一种基于图像的裂纹检测方法、装置、设备及存储介质与流程

1.本技术涉及图像识别技术领域，特别是涉及一种基于图像的裂纹检测方法、装置、设备及存储介质。


背景技术：

2.一些场景中，需要对物体上的裂纹进行检测，以实现对物体的筛选。举例而言，在光伏(pv)产业中，硅片被用于制造高效硅太阳能电池，硅片的厚度极薄，很容易形成裂纹，这些裂纹在受到外力作用时会造成硅片开裂或破碎，进而导致产量下降和生产停工，造成较大的损失。
3.现有技术中，可以采用u-net(u形网络)模型对物体的光致发光图像进行裂纹检测和分类，其中，u-net模型的裂纹检测过程可以包括如下步骤：首先，利用多层卷积网络依次对光致发光图像进行下采样，提取出一层又一层的特征信息，然后，再对这一层又一层的特征信息进行上采样，最后得出一个每个像素点对应其分类结果的掩码图像，这样，根据掩码图像，就可以确定该物体上是否有裂纹。
4.但是，在u-net模型中，光致发光图像需要经过多层卷积网络的下采样，每一次下采样都是对光致发光图像的压缩和降维，在该过程中，会损失原始光致发光图像中的一些细微的特征，这样，导致物体上较为细微的裂纹容易被u-net模型忽略，使得基于u-net模型的裂纹检测方法对于细微裂纹的效果较差。
5.另外，现有技术还可以采用vgg-16(visual geometry group-16，16层超分辨率测试序列)网络对物体的光致发光图像进行裂纹检测和分类，在vgg-16网络中，包括13个卷积层和3个全链接层，将物体的光致发光图像输入至vgg-16网络进行裂纹识别，根据vgg-16网络对光致发光图像的分类结果，可以判定该物体上是否有裂纹。
6.但是，经过对大量数据集的测试，上述采用vgg-16网络的裂纹检测方法灵敏度和精确度仍然具有较大的提升空间，而且，vgg-16网络中的参数较多，训练过程较为复杂，需要耗费较长的时间。
7.因此，目前亟需一种实现方式较为简单，且灵敏度和精确度更高的裂纹检测方法。


技术实现要素：

8.为解决上述技术问题，本技术示出了一种基于图像的裂纹检测方法、装置、设备及存储介质。
9.第一方面，本技术示出了一种基于图像的裂纹检测方法，所述方法包括：
10.获取待检测图像；
11.将所述待检测图像作为目标输入数据，将预先训练好的裂纹检测模型的第一下采样层作为目标下采样层，将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图，所述目标概率图中每个像素点的取值表示该像素点为属于裂纹区域的概率；
12.根据所述目标概率图，生成目标掩码图像，并判断所述目标掩码图像中的裂纹区域是否小于第一预设尺寸；
13.若任一裂纹区域小于所述第一预设尺寸，则对所述目标概率图中目标区域进行标注，将标注后的目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理的步骤，其中，所述目标区域为与所述任一裂纹区域所在位置相匹配的第二预设尺寸的区域；
14.将所述裂纹检测模型的最后一层下采样层输出的目标概率图输入至对应的多层上采样层进行解码处理，得到所述待检测图像的裂纹区域的位置信息。
15.可选的，所述方法还包括：
16.若所述裂纹区域均不小于所述第一预设尺寸，则将所述目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图的步骤。
17.可选的，所述方法还包括：
18.获取训练数据集，所述训练数据集中包括多个训练图像及每个训练图像对应的裂纹区域的真实位置信息；
19.将所述训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息；
20.根据预设损失函数，对所述真实位置信息及所述预设深度学习模型中的每一层上采样层输出的预测位置信息进行计算，得到该上采样层的损失值；
21.对每一层上采样层的损失值进行加权计算，得到所述预设深度学习模型的总损失值；
22.根据所述总损失值，对所述预设深度学习模型进行迭代调整，得到裂纹检测模型。
23.可选的，所述将所述训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息，包括：
24.对所述训练图像进行图像增强处理；
25.将处理后的训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息。
26.可选的，所述图像增强处理包括以下任意一项或多项：
27.对所述训练图像进行旋转、移位和/或翻转；
28.对所述训练图像进行缩放；
29.对所述训练图像进行色彩空间转换；
30.对所述训练图像进行弹性变换。
31.第二方面，本技术示出了一种基于图像的裂纹检测装置，所述装置包括：
32.获取模块，用于获取待检测图像；
33.下采样模块，用于将所述待检测图像作为目标输入数据，将预先训练好的裂纹检
测模型的第一下采样层作为目标下采样层，将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图，所述目标概率图中每个像素点的取值表示该像素点为属于裂纹区域的概率；
34.判断模块，用于根据所述目标概率图，生成目标掩码图像，并判断所述目标掩码图像中的裂纹区域是否小于第一预设尺寸；
35.修改模块，用于若任一裂纹区域小于所述第一预设尺寸，则对所述目标概率图中目标区域进行标注，将标注后的目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理的步骤，其中，所述目标区域为与所述任一裂纹区域所在位置相匹配的第二预设尺寸的区域；
36.上采样模块，用于将所述裂纹检测模型的最后一层下采样层输出的目标概率图输入至对应的多层上采样层进行解码处理，得到所述待检测图像的裂纹区域的位置信息。
37.可选的，所述判断模块，还用于：
38.若所述裂纹区域均不小于所述第一预设尺寸，则将所述目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图的步骤。
39.可选的，所述装置还包括训练模块，用于：
40.获取训练数据集，所述训练数据集中包括多个训练图像及每个训练图像对应的裂纹区域的真实位置信息；
41.将所述训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息；
42.根据预设损失函数，对所述真实位置信息及所述预设深度学习模型中的每一层上采样层输出的预测位置信息进行计算，得到该上采样层的损失值；
43.对每一层上采样层的损失值进行加权计算，得到所述预设深度学习模型的总损失值；
44.根据所述总损失值，对所述预设深度学习模型进行迭代调整，得到裂纹检测模型。
45.可选的，所述训练模块，还用于：
46.对所述训练图像进行图像增强处理；
47.将处理后的训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息。
48.可选的，所述图像增强处理包括以下任意一项或多项：
49.对所述训练图像进行旋转、移位和/或翻转；
50.对所述训练图像进行缩放；
51.对所述训练图像进行色彩空间转换；
52.对所述训练图像进行弹性变换。
53.第三方面，本技术示出了一种电子设备，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任
一项所述的基于图像的裂纹检测方法的步骤。
54.第四方面，本技术示出了一种计算机可读存储介质，所述计算机可读存储介质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上述任一项所述的基于图像的裂纹检测方法的步骤。
55.与现有技术相比，本技术包括以下优点：
56.在本技术中，获取待检测图像之后，将待检测图像作为目标输入数据，将预先训练好的裂纹检测模型的第一下采样层作为目标下采样层，将目标输入数据输入至目标下采样层进行编码处理，得到目标概率图，目标概率图中每个像素点的取值表示该像素点为属于裂纹区域的概率；根据目标概率图，生成目标掩码图像，并判断目标掩码图像中的裂纹区域是否小于第一预设尺寸；若任一裂纹区域小于第一预设尺寸，则对目标概率图中目标区域进行标注，将标注后的目标概率图作为新的输入数据，将目标下采样层的下一层下采样层作为新的目标下采样层，返回将目标输入数据输入至目标下采样层进行编码处理的步骤，其中，目标区域为与任一裂纹区域所在位置相匹配的第二预设尺寸的区域；将裂纹检测模型的最后一层下采样层输出的目标概率图输入至对应的多层上采样层进行解码处理，得到待检测图像的裂纹区域的位置信息。
