[發(fā)明專利]一種基于深度學(xué)習(xí)的裂縫識別方法

有效

• 申請?zhí)枺?/td>: 201710641562.8
• 申請日: 2017-07-31
• 公開（公告）號: CN107403197B
• 公開（公告）日: 2020-01-24
• 發(fā)明（設(shè)計）人: 鄒勤
• 申請（專利權(quán)）人: 武漢大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 42222 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙)
• 代理人: 齊晨涵;姜學(xué)德

1.一種基于深度學(xué)習(xí)的裂縫識別方法，其特征在于，包括以下步驟：

s1構(gòu)建仿真裂縫數(shù)據(jù)集，具體包括：

s11構(gòu)建仿真裂縫數(shù)據(jù)集Dataset1，即利用計算機生成一定數(shù)量的空白圖像，利用線條繪制算法在空白圖像上繪制裂縫線和噪聲；

s12構(gòu)建仿真裂縫數(shù)據(jù)集Dataset2，選取一定數(shù)量的路面影像，路面影像中不包含裂縫，利用線條繪制算法在每一幅路面圖像上繪制裂縫線條；

s2構(gòu)建真實裂縫數(shù)據(jù)集；

s3構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型，所述構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)模型包含一個主干網(wǎng)絡(luò)和一個分支網(wǎng)絡(luò)兩部分；所述主干網(wǎng)絡(luò)由一個輸入層、若干個卷積層、池化層和反卷積層構(gòu)成，所述分支網(wǎng)絡(luò)由若干個卷積層、池化層、全連接層和一個輸出層構(gòu)成，其中主干網(wǎng)絡(luò)的最后一個卷積層輸出兩個特征圖，其中，所述主干網(wǎng)絡(luò)由14層組成，具體為：第1層是輸入層，第2、4、6、9、11、13、14層是卷積層，第3、5、7是三個池化層，第8、10、12是三個反卷積層，其中，第7層為分支網(wǎng)絡(luò)的輸入層，第14層輸出裂縫的位置；

s4利用步驟s1構(gòu)建的仿真裂縫數(shù)據(jù)集對步驟s3所構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；

s5將步驟s4訓(xùn)練所得參數(shù)作為深度卷積神經(jīng)網(wǎng)絡(luò)模型的初始化參數(shù)，利用步驟s2構(gòu)建的真實裂縫數(shù)據(jù)集對深度卷積神經(jīng)網(wǎng)絡(luò)模型繼續(xù)進行訓(xùn)練；

s6利用步驟s5所訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型和初始化參數(shù)對待識別的影像進行裂縫識別。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的裂縫識別方法，其特征在于：所述步驟s4中具體包括：

s41利用步驟s11構(gòu)建的仿真裂縫數(shù)據(jù)集Dataset1對步驟s3所構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；

s42將步驟s41訓(xùn)練所得參數(shù)作為本步驟的初始化參數(shù)，利用步驟s12構(gòu)建的仿真裂縫數(shù)據(jù)集Dataset2對所構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)模型繼續(xù)進行訓(xùn)練。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的裂縫識別方法，其特征在于：所述分支網(wǎng)絡(luò)由8層組成，依次包括兩個卷積層、一個池化層、兩個卷積層和三個全連接層，且分支網(wǎng)絡(luò)的卷積層采用64個卷積核，卷積核的尺寸大小為3，池化層采用2×2鄰域的最大池化法，三個全連接層分別采用4096，4096和11個節(jié)點，其中最后一個全連接層對應(yīng)輸出的特征向量，由11個特征值組成，其中第1到4個特征值表示裂縫類型，第5到8個特征值表示裂縫寬度，第9到11個特征值表示裂縫嚴重程度。

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的裂縫識別方法，其特征在于：所述步驟s3中所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)采用Rectified Linear Units函數(shù)。

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的裂縫識別方法，其特征在于：所述步驟s11和步驟s12中裂縫線條繪制均采用樣條曲線繪制算法或貝塞爾曲線繪制算法，步驟s11中噪聲的繪制采用隨機數(shù)生成算法。

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的裂縫識別方法，其特征在于：所述步驟s41、步驟s42和步驟s5中訓(xùn)練過程停止的條件分為兩種，一種是損失函數(shù)的值小于設(shè)定的閾值，另一種是訓(xùn)練達到一定次數(shù)。

7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的裂縫識別方法，其特征在于：所述步驟s11的數(shù)據(jù)集Dataset1、步驟s12中的數(shù)據(jù)集Dataset2中的樣本數(shù)量均大于10⁵。