[發明專利]一種基于SCSEOCUnet的混凝土裂縫分割方法

在審

• 申請號: 202010106077.2
• 申請日: 2020-02-20
• 公開（公告）號: CN111353396A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 戴嬌;張華
• 申請（專利權）人: 江蘇東印智慧工程技術研究院有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于SCSE OC Unet的混凝土裂縫分割方法，屬于土木工程與人工智能計算機視覺交互技術領域。本發明基于經典的Unet網絡，提出SCSEOCUnet卷積神經網絡模型提取混凝土表觀的裂縫的方法。SCSEOCUnet網絡的編碼器采用了能保留更多細節信息的預訓練的ResNet34模型，并融合了空間?通道注意力機制SCSE模塊、上下文推斷OC模塊來優化模型，實現了更高精度地提取圖像中的裂縫信息。

技術領域

本發明涉及土木工程與人工智能計算機視覺交互技術領域，具體涉及一種基于SCSEOCUnet的混凝土裂縫分割方法。

背景技術

常用的傳統數字圖像處理方法包括邊緣檢測、閾值法、光譜分析法等，這些方法僅對特定情況下的數據集有效，在實際環境中，裂縫的檢測易受環境因素干擾，如模糊、陰影、樹葉、劃痕等，這些噪聲使得傳統的方法檢測誤差大，模型泛化能力低。一些學者基于無人機進行橋梁裂縫的檢測，提出了新的基于CNN的橋梁裂縫分類算法和目標檢測算法，利用檢測結果快速定位后再利用傳統圖像處理算法得到橋梁裂縫特征具體數值。然而這些方法均無法對像素級別的裂縫信息進行提取。

發明內容

本發明的目的在于提供一種能夠對像素級別的裂縫信息進行提取的混凝土裂縫分割方法。

本發明的技術方案是：一種基于SCSEOCUnet的混凝土裂縫分割方法，包括如下步驟：

S1：利用無人機獲取帶有裂縫的橋梁表面或者道路表面圖片；

S2：對所獲得裂縫進行標注，裂縫區域的像素值標記為1，非裂縫區域的像素值標記為0；

S3：將標記好的圖片以及原始圖片根據0.85:0.15的比例劃分為訓練集和驗證集；

S4：構建空間-通道注意力機制SCSE模塊，構建上下文推斷OC模塊形成SCSEOCUnet網絡，對S3步得到的訓練集進行訓練，對驗證集進行驗證，并保存好訓練的模型權重參數；

S5：利用訓練好的模型，對新拍攝的圖片進行識別處理，如存在裂縫則將裂縫區域分割出；若無裂縫則判定為正常圖片。

進一步的技術方案，S4中，構建空間-通道注意力機制SCSE模塊，構建上下文推斷OC模塊形成SCSEOCUnet網絡，對S3步得到的訓練集進行訓練，對驗證集進行驗證，并保存好訓練的模型權重參數，其中分為以下步驟：

S4.1構建空間-通道注意力機制SCSE模塊，輸入U進入網絡之后，會進入兩條支路：上面的支路為SC支路，該支路通過一個1×1卷積操作，得到一個長寬與輸入U相同的權重矩陣，該矩陣與U相乘，得到在空間上重新校準的特征U_SC；下面的支路為SE支路，該支路首先通過一個最大池化操作，得到一個通道數與輸入U相同的權重矩陣，該矩陣再經過兩個全連接層，第一個全連接層的神經元數量為通道數的一半，第二個全連接層數量等于通道數，經過激活函數，將經過第二全連接層還原到通道數的矩陣與U相乘，得到在通道方向上重新校準的特征U_SE，最后，將沿著通道和空間重新校準的特征合并輸出U_SCSE；

S4.2對于網絡的最后一層輸出X，先利用3×3的卷積減少Channel從2048到512記為Y，在四個分支中分別用Self-Attention模塊計算逐像素的Attention Map和ObjectContext；第一個分支把全部特征圖Y作為輸入，第二個分支把特征圖分為2×2的子區域，每個子區域應用共享的transform，第三個和第四個分支把輸入Y分為3×3和6×6的子區域，每個子區域的變換不共享；最后將每個分支的結果沿著通道方向拼接，并用1×1的卷積增加X的維度與Object Context的維度相等再進行拼接；

S4.3損失函數為Dice Loss函數，計算過程如下：