57.这样，经过判断目标掩码图像中的裂纹区域是否小于第一预设尺寸，以及在任一裂纹区域小于第一预设尺寸的情况下，对目标概率图中目标区域进行标注，这样，即使在裂纹区域实际尺寸小于一个像素点的情况下，下一下采样层仍然可以对裂纹区域进行聚焦，从而减少在底层压缩后，整个裂纹检测模型底层失去聚焦的问题，能有效的保留微裂纹的位置信息，提高整个裂纹检测模型对微裂纹的识别准确性。
附图说明
58.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
59.图1是本技术的一种基于图像的裂纹检测方法的步骤流程图；
60.图2(a)和图2(b)是示例性的多晶硅片的光致发光图像；
61.图3是本技术的裂纹检测模型训练过程的逻辑示意图；
62.图4是本技术的裂纹检测模型的架构图；
63.图5是一示例性的掩码图像；
64.图6是本技术的一种基于图像的裂纹检测装置的结构框图；
65.图7是本技术的一种电子设备的结构框图。
具体实施方式
66.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
67.下面将通过具体的实施例，对本发明实施例提供的基于图像的裂纹检测方法进行
详细描述。
68.参照图1，示出了本技术的一种基于图像的裂纹检测方法的步骤流程图，该方法具体可以包括如下步骤：
69.s101：获取待检测图像。
70.待检测图像也就是需要进行裂纹检测的物体的图像。举例而言，待检测图像可以是需要进行裂纹检测的多晶硅片的光致发光图像，其中，多晶硅片外观可能因其源自不同的硅砖、硅锭和制造商而不同，多晶硅片的外观对本技术的裂纹检测方法没有影响。
71.光致发光图像的像素强度波动范围较广，可以影响裂纹检测模型的精度，尤其是在图像采集自多个站点且各站点使用的扫描仪或制造商不尽相同的情况下，可以通过减去各输入图像的像素平均值、再除以标准偏差的方式来归一化这些图像的像素强度分布，得到待检测图像，其中，归一化后的图像其像素值的均值和单位方差均为零，对待检测图像的像素不做进一步预处理。
72.如图2(a)和图2(b)所示，为示例性的多晶硅片的光致发光图像，其中，图2(a)的框型区域内为多晶硅片的裂纹区域，图2(b)中则没有裂纹区域。
73.多晶硅片多用于光伏产业，可以制造高效硅太阳能电池，在太阳能电池制造过程中，多晶硅片的裂纹在受到外力作用时会造成多晶硅片开裂或破碎。目前，约2％的多晶硅片会在制造过程中断裂，清除这些碎片将导致产量下降和生产停工。即使多晶硅片的裂纹不会导致破裂，但带有裂纹的太阳能电池所产生的电能会少于普通电池。在一个模组中，一枚坏电池会降低整个太阳能电池串的性能，最终导致热斑效应。随着基于多晶硅片的光伏太阳能电池的广泛应用，对晶体硅片进行裂纹检测也变得越来越重要。
74.s102：将待检测图像作为目标输入数据，将预先训练好的裂纹检测模型的第一下采样层作为目标下采样层，将目标输入数据输入至目标下采样层进行编码处理，得到目标概率图。
75.其中，目标概率图中每个像素点的取值表示该像素点为属于裂纹区域的概率。
76.一种实现方式中，裂纹检测模型可以采取如下方法对深度神经网络模型进行训练得到：
77.第一步，获取训练数据集，其中，训练数据集中包括多个训练图像及每个训练图像对应的裂纹区域的真实位置信息。
78.在本技术中，采用了一个由200张多晶硅片光致发光图像组成的数据集作为训练数据集，这些多晶硅片光致发光图像的分辨率由400像素
×
400像素到700像素
×
700像素不等。其中，100张图像包含一个或多个由领域专家手工标注的微裂纹，其余100张图像没有任何微裂纹。
79.第二步，将训练图像输入至预设深度学习模型中进行处理，针对预设深度学习模型中的每一层上采样层，得到该上采样层输出的训练图像中裂纹区域的预测位置信息。
80.其中，可以先对训练图像进行图像增强处理；再将处理后的训练图像输入至预设深度学习模型中进行处理，针对预设深度学习模型中的每一层上采样层，得到该上采样层输出的训练图像中裂纹区域的预测位置信息。
81.举例而言，图像增强处理可以包括以下任意一项或多项：对训练图像进行旋转、移位和/或翻转；对训练图像进行缩放；对训练图像进行色彩空间转换；对训练图像进行弹性
变换。
82.其中，将数据集中的图像进行不同角度的旋转，来构建不同视图，以丰富数据集，同时使得检测器在不同位置缺陷的检测方面具有良好的鲁棒性。此外，通过对训练集图像引入细微移位，检测器的鲁棒性也可在缺陷位置的微小变化检测方面得到提升。与旋转操作类似，我们还通过水平或垂直翻转图像来训练检测器检测不同位置的缺陷。
