002基于Unet的深度学习图像分割的墙体裂缝识别检测

​直接上效果演示图：

​

demo的演示视频和代码仓库看b站视频002期：

到此一游7758258的个人空间哔哩哔哩bilibili

代码展示界面

​编辑

主要是01、02、03.py文件

运行01make_dataset.py文件能将图片数据转化成特定的格式。

​

​

自制数据集需要使用labelme工具对图片中裂缝部分进行打标，最好安装labelme==3.16.7环境

pip install labelme==3.16.7

​

运行02train.py训练这些的图片数据集，训练好的模型保存在weights文件下。

​

运行03pyqt.py可以有一个可视化的交互界面，界面有两个按钮有两个显示图片框，背景有动态图，颜色每次加载都会显示不一样。

​

左侧图片点击加载感兴趣的图片，点击右侧按钮即可识别结果。

​

科普图像分割算法：

一般深度学习的图像分割算法包括：

Unet、mask-rcnn、PSPnet、yolov5-segment等等

Unet是一种常用于图像分割任务的卷积神经网络（Convolutional Neural Network，CNN）架构。它由Olaf Ronneberger、Philipp Fischer和Thomas Brox于2015年提出，并在医学图像分割领域取得了广泛应用。

Unet的名字来源于它的网络结构，它具有"U"字型的特征提取和上采样路径。该网络结构包含了一个对称的编码器（Encoder）和解码器（Decoder），中间通过跳跃连接（Skip Connections）进行特征融合。这种设计使得Unet在处理图像分割任务时能够同时具备全局信息和局部细节。

Unet的编码器部分由连续的卷积层和池化层组成，用于逐步提取图像的特征并降低空间维度。解码器部分则通过上采样操作和对应的卷积层来恢复图像的空间分辨率，并逐步重建分割结果。在解码器的每一层，通过跳跃连接将对应的编码器层的特征图与解码器层的特征图进行合并，从而保留了多尺度的特征信息。这有助于解决语义分割任务中的信息丢失和边界模糊等问题。

Unet的网络结构相对简单，而且适用于较小的数据集，因此在许多图像分割任务中都取得了良好的性能。它被广泛用于医学图像分割，如肺部分割、细胞分割等领域，也可以应用于其他领域的图像分割任务。随着深度学习的发展，基于Unet的改进和变种也不断涌现，进一步提升了图像分割的性能和效果。

Mask R-CNN（Mask Region-based Convolutional Neural Network）是一种用于图像实例分割任务的深度学习模型，是对Faster R-CNN模型的扩展。它由Kaiming He、Georgia Gkioxari、Piotr Dollár和Ross Girshick于2017年提出。

Mask R-CNN的设计目标是同时进行目标检测（Object Detection）和实例级别的语义分割（Instance Segmentation）。与传统的目标检测方法相比，Mask R-CNN能够为每个检测到的目标生成高质量的分割掩码，实现对目标的像素级别的精确分割。

Mask R-CNN的基本结构包含两个主要部分：区域建议网络（Region Proposal Network，RPN）和实例分割网络。RPN负责生成候选的目标区域，而实例分割网络则对这些候选区域进行分类、边界框回归和像素级分割。

具体而言，RPN通过在输入图像上滑动一个小的窗口来生成候选区域，并为每个窗口预测目标的边界框和目标性得分。这些候选区域经过筛选和非极大值抑制后，作为后续分割网络的输入。

实例分割网络采用了全卷积网络（Fully Convolutional Network）的结构，通过对候选区域进行RoI池化（Region of Interest Pooling）操作来提取固定尺寸的特征图。然后，该特征图被馈送到一系列卷积层和上采样层，同时进行目标分类、边界框回归和像素级分割掩码的预测。

通过联合训练目标检测和语义分割任务，Mask R-CNN能够在像素级别准确地识别和分割图像中的不同目标。这使得它在许多计算机视觉任务中都取得了显著的性能提升，如实例分割、物体识别、人体姿态估计等。

PSPNet（Pyramid Scene Parsing Network）是一种用于语义分割任务的深度学习模型，由Hengshuang Zhao、Jianping Shi、Xiaogang Wang和Xiaowei Zhou于2017年提出。

PSPNet的设计目标是实现对图像场景的像素级别语义分割。它通过利用金字塔池化（Pyramid Pooling）机制来获取多尺度的上下文信息，以便更好地理解图像中不同目标的语义信息和上下文关系。

PSPNet的基本结构包含两个关键组件：特征提取器和金字塔池化模块。

特征提取器通常是一个预训练的深度卷积神经网络（如ResNet、VGG等），它用于从输入图像中提取高级语义特征。

金字塔池化模块位于特征提取器之后，负责捕获多尺度的上下文信息。它通过将特征图分为多个不同尺度的区域，并在每个区域上进行池化操作来获取局部和全局的语义信息。不同尺度的池化特征被级联起来，并经过一系列卷积层进行特征融合和细化，最后生成与输入图像尺寸相同的语义分割结果。

通过利用金字塔池化模块，PSPNet能够有效地整合多尺度的上下文信息，使得在语义分割任务中更好地捕捉目标的语义信息和上下文关系。它在许多图像语义分割的挑战中取得了良好的性能，并且在准确性和效率上都具有竞争力。

