本发明涉及图像处理领域，尤其涉及一种裂缝检测模型的构建技术、以及基于所构建的裂缝检测模型所进行的砖石外墙裂缝检测技术。
背景技术：
1、目前，许多历史建筑和其他现有建筑的外墙或混凝土结构建筑的内墙均采用砖石结构。砖石中的裂缝是一个常见问题，可能会产生重大的结构和美学影响，是墙壁的主要问题，使结构容易遭受水损坏和发霉。无损技术(ndt)包括：超声发射、热成像检查和由经过培训的人员进行目视检查，已普遍用于砖砌体建筑的检查。手动检查通常是在地面进行的，这阻碍了不同人员获得一致的检查报告。摄影测量也是帮助检查员做出更好决策的解决方案，因为摄影测量算法可用于将地面或航空图像转换为数字地图和3d模型。
2、特别是基于机器学习的图像处理，已被用于识别结构损伤，但由于砖石结构的特殊性，现今关于裂缝检测的大部分工作都集中在混凝土表面和路面等表面为平坦的无干扰的整体的场景。
技术实现思路
1、本发明针对现有技术中基于机器视觉难以准确识别砖石外墙的裂缝的缺点，提供了一种裂缝检测模型的构建技术、以及基于所构建的裂缝检测模型所进行的砖石外墙裂缝检测技术。
2、为了解决上述技术问题，本发明通过下述技术方案得以解决：
3、一种裂缝检测模型的构建方法，用于砖石外墙裂缝检测；
4、基于砖砌体样本集对裂缝检测网络进行训练，获得相应的裂缝检测模型，其中砖砌体样本集包括若干张具有标注信息的外墙样本图像，所述标注信息为裂缝或非裂缝；
5、所述裂缝检测网络为改进后的mobilenetv2网络，所述裂缝检测网络包括若干个倒置残差改进模块，对所述倒置残差改进模块包括依次连接的深度可分离卷积层、逐点卷积层、深度卷积层和扩张卷积层。
6、原始mobilenetv2网络的倒置残差模块为扩张卷积层、深度可分离卷积层、逐点卷积层所构成的三层结构，本发明所改进的倒置残差模块，即，倒置残差改进模块则具有深度可分离卷积层、逐点卷积层、深度卷积层、扩张卷积层四层结构；
7、所述倒置残差改进模块中，输入的图像先在空间域和通道域中独立执行的深度卷积获得空间信息，然后通过逐点卷积层(conv1×1)降低通道维数减少计算量，接着通过深度卷积层(conv3×3)以获取更丰富的输入信息的特征表达效果，最后通过扩张卷积层(conv1×1)来避免特征归零和输入信息丢失，从而恢复输出的维度得到特征图；每个卷积层之间采用顺序级联模式；改进的模型降低原模型所需的计算量、提高了计算精度，更加适用于砖石外墙裂缝检测任务。
8、作为一种可实施方式，于相邻的倒置残差改进模块之间引入注意力模块，所述注意力模块采用eca-net层。
9、本发明在改进后的倒置残差模块之间引入eca-net层，调整了模型的线性瓶颈结构，在保证模型流动性的前提下每个残差模块间可以进行动态的调整和筛选，提高了网络的性能。
10、eca注意力机制将点卷积后的特征作为输入信息，输入到eca-net层中，与相邻k个通道信息交互，交互后的特征信息与输入特征相乘，生成输出特征；k是通道覆盖率，其定义为参与该通道注意力计算的周围k个相邻通道，eca-net使用自适应方法确定k值。k的计算公式如下：
11、
12、其中：
13、c为输入特征通道维数；|x|odd为距离x最近的奇数，γ和b均为预设的参数，本发明中γ取值为2，b取值为1。
14、作为一种可实施方式，砖砌体样本集包括训练集、验证集和测试集；获取所述砖砌体样本集的方法包括以下步骤：
15、收集外部砖石图像并进行标注，获得原始样本集，具体为，收集优质的建筑外墙图像，对建筑外墙图像进行注释以表明砖砌体中是否存在裂缝，对于存在裂缝的建筑外墙图像的在裂缝周围绘制边界框并将其标记为水平、垂直或对角线，将带注释的边界框表示的图像区域存储为单独的图像，原始样本集中有裂缝和无裂缝的图像比例最佳为1比1；
16、采用分层抽样的方法将所述原始样本集随机分为初始训练集、初始验证集和初始测试集；