83.对原始数据集进行放大和缩小可分别使图像显得更大、更近，或更小、更远。这使得该模型的性能在裂纹大小方面更加鲁棒，从而促进模型检测出连领域专家都容易忽略的细微裂纹。此外，通过剪切变换，可在固定方向上对各个像素点进行固定值的位移，在根本上扭曲裂纹形状，但保留共线点的面积、对齐方式和相对距离。这种增强技术使得深度学习模型能够检测出不同形状的裂纹。因此，通过放大/缩小和剪切数据集中的图像来增强数据，可提升深度学习模型的多维鲁棒性。
84.色彩空间转换是指将数据集中的图像从rgb色彩空间转换为hsv，以进行直方图均衡化，并转换回rgb颜色通道。hsv色彩空间与人类对颜色的感知紧密对应，且hsv色彩直方图也是图像分析的一个重要工具。
85.利用弹性形变增强了原始数据集。弹性形变是指应力场在消除后又恢复时所产生的变形。该类数据增强方式的基本原理是，硅片为非刚性物体，拉伸会造成其外观略有不同。引入如此小的弹性形变可以构建外观合理的增强数据，且不影响裂纹的存在与否。因此，弹性变换是模拟这些变化的一种常用方法。
86.使用大量图像增强技术，通过随机旋转、移位、剪切、缩放和翻转等多种图像处理步骤，以及均值-方差归一化、色彩空间变换和弹性变换等技术，构建出人造图像集合，有利于利用有限的训练数据构建一个强大的模型。
87.第三步，根据预设损失函数，对真实位置信息及预设深度学习模型中的每一层上采样层输出的预测位置信息进行计算，得到该上采样层的损失值。
88.其中，可以基于dice指标(dm)设置预设损失函数，举例而言，预设损失函数可以表示为：
[0089][0090]
其中，a为自动分割区域，也就是预测位置信息，g为手动分割区域，也就是真实位置信息，dice指标介于0-1之间，值越高代表两个区域间的一致性越高，将损失函数定义为1-dm，可以确保损失函数的值随着训练过程的推进逐渐减小。
[0091]
第四步，对每一层上采样层的损失值进行加权计算，得到预设深度学习模型的总损失值。
[0092]
可以理解，各层中都有单独的损失函数，分别表示为loss1，loss2，loss3，以及loss4，那么，总损失值可以采用如下公式进行计算：
[0093]
loss＝α1loss1 α2loss2 α3loss3 α4loss4[0094]
其中，α1...α4为权重参数，值介于0到1中间，可以在实验中进行调整，调整的阈值可设置为0.5。
[0095]
第五步，根据总损失值，对预设深度学习模型进行迭代调整，得到裂纹检测模型。
[0096]
举例而言，如图3所示，为本技术中裂纹检测模型训练过程的逻辑示意图。其中，首
先进行图像增强和归一化，然后将训练图像输入多尺度深度神经网络进行模型训练。通过将多尺度损失最小化和反向传播来计算训练梯度，同时为深度神经网络模型进行参数迭代更新。训练好的模型对输入的光致发光测试图像进行预测，并输出各像素呈微裂纹状的概率图。概率图经阈值处理后生成掩码，这些掩码必要情况下可进一步用于生成评测指标或微裂纹特征。
[0097]
如图4所示，为本技术中裂纹检测模型的架构图，该裂纹检测模型分为下采样路径和上采样路径，首先，卷积层的输出被传递到上采样层，在上采样的每一步中，相应卷积层的输出与前一步上采样的输出相拼接，并进行上采样，上采样层的输出经过卷积后被传递到下一个上采样层。各上采样层都设有一个连接至输出层的分支，这样，最终的输出损失即为不同分辨率下各个损失的组合。通过最小化每个分辨率尺度下的损失，该模型往往会提取出更有意义的特征，进而有助于进行缺陷检测和表征。
[0098]
s103：根据目标概率图，生成目标掩码图像，并判断目标掩码图像中的裂纹区域是否小于第一预设尺寸，若任一裂纹区域小于第一预设尺寸，则执行s104。
[0099]
一种实现方式中，若裂纹区域均不小于第一预设尺寸，则将目标概率图作为新的输入数据，将目标下采样层的下一层下采样层作为新的目标下采样层，返回将目标输入数据输入至目标下采样层进行编码处理，得到目标概率图的步骤。
[0100]
s104：对目标概率图中目标区域进行标注，将标注后的目标概率图作为新的输入数据，将目标下采样层的下一层下采样层作为新的目标下采样层，返回将目标输入数据输入至目标下采样层进行编码处理的步骤。
[0101]
其中，目标区域为与任一裂纹区域所在位置相匹配的第二预设尺寸的区域。
[0102]
s105：将裂纹检测模型的最后一层下采样层输出的目标概率图输入至对应的多层上采样层进行解码处理，得到待检测图像的裂纹区域的位置信息。
