申请/专利权人：三峡大学

申请日：2023-03-09

公开（公告）日：2024-03-12

公开（公告）号：CN116485717B

主分类号：G06T7/00

分类号：G06T7/00;G06V20/17;G06V10/764;G06V10/774;G06V10/82;G06V10/42;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2023.08.11#实质审查的生效;2023.07.25#公开

摘要：一种基于像素级深度学习的混凝土坝表面裂缝检测方法，包括以下步骤：步骤1：获取混凝土坝表面裂缝图像和两阶段迁移学习训练方式；步骤2：构建大坝裂缝检测模型；步骤3：采用大坝裂缝检测模型对混凝土坝表面裂缝图像中的每个像素点进行识别，并获取混凝土坝的裂缝形状检测结果。本发明的目的是为了解决现有技术存在的坝面数据图像采集困难、数据标注人工成本高，使大坝裂缝数据集缺乏导致模型训练欠拟合、不充分、检测精度低以及现有方法对微小裂缝所占的像素点少、裂缝与周边环境对比度低，导致模型对坝面裂缝特征信息提取能力弱、细小裂缝分割能力弱、像素准确率低的技术问题，而提供的一种基于像素级深度学习的混凝土坝表面裂缝检测方法。

主权项：1.一种基于像素级深度学习的混凝土坝表面裂缝检测方法，其特征在于，包括以下步骤：步骤1：获取混凝土坝表面裂缝图像和两阶段迁移学习训练方式；步骤2：构建大坝裂缝检测模型；步骤3：采用大坝裂缝检测模型对混凝土坝表面裂缝图像中的每个像素点进行识别，并获取混凝土坝的裂缝形状检测结果；在步骤1中，具体包括以下子步骤：步骤1-1：进行训练模型数据集的采集；步骤1-2：进行训练模型数据集的制作：步骤（1）采用Labelme标注工具对第二阶段目标域DatasetB进行像素级标注，进入步骤（2）；步骤（2）对步骤（1）标注后的第二阶段目标域DatasetB经过图像增强算法Retinex、调整图像光度、对比度和空间变化进行扩充，进入步骤（3）；步骤（3）将步骤（2）第二阶段目标域DatasetB按一定比例随机划分为训练集和验证集；步骤1-3：进行两阶段迁移学习训练：步骤（1）训练初始，在输入端设置将所有数据集图像尺寸重塑为统一像素大小，进入步骤（2）；步骤（2）调整模型训练参数Batch_Size、Epoch、优化器、初始学习率，学习率下降方式为CosineAnnealingLR、损失函数为CrossEntropyLoss，进入步骤（3）； 1y为真实值分布；为网络输出分布；n为总类别数；i为变量；步骤（3）利用第一阶段源域数据集模型得到的训练结果作为第一阶段目标域DatasetA的预训练模型，进入步骤（4）；步骤（4）第一阶段是基于跨域的模型知识迁移，避免网络从零学习，使第二阶段获得一个更好的导师模型，进入步骤（5）；步骤（5）第二阶段是基于域内的特征知识迁移，将第一阶段迁移学习后的DatasetA预训练模型作为第二阶段的源域，通过迁移学习方法将源域中存在与目标域相同的特征表示迁移到第二阶段目标域DatasetB中；步骤（6）第一阶段和第二阶段在图像特征上是相同领域，为加快训练效率和防止权值被破坏，在第二阶段迁移训练中加入了冻结训练步骤，即在训练的前半部分冻结主干网络，仅对解码分类器进行训练，后半部分解冻对整个网络进行训练学习；在步骤2中，具体包括以下子步骤：步骤2-1：搭建ResNet50网络作为UNet模型编码器的特征提取网络，通过Residual模块加深网络层数和提取能力充分获取裂缝特征信息，使模型可以有效地学习坝面裂缝的深层特征，提高模型对裂缝分割精度；步骤2-2：将多层并行残差注意力添加到UNet模型跳跃连接层中，通过获取更多语义信息以增强模型的特征表达能力，以抑制无关区域中的特征响应，提高有效特征信息通道的重要性，使网络专注于裂缝特征信息，补充细节损失，使模型更精确对坝面裂缝图像进行分割。

全文数据：

权利要求：

百度查询： 三峡大学 一种基于像素级深度学习的混凝土坝表面裂缝检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD