[發(fā)明專利]一種基于編碼器-解碼器的自動化裂縫檢測方法

有效

• 申請?zhí)枺?/td>: 201911370791.6
• 申請日: 2019-12-25
• 公開（公告）號: CN111127449B
• 公開（公告）日: 2023-06-02
• 發(fā)明（設(shè)計）人: 李沖;范衠;陳穎;韋家弘;卞新超
• 申請（專利權(quán)）人: 汕頭大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 周增元;曹江

1.一種基于編碼器-解碼器的自動化裂縫檢測方法，其特征在于，所述方法具體包括以下步驟：

S1、創(chuàng)建基于深度學(xué)習(xí)的道路裂縫圖像的訓(xùn)練集和測試集；

S2、創(chuàng)建包含編碼器、解碼器、空洞卷積模塊和分層特征提取模塊的深度卷積神經(jīng)網(wǎng)絡(luò)，并通過以下步驟進(jìn)行：

S21、搭建深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型：確定所述深度卷積神經(jīng)網(wǎng)絡(luò)卷中編碼器和解碼器層數(shù)，以及每個部分卷積層所含有的特征圖的數(shù)量、池化層的層數(shù)、池化層中采樣核的大小和訓(xùn)練步長、反卷積層的層數(shù)和每個反卷積層所含有的特征圖數(shù)量、空洞卷積模塊中空洞比率的大小和分層特征提取模塊的卷積層和反卷積層的特征圖數(shù)量；

S22、選擇深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練策略：所述深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中代價函數(shù)的選擇包括交叉熵?fù)p失函數(shù)、平方損失函數(shù)之一，以及激活函數(shù)的選擇包括Relu，softmax，sigmoid之一，在損失代價函數(shù)中加入權(quán)值衰減正則化項，同時在卷積層中加入dropout來減少過擬合，所述深度神經(jīng)網(wǎng)絡(luò)中訓(xùn)練使用優(yōu)化算法包括SGD，Adam算法之一；

S23、所述深度卷積神經(jīng)網(wǎng)絡(luò)中編碼器與解碼器通過跳連實現(xiàn)連接；

S24、所述深度卷積神經(jīng)網(wǎng)絡(luò)中空洞卷積模塊中，期輸入是編碼器最后一層卷積層中特征圖的輸出，空洞卷積模塊輸出是通過不同空洞率卷積得到的特征圖疊加融合得到的；

S25、所述深度卷積神經(jīng)網(wǎng)絡(luò)中使用深度學(xué)習(xí)的庫包括Caffe?、Tensorflow之一實現(xiàn)以上所述深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)劃分好的訓(xùn)練集和驗證集進(jìn)行模型訓(xùn)練，通過不斷地降低損失函數(shù)的函數(shù)值來學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)的參數(shù)，確定深度神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)值；

S3、利用訓(xùn)練集和測試集訓(xùn)練深度卷積深度神經(jīng)網(wǎng)絡(luò)，通過以下步驟進(jìn)行：

S31、根據(jù)所述步驟S21、S22、S23、S24、和S25，利用訓(xùn)練集和測試集訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層所采用的激活函數(shù)為ReLU，分層特征提取模塊最后一層輸出中采用sigmoid激活函數(shù)來輸出logit，其中每層損失函數(shù)公式為；

其中和是超參數(shù)，是標(biāo)簽數(shù)據(jù)的真實值，是原始圖像經(jīng)過深度網(wǎng)絡(luò)預(yù)測值，N表示圖像像素的數(shù)量；

S32、分層特征提取模塊最后融合損失函數(shù)L_fuse=L_side；

S33、所述深度卷積神經(jīng)網(wǎng)絡(luò)中最后總的損失函數(shù)是，每個解碼器層的輸出損失函數(shù)和分層特征提取模塊輸出損失函數(shù)相加融合得到損失函數(shù)：

；

其中，M表示分層特征提取模塊總的數(shù)量，m代表第?m?個分層特征提取模塊，L_side^m?代表第?m?個分層特征提取模塊的損失函數(shù)值，L_fuse?代表最后融合的損失函數(shù)的值；

S4、將深度卷積神經(jīng)網(wǎng)絡(luò)中分層特征提取模塊的結(jié)果疊加，并輸出裂縫圖像。

2.根據(jù)權(quán)利要求1所述的基于編碼器-解碼器的自動化裂縫檢測方法，其特征在于，所述步驟S1具體包括：

利用公共的裂縫圖像數(shù)據(jù)集CFD或AigleRN，將裂縫圖像分為訓(xùn)練集和測試集。

3.根據(jù)權(quán)利要求1所述的基于編碼器-解碼器的自動化裂縫檢測方法，其特征在于，所述步驟S1具體包括：

利用智能終端采集到的不同結(jié)構(gòu)表面裂縫圖像，構(gòu)建裂縫圖像數(shù)據(jù)庫，對構(gòu)建的裂縫圖像庫進(jìn)行數(shù)據(jù)增強，將數(shù)據(jù)增強后的裂縫圖像庫中的裂縫圖像的裂縫區(qū)域?qū)嵤?biāo)簽標(biāo)注，然后將裂縫圖像庫中的圖像分為訓(xùn)練集和測試集。

4.根據(jù)權(quán)利要求1所述的基于編碼器-解碼器的自動化裂縫檢測方法，其特征在于，所述步驟S4具體包括：

S41、根據(jù)所述步驟S31，S32和S33,?所述深度卷積神經(jīng)網(wǎng)絡(luò)中分層特征提取模塊，其輸入的特征圖是每個解碼器層的輸出經(jīng)過卷積和反卷積操作得到的，分層特征提取模塊輸出是所有解碼器層的輸入的特征圖通過疊加融合后得到的特征圖；

S42、所述深度卷積神經(jīng)網(wǎng)絡(luò)中，分層特征提取模塊融合最后的輸出結(jié)果是神經(jīng)網(wǎng)絡(luò)最后的輸出裂縫分割圖像。