本技术涉及图像识别，尤其涉及一种裂缝检测方法、装置、电子设备及存储介质。
背景技术：
1、裂缝检测是一种非常重要的工程技术，广泛应用于建筑结构、桥梁、道路、管道等各种基础设施的维护和安全监测中。裂缝的存在可能会导致结构的损坏和功能性问题，甚至可能引发严重的安全隐患，因此及早发现和及时修复裂缝对于保障公共安全和延长设施使用寿命至关重要。然而，现有技术的检测准确率和效率仍较低。
技术实现思路
1、本技术实施例的主要目的在于提出一种裂缝检测方法、装置、电子设备及存储介质，以准确高效地进行裂缝检测。
2、为实现上述目的，本技术实施例的一方面提出了一种裂缝检测方法，所述方法包括以下步骤：
3、获取多张裂缝图像，并对各张所述裂缝图像中的裂缝标注边界框；
4、获取yolov5模型，将wise-iou算法、ca注意力机制模块、ghostnet模块以及sppfcspc模块拟合到所述yolov5模型，得到修改后的所述yolov5模型作为裂缝检测模型；
5、利用标注有所述边界框的各张所述裂缝图像作为训练数据训练所述裂缝检测模型；
6、利用训练后的所述裂缝检测模型对所述裂缝图像进行裂缝检测。
7、在一些实施例中，所述获取多张裂缝图像，并对各张所述裂缝图像中的裂缝标注边界框，包括以下步骤：
8、在不同天气、不同地区、不同时间条件下，采集多张混凝土表面裂缝的图像作为第一图像集；
9、删除各张所述第一图像中分辨率低于设定阈值、以及存在遮挡或重复的图像，得到第二图像集；
10、对所述第二图像集中的裂缝标注边界框，并确定各个所护边界框的左上角点坐标和右下角点坐标；
11、将各个所述边界框的所述左上角点坐标和所述右下角点坐标转换为对应的中心点坐标、宽长度以及高长度，并对各个所述中心点坐标、所述宽长度以及所述高长度进行归一化，得到第三图像集；
12、对所述第三图像集中的各张图像进行旋转、缩放、翻转、裁剪以及拼接，得到第四图像集；
13、对所述第四图像集中各张图像的像素进行归一化，得到各张所述裂缝图像。
14、在一些实施例中，所述将wise-iou算法、ca注意力机制模块、ghostnet网络以及sppfcspc模块拟合到所述yolov5模型，得到修改后的所述yolov5模型作为裂缝检测模型，包括以下步骤：
15、利用所述wise-iou算法根据所述边界框的离群度调整所述yolov5模型的梯度增益；
16、利用所述ca注意力机制模块根据所述裂缝图像的特征点的空间位置信息对所述特征点进行加权；
17、将所述ghostnet模块与所述yolov5模型的卷积模块进行拼接作为所述yolov5模型的骨干网络；
18、将所述sppfcspc模块与所述yolov5模型的特征提取模块进行拼接。
19、在一些实施例中，所述利用标注有所述边界框的各张所述裂缝图像作为训练数据训练所述裂缝检测模型，包括以下步骤：
20、对各个所述边界框进行聚类，得到多种类别的目标边界框；
21、对标注有所述目标边界框的所述裂缝图像随机进行缩放和裁剪，得到多张训练图像；
22、提取各张所述训练图像的纹理特征、几何特征以及形状和类别特征；
23、通过卷积和双线性插值方法对所述纹理特征、所述几何特征以及所述形状和类别特征进行维度对齐并进行特征融合，得到融合特征图；
24、将所述融合特征图作为训练样本，将所述目标边界框作为训练标签，训练所述裂缝检测模型，并利用所述wise-iou算法作为损失函数调整所述裂缝检测模型的权重参数。
25、在一些实施例中，所述对各个所述边界框进行聚类，得到多种类别的目标边界框，包括以下步骤：
26、将各个所述边界框的宽度和高度进行归一化，将归一化后的所述宽度和高度转换为二维的数据点；
27、利用k-means算法对各个所述数据点进行聚类，将各个数据点聚类到k个簇中，以使各个所述数据点到其所属簇的中心点的距离之和最小；其中，k为正整数；
28、将聚类得到的k个所述中心点转换为宽度和高度，再将转换得到的k个宽度和高度反归一化恢复到原始尺度，得到k个类别的所述目标边界框。
29、在一些实施例中，所述利用所述wise-iou算法作为损失函数调整所述裂缝检测模型的权重参数，包括以下步骤：
30、初始化所述裂缝检测模型的所述权重参数；
31、将标注有所述目标边界框的所述融合特征图输入到所述裂缝检测模型，得到预测结果；
32、利用所述wise-iou算法计算所述结果的分类损失值和边界框回归损失值；
33、利用反向传播算法计算所述分类损失值和所述边界框回归损失值相对于各个所述权重参数的梯度；
34、根据所述梯度调整所述裂缝检测模型的所述权重参数，以减少所述分类损失值和所述边界框回归损失值。
