目标建筑的裂缝检测。
请参见图9，图9为本发明实施例提供的一种裂缝检测的效果示意图。待检测图像中的裂缝并不清晰，而裂缝检测图像中的裂缝是被聚类出来的，背景和裂缝之间对比明显，可以有效的检测出目标建筑的裂缝。
为了实现上述任一项的裂缝检测方法，请参见图10，图10为本发明实施例提供的一种裂缝检测装置的方框示意图。该裂缝检测装置50，包括：获取模块51和处理模块52。
获取模块51用于获取目标建筑的待检测图像。
处理模块52用于将待检测图像输入至裂缝检测模型，以获取目标建筑的初步预测图像。其中，裂缝检测模型是根据目标建筑的多张裂缝训练图像获取的。处理模块52还用于将待检测图像与初步预测图像进行融合，获取目标建筑的裂缝检测图像。裂缝检测图像用于确定目标建筑的裂缝情况。
应理解，获取模块51和处理模块52可以协同实现上述的s31~s33及其可能的子步骤。
在可选的实施方式中，处理模块52还用于获取初步预测图像的至少一个有效感受野。有效感受野用于指示目标建筑中具有待确认裂缝的区域。处理模块52还用于将待检测图像和有效感受野进行聚类，获取裂缝检测图像。裂缝检测图像包括待确认裂缝和目标建筑的背景像素。
应理解，处理模块52可以实现上述的s331~s332及其可能的子步骤。
在可选的实施方式中，处理模块52还用于根据待检测图像和多个有效感受野，获取聚类样本集。聚类样本集包括待检测图像和待确认裂缝的多个聚类样本。处理模块52还用于根据聚类样本集，获取待确认裂缝的裂缝聚类结果和背景像素的背景聚类结果。裂缝聚类结果表征待确认裂缝在待检测图像中的分布情况，背景聚类结果表征目标建筑在待检测图像中的背景像素信息。处理模块52还用于将裂缝聚类结果和背景聚类结果融合，获取裂缝检测图像。
应理解，处理模块52可以实现上述的s332a~s332c及其可能的子步骤。
在可选的实施方式中，处理模块52还用于从多个聚类样本中获取裂缝质心向量和背景质心向量。裂缝质心向量为多个聚类样本中距离裂缝平均值最小的聚类样本，裂缝平均值为属于裂缝类别的多个聚类样本的平均值。背景质心向量为多个聚类样本中距离背景平均值最小的聚类样本，背景平均值为属于除裂缝类别外的多个聚类样本的平均值。处理模块52还用于根据属于裂缝类别的多个聚类样本，迭代裂缝质心向量至收敛，以获取裂缝聚类结果。处理模块52还用于根据属于除裂缝类别外的多个聚类样本，迭代背景质心向量至收敛，以获取背景聚类结果。
应理解，处理模块52可以实现上述的s33b1~s33b3及其可能的子步骤。
在可选的实施方式中，处理模块52还用于预处理待检测图像以获取多张待处理图像。预处理包括以下任意一项或组合：水平翻转、垂直翻转、镜像、对比度调整、亮度调整。处理模块52还用于将多张待处理图像输入至裂缝检测模型，获取多张特征图。每张特征图的特征尺寸不同。处理模块52还用于将多张特征图进行融合以获取初步预测图像。
应理解，处理模块52可以实现上述的s321~s323及其可能的子步骤。
本发明还提供一种电子设备，请参见图11，图11为本发明实施例提供的一种电子设备的方框示意图。该电子设备60包括存储器61、处理器62和通信接口63。该存储器61、处理器62和通信接口63相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器61可用于存储软件程序及模块，如本发明实施例所提供的裂缝检测方法对应的程序指令/模块，处理器62通过执行存储在存储器61内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口63可用于与其他节点设备进行信令或数据的通信。在本发明中该电子设备60可以具有多个通信接口63。
其中，存储器61可以是但不限于，随机存取存储器（randomaccessmemory，ram），只读存储器（readonlymemory，rom），可编程只读存储器（programmableread-onlymemory，prom），可擦除只读存储器（erasableprogrammableread-onlymemory，eprom），电可擦除只读存储器（electricerasableprogrammableread-onlymemory，eeprom）等。
处理器62可以是一种集成电路芯片，具有信号处理能力。该处理器可以是通用处理器，包括中央处理器（centralprocessingunit，cpu）、网络处理器（networkprocessor，np）等；还可以是数字信号处理器（digitalsignalprocessing，dsp）、专用集成电路（applicationspecificintegratedcircuit，asic）、现场可编程门阵列（field－programmablegatearray，fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
电子设备60可以实现本发明提供的任一种裂缝检测方法。该电子设备60可以是，但不限于，手机、平板电脑、笔记本电脑、服务器或其它具有处理能力的电子设备。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明提出一种裂缝检测方法、装置、电子设备和计算机可读存储介质，涉及图像处理领域。裂缝检测方法包括：获取目标建筑的待检测图像；将待检测图像输入至裂缝检测模型，以获取目标建筑的初步预测图像；其中，裂缝检测模型是根据目标建筑的多张裂缝训练图像获取的；将待检测图像与初步预测图像进行融合，获取目标建筑的裂缝检测图像；裂缝检测图像用于确定目标建筑的裂缝情况。在目标建筑的待检测图像的基础上，融合通过裂缝检测模型获取的初步预测图像，以便获取更为准确的裂缝检测图像，通过该裂缝检测图像可以更为准确的获取到目标建筑的裂缝情况，相较于有损检测，不会对目标建筑造成损坏；相较于人眼检测，使用机器进行裂缝检测还提高了裂缝检测的效率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：