需要注意的是，PSPNet是一种经典的语义分割模型，而随着深度学习的发展，还有其他的改进和变种模型涌现，可以进一步提升语义分割任务的性能和效果。

卷积网路CNN分类的模型一般使用包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型
目标检测一般是yolov3、yolov4、yolov5、yolox、PSPnet、faster_rcnn、SDD等
图像分割一般是Unet、mask-rcnn、PSPnet、yolov5-segment等

b站视频包含：

001手写汉字识别-单个汉字识别-pyqt可视化交互界面-python代码

002unet墙体瑕疵检测-python-pytorch

003水果识别小程序-python-pytorch-mobilenet

004基于python的hog+svm实现目标检测

005yolov5_deepsort目标跟踪行人统计数量

006人流目标跟踪pyqt界面_v5_deepsort

007CycleGAN_风格迁移+qt界面

008yolov4口罩目标检测识别

009中草药识别小程序

010基于vgg的CT_COVID与CT_NonCOVID二分类识别

011汉字识别crnn_qt界面

012yolov3口罩识别检测_是否佩戴规范检测_qt界面

013yolov3交通牌检测_CCTSDB数据集检测

014人脸识别打卡签到系统pyqt界面

015连续的手写中文汉字识别CRNN-多行汉字识别

016基于CNN卷积网络的人脸识别打卡签到_resnet_mobilenet_efficientnet等

017手势识别_ui界面

018深度学习之微表情识别

019动物识别检测网页版

020pyqt5实现手写中文数字识别

021微表情检测系统之疲劳_漫不经心_注意力集中CNN图像版

022微表情检测系统之疲劳_漫不经心_注意力集中CNN网页版

023微表情检测系统之疲劳_漫不经心_注意力集中CNN视频流版

024微表情检测系统之疲劳_漫不经心_注意力集中CNN小程序版

025目标检测表情检测识别yolov5pyqt_python

026人脸表情识别网页版

027目标检测小程序识别表情_人脸识别

028yolov5视频检测_人脸识别表情识别

030图像分割批量转化json格式数据集mask或图像轮廓提取

031蝴蝶品种识别pyqt系统界面

032基于深度学习的蝴蝶品种识别网页版本

033基于hwdb手写汉字数据集的识别检测

034基于深度学习识别hwdb汉字数据集

035目标检测水下渔网

036中药饮片识别小程序python卷积网络训练模型识别

037基于深度学习识别中药饮片数据集网页版

038基于深度学习的花卉自动识别pyqt界面

039花卉识别小程序

040基于svm+hog机器学习的行人检测

041基于深度学习的扫地机器人检测垃圾

042基于深度学习的手指静脉识别

043基于卷积网络的垃圾分类识别检测

044基于深度学习的鱼类检测

045基于卷积神经网络的94种矿石识别

046基于深度学习的杂草检测

047万能图像处理小助手1.0_python可视化交互按钮图像批量处理数据集扩增等

048python写字笔画顺序识别检测笔顺是否有误检测

049万能图像处理小助手1.1_傅里叶变化_椒盐噪声_直方图均衡等图片批量处理

050通过人工智能技术识别鸟类品种pyqt界面

051通过人工智能技术识别鸟类品种网页版本

052基于python的hog+svm实现混凝土裂缝目标检测

053基于深度学习的混凝土裂缝检测

054基于python的人脸识别检测

055基于python目标检测的小程序交互+田间杂草检测

056基于python的图像识别含评价指标_精确率_召回率_f1score

057基于python的舌象舌头判断是否病变

058基于python深度学习AI的车辆车高_车宽_横截面积检测

059基于python深度学习对人体身高预测

060基于深度学习的建筑物房屋检测

061基于深度学习的建筑物高度检测

062基于深度学习的车牌检测

063基于深度学习和ocr的车牌识别

064python深度学习的街头文本检测

065python的街头文本识别检测

066基于python深度学习的街头汉字文本检测

067基于python的街头汉字文本识别检测

068基于CNN卷积神经网络的大豆叶片形态检测pyqt版本

069基于CNN卷积神经网络的大豆叶片形态检测小程序版本

070基于python深度学习的服装图像分类pyqt版本

071基于卷积神经网络mobilenet的服装图像分类小程序版本
072基于深度学习的遥感船舶检测
073基于CNN卷积神经网络的柑橘生长形态检测pyqt版本
074基于深度学习的柑橘品级分类小程序版本
075基于深度学习的人脸年龄识别pyqt版本
076基于python深度学习的人脸年龄识别小程序版本
077织物污渍瑕疵检测
078基于python深度学习的水果香蕉品质检测
079基于深度学习的香蕉成熟度检测小程序版_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型
080python农业病虫害检测pyqt版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型
081基于深度学习的农业病虫害检测小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型
082基于CNN卷积网络的手势识别阿拉伯数字pyqt版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型
083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型
084基于CNN卷积神经网络的核桃品质检测_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型
085基于目标检测的马路坑洼积水检测
086基于卷积神经网络的安全带是否佩戴检测
087基于深度学习的工地安全帽检测
088基于深度学习的番茄病害检测小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型
089基于深度学习的小样本数据检测_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型
090基于深度学习的车辆速度检测

​