[發(fā)明專(zhuān)利]一種基于遷移學(xué)習(xí)的大壩圖像裂縫檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810972498.6
• 申請(qǐng)日: 2018-08-24
• 公開(kāi)（公告）號(hào): CN109345507B
• 公開(kāi)（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 劉凡;楊麗潔;毛鶯池;許峰;辛仰鑫
• 申請(qǐng)（專(zhuān)利權(quán)）人: 河海大學(xué)
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06N3/04;G06N3/08
• 代理公司: 南京經(jīng)緯專(zhuān)利商標(biāo)代理有限公司 32200
• 代理人: 施昊

本發(fā)明公開(kāi)了一種基于遷移學(xué)習(xí)的大壩圖像裂縫檢測(cè)方法，步驟：收集大壩裂縫圖像，通過(guò)生成式對(duì)抗網(wǎng)絡(luò)GAN對(duì)圖像數(shù)據(jù)集進(jìn)行預(yù)處理以填充數(shù)據(jù)集；采用不保留頂層全連接層的預(yù)訓(xùn)練模型MobileNet來(lái)提取圖像特征，并在MobileNet后拼接Flatten層，在Flatten層后拼接一層激活函數(shù)為ReLU的全連接層，最后拼接一層激活函數(shù)為Sigmoid的全連接層作為輸出層；對(duì)MobileNet中的前K個(gè)深度可分解卷積結(jié)構(gòu)進(jìn)行凍結(jié)，固定這K個(gè)深度可分解卷積結(jié)構(gòu)的相關(guān)權(quán)重；對(duì)模型進(jìn)行訓(xùn)練，在模型訓(xùn)練過(guò)程中僅更新未凍結(jié)的網(wǎng)絡(luò)層的權(quán)重；利用訓(xùn)練好的模型在圖像中對(duì)大壩裂縫的檢測(cè)。本發(fā)明解決了小數(shù)據(jù)集情況下的過(guò)擬合問(wèn)題，并通過(guò)遷移學(xué)習(xí)思想提高了預(yù)測(cè)性能和運(yùn)行速度。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像識(shí)別技術(shù)領(lǐng)域，特別涉及了一種基于遷移學(xué)習(xí)的大壩圖像裂縫檢測(cè)方法。

背景技術(shù)

我國(guó)在水利建設(shè)發(fā)展方面取得了舉世矚目的成就，大壩作為水利工程的重要組成部分，如何對(duì)其進(jìn)行有效的安全性診斷一直是學(xué)界不斷探討的問(wèn)題。大壩因其基本性質(zhì)，一直承受著溫度梯度和很大的水壓、水的沖刷、滲透、侵蝕等，其不可避免地會(huì)產(chǎn)生裂縫，壩體內(nèi)裂縫可能會(huì)形成集中滲漏通道，惡化大壩的運(yùn)行狀態(tài)，影響壩體的安全，因此對(duì)大壩裂縫的檢測(cè)極其重要。

目前，對(duì)大壩監(jiān)測(cè)資料分析方法眾多，如多元線(xiàn)性回歸、統(tǒng)計(jì)模型、確定性模型和混合模型、灰色模型、人工神經(jīng)網(wǎng)絡(luò)等，然而這些方法所遇到的普遍問(wèn)題是當(dāng)大壩投入使用其處于一個(gè)復(fù)雜的開(kāi)放環(huán)境中，水下環(huán)境復(fù)雜，采集的圖像具有模糊不清、對(duì)比度低、亮度不均等特點(diǎn)，當(dāng)自變量因子較多且存在多重相關(guān)性時(shí)，傳統(tǒng)回歸模型的擬合預(yù)測(cè)效果較差，人工神經(jīng)網(wǎng)絡(luò)算法等具有一定的自適應(yīng)性且檢測(cè)效果較好，但是算法實(shí)現(xiàn)困難。各種方法均有其適用性，同時(shí)針對(duì)各方法的局限性，許多學(xué)者對(duì)此都做出了進(jìn)一步的改進(jìn)。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域的應(yīng)用越來(lái)越受到重視，其可以有效地捕獲圖像的網(wǎng)絡(luò)狀拓?fù)?，通過(guò)卷積自動(dòng)提取圖像特征，經(jīng)網(wǎng)絡(luò)逐層分析獲得較好的識(shí)別效果。

發(fā)明內(nèi)容

為了解決上述背景技術(shù)提出的技術(shù)問(wèn)題，本發(fā)明旨在提供一種基于遷移學(xué)習(xí)的大壩圖像裂縫檢測(cè)方法，解決小數(shù)據(jù)集情況下的過(guò)擬合問(wèn)題，并通過(guò)遷移學(xué)習(xí)思想提高預(yù)測(cè)性能和運(yùn)行速度。

為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

一種基于遷移學(xué)習(xí)的大壩圖像裂縫檢測(cè)方法，包括以下步驟：

(1)收集大壩裂縫圖像，通過(guò)生成式對(duì)抗網(wǎng)絡(luò)GAN，對(duì)圖像數(shù)據(jù)集進(jìn)行預(yù)處理以填充數(shù)據(jù)集，從而減小因數(shù)據(jù)集數(shù)量不夠而產(chǎn)生過(guò)擬合的影響；

(2)構(gòu)建網(wǎng)絡(luò)模型：采用不保留頂層全連接層的預(yù)訓(xùn)練模型MobileNet來(lái)提取圖像特征，并在MobileNet后拼接Flatten層，在Flatten層后拼接一層激活函數(shù)為ReLU的全連接層，最后拼接一層激活函數(shù)為Sigmoid的全連接層作為輸出層；MobileNet包含13個(gè)深度可分解卷積結(jié)構(gòu)；

(3)對(duì)MobileNet中的前K個(gè)深度可分解卷積結(jié)構(gòu)進(jìn)行凍結(jié)，固定這K個(gè)深度可分解卷積結(jié)構(gòu)的相關(guān)權(quán)重，1≤K≤13；

(4)模型訓(xùn)練：將損失函數(shù)loss設(shè)置為對(duì)數(shù)損失，對(duì)模型進(jìn)行訓(xùn)練，在模型訓(xùn)練過(guò)程中僅更新未凍結(jié)的網(wǎng)絡(luò)層的權(quán)重；

(5)模型訓(xùn)練完成后，通過(guò)使用滑動(dòng)窗口截取測(cè)試圖像在不同位置的窗口圖像作為輸入數(shù)據(jù)在模型中進(jìn)行識(shí)別，根據(jù)輸出結(jié)果判斷該位置是否有裂縫，實(shí)現(xiàn)在圖像中對(duì)大壩裂縫的檢測(cè)。