基于計算機視覺的裂紋檢測方案
點擊上方“AI算法與圖像處理”，選擇加"星標"或“置頂”
重磅干貨，第一時間送達
推薦閱讀
我們首先需要從互聯網上獲取包含墻壁裂縫的圖像（URL格式）數據。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，在我們的數據中顯示了不同類型的墻體裂縫，其中一些對我來說也不容易識別。
圖例
我們想要建立一個機器學習模型，該模型能夠對墻壁圖像進行分類并同時檢測異常的位置。為了達到這個目的需要建立一個有效的分類器。它將能夠讀取輸入圖像并將其分類為“損壞”或“未損壞”兩個部分。在最后一步，我們將利用分類器學到的知識來提取有用的信息，這將有助于我們檢測異常情況。對于這個類任務，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
導入了VGG架構，并允許訓練最后兩個卷積模塊，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構。
x = vgg_conv.outputx = 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，則培訓非常簡單。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提供的簡單數據生成器進行圖像增強。
最終，我們能夠達到0.90的整體精度，還不錯！
局部異常
現在我們要對檢測出異常的圖像進行一定的操作，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結構，還有網絡創(chuàng)建的更多重要功能。我們選擇了最后一個卷積層（“?block5_conv3?”），并在此處剪切了我們的分類模型。我們已經重新創(chuàng)建了一個中間模型，該模型以原始圖像為輸入，輸出相關的激活圖。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：對于每個感興趣的類別，我們都需要這些權重，這些權重負責提供分類的最終結果。
有了這些壓縮的物體，我們掌握了定位裂縫的所有知識。我們希望將它們“繪制”在原始圖像上，以使結果易于理解且易于看清。“解壓縮”此信息在python中很容易：我們只需進行雙線性上采樣即可調整每個激活圖的大小并計算點積。
執(zhí)行一個簡單的函數即可訪問：
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果，在該圖像中，我已在分類為裂紋的測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
在這篇文章中，我們?yōu)楫惓ＷR別和定位提供了一種機器學習解決方案。所有這些功能都可以通過實現單個分類模型來訪問。在訓練過程中，我們的神經網絡會獲取所有相關信息，從而可以進行分類，并在最后給出墻壁裂紋的信息。