[0103]
如图5所示，为一示例性的掩码图像。相关技术中，在基于u-net的裂纹检测模型中，因为u-net编码降维阶段，很容易将一些细微的裂纹信息过滤掉，比如图5中所指示的裂纹位置、形状的掩码图像，如果经过四层2:1的压缩降维以后，将变成漆黑一片，关于微小裂纹的信息将丢失，从而导致u-net在解码阶段寻找裂纹的过程中失去了聚焦，导致其在定位细微裂纹的效果很差。
[0104]
而采用本技术提供的方案，裂纹检测模型可自动学习各层次特征，无需手动提取特征，在每一层中都单独设置对应的掩码图像的标注，每个标注至少为第二预设尺寸的大小，从而有效的避免在底层压缩后，整个模型底层失去聚焦的问题，能有效的保留微裂纹的位置信息。
[0105]
本技术的裂纹检测模型还能够区分微裂纹和光致发光图像的固有纹理，裂纹检测的准确性较高，而且，每张待检测图像的检测时间仅需100毫秒，效率较高，适用于大规模生产线。
[0106]
具体而言，可以采用5折(5-fold)交叉验证法对本技术提供的裂纹检测模型进行性能评估，结果显示，该模型在图像级别的分类任务上表现优异。另一亮点是，该模型能成功识别出某些非常细小的微裂纹缺陷，这些缺陷甚至领域专家在标注过程中都未曾留意。
[0107]
由以上可见，本技术提供的方案中，经过判断目标掩码图像中的裂纹区域是否小于第一预设尺寸，以及在任一裂纹区域小于第一预设尺寸的情况下，对目标概率图中目标
区域进行标注，这样，即使在裂纹区域实际尺寸小于一个像素点的情况下，下一下采样层仍然可以对裂纹区域进行聚焦，从而减少在底层压缩后，整个裂纹检测模型底层失去聚焦的问题，能有效的保留微裂纹的位置信息，提高整个裂纹检测模型对微裂纹的识别准确性。
[0108]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本技术所必须的。
[0109]
参照图6，示出了本技术的一种基于图像的裂纹检测装置的结构框图，该装置具体可以包括如下模块：
[0110]
获取模块，用于获取待检测图像；
[0111]
下采样模块，用于将所述待检测图像作为目标输入数据，将预先训练好的裂纹检测模型的第一下采样层作为目标下采样层，将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图，所述目标概率图中每个像素点的取值表示该像素点为属于裂纹区域的概率；
[0112]
判断模块，用于根据所述目标概率图，生成目标掩码图像，并判断所述目标掩码图像中的裂纹区域是否小于第一预设尺寸；
[0113]
修改模块，用于若任一裂纹区域小于所述第一预设尺寸，则对所述目标概率图中目标区域进行标注，将标注后的目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理的步骤，其中，所述目标区域为与所述任一裂纹区域所在位置相匹配的第二预设尺寸的区域；
[0114]
上采样模块，用于将所述裂纹检测模型的最后一层下采样层输出的目标概率图输入至对应的多层上采样层进行解码处理，得到所述待检测图像的裂纹区域的位置信息。
[0115]
一种实现方式中，所述判断模块，还用于：
[0116]
若所述裂纹区域均不小于所述第一预设尺寸，则将所述目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图的步骤。
[0117]
一种实现方式中，所述装置还包括训练模块，用于：
[0118]
获取训练数据集，所述训练数据集中包括多个训练图像及每个训练图像对应的裂纹区域的真实位置信息；
[0119]
将所述训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息；
[0120]
根据预设损失函数，对所述真实位置信息及所述预设深度学习模型中的每一层上采样层输出的预测位置信息进行计算，得到该上采样层的损失值；
[0121]
对每一层上采样层的损失值进行加权计算，得到所述预设深度学习模型的总损失值；
[0122]
根据所述总损失值，对所述预设深度学习模型进行迭代调整，得到裂纹检测模型。
[0123]
一种实现方式中，所述训练模块，还用于：
[0124]
对所述训练图像进行图像增强处理；
[0125]
将处理后的训练图像输入至预设深度学习模型中进行处理，针对所述预设深度学习模型中的每一层上采样层，得到该上采样层输出的所述训练图像中裂纹区域的预测位置信息。
