點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂” 重磅干貨，第一時(shí)間送達(dá)

01. 數(shù)據(jù)集

我們首先需要從互聯(lián)網(wǎng)上獲取包含墻壁裂縫的圖像（URL格式）數(shù)據(jù)。總共包含1428張圖像：其中一半是新的且未損壞的墻壁；其余部分顯示了各種尺寸和類型的裂縫。

第一步：讀取圖像，并調(diào)整大小。

images = [] for url in tqdm.tqdm(df['content']):response = requests.get(url)img = Image.open(BytesIO(response.content))img = img.resize((224, 224))numpy_img = img_to_array(img)img_batch = np.expand_dims(numpy_img, axis=0)images.append(img_batch.astype('float16')) images = np.vstack(images)

從下面的示例中您可以看到，在我們的數(shù)據(jù)中顯示了不同類型的墻體裂縫，其中一些對(duì)我來說也不容易識(shí)別。

圖例

02. 機(jī)器學(xué)習(xí)模型

我們想要建立一個(gè)機(jī)器學(xué)習(xí)模型，該模型能夠?qū)Ρ趫D像進(jìn)行分類并同時(shí)檢測(cè)異常的位置。為了達(dá)到這個(gè)目的需要建立一個(gè)有效的分類器。它將能夠讀取輸入圖像并將其分類為“損壞”或“未損壞”兩個(gè)部分。在最后一步，我們將利用分類器學(xué)到的知識(shí)來提取有用的信息，這將有助于我們檢測(cè)異常情況。對(duì)于這個(gè)類任務(wù)，我們選擇在Keras中重載VGG16來完成它。

vgg_conv = vgg16.VGG16(weights='imagenet', include_top=False, input_shape = (224, 224, 3)) for layer in vgg_conv.layers[:-8]:layer.trainable = False

導(dǎo)入了VGG架構(gòu)，并允許訓(xùn)練最后兩個(gè)卷積模塊，以便我們的模型能夠具有一定的特殊性。除此之外，我們還需要去除原始模型的頂層，并將其替換為另一種結(jié)構(gòu)。

x = vgg_conv.output x = GlobalAveragePooling2D()(x) x = Dense(2, activation="softmax")(x) model = Model(vgg_conv.input, x) model.compile(loss = "categorical_crossentropy", optimizer = optimizers.SGD(lr=0.0001, momentum=0.9), metrics=["accuracy"])

在分類階段，GlobalAveragePooling層通過提取每個(gè)要素圖的平均值來減小前一層的大小，這種選擇加上中間致密層的省略用法可以避免過度擬合。如果小伙伴可以使用GPU，則培訓(xùn)非常簡(jiǎn)單。COLAB為我們提供了加快這一過程所需的武器。我們還使用了Keras提供的簡(jiǎn)單數(shù)據(jù)生成器進(jìn)行圖像增強(qiáng)。

最終，我們能夠達(dá)到0.90的整體精度，還不錯(cuò)！

局部異常

現(xiàn)在我們要對(duì)檢測(cè)出異常的圖像進(jìn)行一定的操作，使墻壁圖像裂縫被突出。我們需要的有用信息位于頂層。因此我們可以訪問：卷積層：上層是VGG結(jié)構(gòu)，還有網(wǎng)絡(luò)創(chuàng)建的更多重要功能。我們選擇了最后一個(gè)卷積層（“?block5_conv3?”），并在此處剪切了我們的分類模型。我們已經(jīng)重新創(chuàng)建了一個(gè)中間模型，該模型以原始圖像為輸入，輸出相關(guān)的激活圖。考慮到維度，我們的中間模型增加了初始圖像的通道（新功能）并減小了尺寸（高度和寬度）。

最終密度層：對(duì)于每個(gè)感興趣的類別，我們都需要這些權(quán)重，這些權(quán)重負(fù)責(zé)提供分類的最終結(jié)果。

有了這些壓縮的物體，我們掌握了定位裂縫的所有知識(shí)。我們希望將它們“繪制”在原始圖像上，以使結(jié)果易于理解且易于看清。“解壓縮”此信息在python中很容易：我們只需進(jìn)行雙線性上采樣即可調(diào)整每個(gè)激活圖的大小并計(jì)算點(diǎn)積。

執(zhí)行一個(gè)簡(jiǎn)單的函數(shù)即可訪問：

def plot_activation(img):pred = model.predict(img[np.newaxis,:,:,:])pred_class = np.argmax(pred)weights = model.layers[-1].get_weights()[0]class_weights = weights[:, pred_class]intermediate = Model(model.input,model.get_layer("block5_conv3").output)conv_output = intermediate.predict(img[np.newaxis,:,:,:])conv_output = np.squeeze(conv_output)h = int(img.shape[0]/conv_output.shape[0])w = int(img.shape[1]/conv_output.shape[1])act_maps = sp.ndimage.zoom(conv_output, (h, w, 1), order=1)out = np.dot(act_maps.reshape((img.shape[0]*img.shape[1],512)), class_weights).reshape(img.shape[0],img.shape[1])plt.imshow(img.astype('float32').reshape(img.shape[0],img.shape[1],3))plt.imshow(out, cmap='jet', alpha=0.35)plt.title('Crack' if pred_class == 1 else 'No Crack')

我在下面的圖像中顯示結(jié)果，在該圖像中，我已在分類為裂紋的測(cè)試圖像上繪制了裂紋熱圖。我們可以看到，熱圖能夠很好地泛化并指出包含裂縫的墻塊。

在裂紋圖像中顯示異常

03. 總結(jié)

在這篇文章中，我們?yōu)楫惓ＷR(shí)別和定位提供了一種機(jī)器學(xué)習(xí)解決方案。所有這些功能都可以通過實(shí)現(xiàn)單個(gè)分類模型來訪問。在訓(xùn)練過程中，我們的神經(jīng)網(wǎng)絡(luò)會(huì)獲取所有相關(guān)信息，從而可以進(jìn)行分類，并在最后給出墻壁裂紋的信息。

下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程

在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺、目標(biāo)跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

下載2：Python視覺實(shí)戰(zhàn)項(xiàng)目52講

在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：Python視覺實(shí)戰(zhàn)項(xiàng)目，即可下載包括圖像分割、口罩檢測(cè)、車道線檢測(cè)、車輛計(jì)數(shù)、添加眼線、車牌識(shí)別、字符識(shí)別、情緒檢測(cè)、文本內(nèi)容提取、面部識(shí)別等31個(gè)視覺實(shí)戰(zhàn)項(xiàng)目，助力快速學(xué)校計(jì)算機(jī)視覺。

下載3：OpenCV實(shí)戰(zhàn)項(xiàng)目20講

在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：OpenCV實(shí)戰(zhàn)項(xiàng)目20講，即可下載含有20個(gè)基于OpenCV實(shí)現(xiàn)20個(gè)實(shí)戰(zhàn)項(xiàng)目，實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。

交流群

歡迎加入公眾號(hào)讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動(dòng)駕駛、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競(jìng)賽等微信群（以后會(huì)逐漸細(xì)分），請(qǐng)掃描下面微信號(hào)加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請(qǐng)按照格式備注，否則不予通過。添加成功后會(huì)根據(jù)研究方向邀請(qǐng)進(jìn)入相關(guān)微信群。請(qǐng)勿在群內(nèi)發(fā)送廣告，否則會(huì)請(qǐng)出群，謝謝理解~

總結(jié)

以上是生活随笔為你收集整理的基于计算机视觉的裂纹检测方案的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。