17、对所述初始训练集、所述初始验证集和所述初始测试集均进行数据增强，获得相应的训练集、验证集和测试集。
18、作为一种可实施方式，数据增强的方式包括：
19、随机水平翻转、随机垂直翻转、基于预设的亮度区间随机调整亮度，以及基于预设的旋转区间随机旋转。
20、预设的亮度区间例如为0.3至1.0；
21、预设的旋转区间例如为0°和45°；
22、上述操作中的随机值基于均匀概率分布生成。
23、作为一种可实施方式，损失函数采用交叉熵损失函数。
24、损失函数的公式为：
25、
26、其中：
27、c表示裂缝的类别，c＝1表示“裂缝”类，c＝2表示“无裂缝”类。m表示裂缝类别的数量。如果观察o属于类c，则yo,c＝1,否则为0。po,c是o属于类c的预测概率。
28、一种裂缝检测模型的构建系统，用于砖石外墙裂缝检测，包括：
29、数据处理模块，用于获取砖砌体样本集，所述砖砌体样本集包括若干张具有标注信息的外墙样本图像，所述标注信息为裂缝或非裂缝；
30、网络构建模块，用于构建裂缝检测网络，所述裂缝检测网络为改进后的mobilenetv2网络，所述裂缝检测网络包括若干个倒置残差改进模块，所述倒置残差改进模块包括依次连接的深度可分离卷积层、逐点卷积层、深度卷积层和扩张卷积层；
31、模型训练模块，基于砖砌体样本集对裂缝检测网络进行训练，获得相应的裂缝检测模型。
32、一种砖石外墙裂缝检测方法，包括以下步骤：
33、对目标外墙进行图像采集，获得相应的待检测图像；
34、基于上述任意一项构建方法构建获得的裂缝检测模型对所述待检测图像进行识别，获得相应的识别结果。
35、作为一种可实施方式，当识别结果指示所述待检测图像具有裂缝时，基于grad-cam算法生成指示裂缝区域的热力图。
36、一种砖石外墙裂缝检测系统，包括：
37、采集模块，用于对目标外墙进行图像采集，获得相应的待检测图像；
38、检测模块，用于基于上述任意一项构建方法构建获得的裂缝检测模型对所述待检测图像进行识别，获得相应的识别结果。
39、作为一种可实施方式，所述检测模块，还用于当识别结果指示所述待检测图像具有裂缝时，基于grad-cam算法生成指示裂缝区域的热力图。
40、本发明由于采用了以上技术方案，具有显著的技术效果：
41、本发明通过对mobilenetv2网络的倒置残差模块进行改进，使所得的裂缝检测网络在进行砖石外墙裂缝检测任务上，相比原来的mobilenetv2网络，在瓶颈层中采用了更宽的短连接，使得从输入到输出能够传输更多信息，提供了增加的梯度返回，使得模型可在高维空间中处理可分离的深度卷积并促进更丰富的特征表达。
1.一种裂缝检测模型的构建方法，用于砖石外墙裂缝检测，其特征在于，包括以下步骤：
2.根据权利要求1所述的裂缝检测模型的构建方法，其特征在于，于相邻的倒置残差改进模块之间引入注意力模块，所述注意力模块采用eca-net层。
3.根据权利要求1或2所述的裂缝检测模型的构建方法，其特征在于，砖砌体样本集包括训练集、验证集和测试集；获取所述砖砌体样本集的方法包括以下步骤：
4.根据权利要求3所述的裂缝检测模型的构建方法，其特征在于，数据增强的方式包括：
5.根据权利要求1所述的裂缝检测模型的构建方法，其特征在于，损失函数采用交叉熵损失函数。
6.一种裂缝检测模型的构建系统，用于砖石外墙裂缝检测，其特征在于，包括：
7.一种砖石外墙裂缝检测方法，其特征在于，包括以下步骤：
8.根据权利要求7所述的砖石外墙裂缝检测方法，其特征在于，当识别结果指示所述待检测图像具有裂缝时，基于grad-cam算法生成指示裂缝区域的热力图。
9.一种砖石外墙裂缝检测系统，其特征在于，包括：
10.根据权利要求9所述的砖石外墙裂缝检测系统，其特征在于，所述检测模块，还用于当识别结果指示所述待检测图像具有裂缝时，基于grad-cam算法生成指示裂缝区域的热力图。