[0126]
一种实现方式中，所述图像增强处理包括以下任意一项或多项：
[0127]
对所述训练图像进行旋转、移位和/或翻转；
[0128]
对所述训练图像进行缩放；
[0129]
对所述训练图像进行色彩空间转换；
[0130]
对所述训练图像进行弹性变换。
[0131]
由以上可见，经过判断目标掩码图像中的裂纹区域是否小于第一预设尺寸，以及在任一裂纹区域小于第一预设尺寸的情况下，对目标概率图中目标区域进行标注，这样，即使在裂纹区域实际尺寸小于一个像素点的情况下，下一下采样层仍然可以对裂纹区域进行聚焦，从而减少在底层压缩后，整个裂纹检测模型底层失去聚焦的问题，能有效的保留微裂纹的位置信息，提高整个裂纹检测模型对微裂纹的识别准确性。
[0132]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0133]
本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，
[0134]
存储器703，用于存放计算机程序；
[0135]
处理器701，用于执行存储器703上所存放的程序时，实现如下步骤：
[0136]
获取待检测图像；
[0137]
将所述待检测图像作为目标输入数据，将预先训练好的裂纹检测模型的第一下采样层作为目标下采样层，将所述目标输入数据输入至所述目标下采样层进行编码处理，得到目标概率图，所述目标概率图中每个像素点的取值表示该像素点为属于裂纹区域的概率；
[0138]
根据所述目标概率图，生成目标掩码图像，并判断所述目标掩码图像中的裂纹区域是否小于第一预设尺寸；
[0139]
若任一裂纹区域小于所述第一预设尺寸，则对所述目标概率图中目标区域进行标注，将标注后的目标概率图作为新的输入数据，将所述目标下采样层的下一层下采样层作为新的目标下采样层，返回所述将所述目标输入数据输入至所述目标下采样层进行编码处理的步骤，其中，所述目标区域为与所述任一裂纹区域所在位置相匹配的第二预设尺寸的区域；
[0140]
将所述裂纹检测模型的最后一层下采样层输出的目标概率图输入至对应的多层上采样层进行解码处理，得到所述待检测图像的裂纹区域的位置信息。
[0141]
上述终端提到的通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0142]
通信接口用于上述终端与其他设备之间的通信。
[0143]
存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0144]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称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。
[0145]
由以上可见，经过判断目标掩码图像中的裂纹区域是否小于第一预设尺寸，以及在任一裂纹区域小于第一预设尺寸的情况下，对目标概率图中目标区域进行标注，这样，即使在裂纹区域实际尺寸小于一个像素点的情况下，下一下采样层仍然可以对裂纹区域进行聚焦，从而减少在底层压缩后，整个裂纹检测模型底层失去聚焦的问题，能有效的保留微裂纹的位置信息，提高整个裂纹检测模型对微裂纹的识别准确性。
[0146]
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的基于图像的裂纹检测方法。
[0147]
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的基于图像的裂纹检测方法。
[0148]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0149]
需要说明的是，在本文中，诸如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。
[0150]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部
分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0151]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。