1.一种裂缝检测方法，其特征在于，所述方法包括：
获取目标建筑的待检测图像；
将所述待检测图像输入至裂缝检测模型，以获取所述目标建筑的初步预测图像；其中，所述裂缝检测模型是根据所述目标建筑的多张裂缝训练图像获取的；
将所述待检测图像与所述初步预测图像进行融合，获取所述目标建筑的裂缝检测图像；所述裂缝检测图像用于确定所述目标建筑的裂缝情况。
2.根据权利要求1所述的方法，其特征在于，所述将所述待检测图像与所述初步预测图像进行融合，获取所述目标建筑的裂缝检测图像，包括：
获取所述初步预测图像的至少一个有效感受野；所述有效感受野用于指示所述目标建筑中具有待确认裂缝的区域；
将所述待检测图像和所述有效感受野进行聚类，获取所述裂缝检测图像；所述裂缝检测图像包括所述待确认裂缝和所述目标建筑的背景像素。
3.根据权利要求2所述的方法，其特征在于，所述将所述待检测图像和所述有效感受野进行聚类，获取所述裂缝检测图像，包括：
根据所述待检测图像和多个所述有效感受野，获取聚类样本集；所述聚类样本集包括所述待检测图像和所述待确认裂缝的多个聚类样本；
根据所述聚类样本集，获取所述待确认裂缝的裂缝聚类结果和所述背景像素的背景聚类结果；所述裂缝聚类结果表征所述待确认裂缝在所述待检测图像中的分布情况，所述背景聚类结果表征所述目标建筑在所述待检测图像中的背景像素信息；
将所述裂缝聚类结果和所述背景聚类结果融合，获取所述裂缝检测图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述聚类样本集，获取所述待确认裂缝的裂缝聚类结果和所述背景像素的背景聚类结果，包括：
从多个所述聚类样本中获取裂缝质心向量和背景质心向量；所述裂缝质心向量为多个所述聚类样本中距离裂缝平均值最小的聚类样本，所述裂缝平均值为属于裂缝类别的多个所述聚类样本的平均值；所述背景质心向量为多个所述聚类样本中距离背景平均值最小的聚类样本，所述背景平均值为属于除所述裂缝类别外的多个所述聚类样本的平均值；
根据属于所述裂缝类别的多个所述聚类样本，迭代所述裂缝质心向量至收敛，以获取所述裂缝聚类结果；
根据属于除所述裂缝类别外的多个所述聚类样本，迭代所述背景质心向量至收敛，以获取所述背景聚类结果。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述待检测图像输入至裂缝检测模型，以获取所述目标建筑的初步预测图像，包括：
预处理所述待检测图像以获取多张待处理图像；所述预处理包括以下任意一项或组合：水平翻转、垂直翻转、镜像、对比度调整、亮度调整；
将所述多张待处理图像输入至所述裂缝检测模型，获取多张特征图；每张所述特征图的特征尺寸不同；
将多张所述特征图进行融合以获取所述初步预测图像。
6.一种裂缝检测装置，其特征在于，包括：获取模块和处理模块；
所述获取模块，用于获取目标建筑的待检测图像；
所述处理模块，用于将所述待检测图像输入至裂缝检测模型，以获取所述目标建筑的初步预测图像；其中，所述裂缝检测模型是根据所述目标建筑的多张裂缝训练图像获取的；
所述处理模块还用于将所述待检测图像与所述初步预测图像进行融合，获取所述目标建筑的裂缝检测图像；所述裂缝检测图像用于确定所述目标建筑的裂缝情况。
7.根据权利要求6所述的装置，其特征在于，所述处理模块还用于获取所述初步预测图像的至少一个有效感受野；所述有效感受野用于指示所述目标建筑中具有待确认裂缝的区域；
所述处理模块还用于将所述待检测图像和所述有效感受野进行聚类，获取所述裂缝检测图像；所述裂缝检测图像包括所述待确认裂缝和所述目标建筑的背景像素。
8.根据权利要求7所述的装置，其特征在于，所述处理模块还用于根据所述待检测图像和多个所述有效感受野，获取聚类样本集；所述聚类样本集包括所述待检测图像和所述待确认裂缝的多个聚类样本；
所述处理模块还用于根据所述聚类样本集，获取所述待确认裂缝的裂缝聚类结果和所述背景像素的背景聚类结果；所述裂缝聚类结果表征所述待确认裂缝在所述待检测图像中的分布情况，所述背景聚类结果表征所述目标建筑在所述待检测图像中的背景像素信息；
所述处理模块还用于将所述裂缝聚类结果和所述背景聚类结果融合，获取所述裂缝检测图像。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现权利要求1-5任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5中任一项所述的方法。
技术总结
本发明提出一种裂缝检测方法、装置、电子设备和计算机可读存储介质，涉及图像处理领域。该方法包括：获取目标建筑的待检测图像；将待检测图像输入至裂缝检测模型，以获取目标建筑的初步预测图像；裂缝检测模型是根据目标建筑的多张裂缝训练图像获取的；将待检测图像与初步预测图像进行融合，获取目标建筑的裂缝检测图像；裂缝检测图像用于确定目标建筑的裂缝情况。在目标建筑的待检测图像的基础上，融合通过裂缝检测模型获取的初步预测图像，以便获取更为准确的裂缝检测图像，通过该裂缝检测图像可以更为准确的获取到目标建筑的裂缝情况，相较于有损检测，不会对目标建筑造成损坏；相较于人眼检测，使用机器进行裂缝检测提高了裂缝检测的效率。
技术研发人员：王皓冉;李永龙;陈永灿;张华;刘昭伟
受保护的技术使用者：清华四川能源互联网研究院
技术研发日：.01.15
技术公布日：.02.28