35、在一些实施例中，所述方法还包括计算出训练后的所述裂缝检测模型的性能参数的步骤，所述计算出训练后的所述裂缝检测模型的性能参数的步骤包括：
36、计算出训练后的所述裂缝检测模型的精确率、召回率、平均精度、参数量以及计算量作为所述性能参数；
37、所述精确率的计算式为：
38、
39、所述召回率的计算式为：
40、
41、所述平均精度的计算式为：
42、
43、所述参数量的计算式为：
44、
45、所述计算量的计算式为：
46、
47、其中，p表示所述精确率，tp表示被训练后的所述裂缝检测模型判定为正样本，事实上也是正样本的样本数，fp表示被训练后的所述裂缝检测模型判定为正样本，事实上是负样本的样本数；r表示所述召回率，fn表示被训练后的所述裂缝检测模型判定为负样本，事实上是正样本的样本数；ap表示所述平均精度；parameters表示所述参数量，l表示训练后的所述裂缝检测模型的网络总层数，pi表示第i层网络的参数数量；flops表示所述计算量，n表示训练后的所述裂缝检测模型中的总操作数量，opsi表示第i个操作的执行次数，fi表示第i个操作的计算量数量。
48、为实现上述目的，本技术实施例的另一方面提出了一种裂缝检测装置，所述装置包括：
49、图像获取单元，用于获取多张裂缝图像，并对各张所述裂缝图像中的裂缝标注边界框；
50、模型修改单元，用于获取yolov5模型，将wise-iou算法、ca注意力机制模块、ghostnet模块以及sppfcspc模块拟合到所述yolov5模型，得到修改后的所述yolov5模型作为裂缝检测模型；
51、模型训练单元，用于利用标注有所述边界框的各张所述裂缝图像作为训练数据训练所述裂缝检测模型；
52、裂缝检测单元，用于利用训练后的所述裂缝检测模型对所述裂缝图像进行裂缝检测。
53、为实现上述目的，本技术实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的一种裂缝检测方法。
54、为实现上述目的，本技术实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种裂缝检测方法。
55、本技术实施例至少包括以下有益效果：
56、本技术可以获取多张裂缝图像，并对各张裂缝图像中的裂缝标注边界框；获取yolov5模型，将wise-iou算法、ca注意力机制模块、ghostnet模块以及sppfcspc模块拟合到yolov5模型，得到修改后的yolov5模型作为裂缝检测模型；利用标注有边界框的各张裂缝图像作为训练数据训练裂缝检测模型；利用训练后的裂缝检测模型对裂缝图像进行裂缝检测。本技术以yolov5模型为基础，引入wise-iou算法、ca注意力机制模块、ghostnet模块以及sppfcspc模块，优化、修改yolov5模型得到裂缝检测模型，可以提高裂缝检测模型对裂缝检测的准确性和效率。
1.一种裂缝检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种裂缝检测方法，其特征在于，所述获取多张裂缝图像，并对各张所述裂缝图像中的裂缝标注边界框，包括以下步骤：
3.根据权利要求1所述的一种裂缝检测方法，其特征在于，所述将wise-iou算法、ca注意力机制模块、ghostnet网络以及sppfcspc模块拟合到所述yolov5模型，得到修改后的所述yolov5模型作为裂缝检测模型，包括以下步骤：
4.根据权利要求1所述的一种裂缝检测方法，其特征在于，所述利用标注有所述边界框的各张所述裂缝图像作为训练数据训练所述裂缝检测模型，包括以下步骤：
5.根据权利要求4所述的一种裂缝检测方法，其特征在于，所述对各个所述边界框进行聚类，得到多种类别的目标边界框，包括以下步骤：
6.根据权利要求4所述的一种裂缝检测方法，其特征在于，所述利用所述wise-iou算法作为损失函数调整所述裂缝检测模型的权重参数，包括以下步骤：
7.根据权利要求1至6任一项所述的一种裂缝检测方法，其特征在于，所述方法还包括计算出训练后的所述裂缝检测模型的性能参数的步骤，所述计算出训练后的所述裂缝检测模型的性能参数的步骤包括：
8.一种裂缝检测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的一种裂缝检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的一种裂缝检测方法。
