[發明專利]一種基于分頻卷積的自動化裂縫檢測方法

在審

• 申請號: 202010540557.X
• 申請日: 2020-06-12
• 公開（公告）號: CN111721770A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 范衠;陳穎;李沖
• 申請（專利權）人: 汕頭大學
• 主分類號: G01N21/88
• 分類號: G01N21/88;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 周增元

1.一種基于分頻卷積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、用相機拍攝道路圖像，創建道路裂縫圖像的訓練集和測試集；

S2、創建包含分頻卷積、分頻轉置卷積、空洞卷積模塊和跳躍連接結構的深度卷積神經網絡；

S3、利用創建好的訓練集訓練深度卷積神經網絡；

S4、利用測試集對訓練好的深度卷積神經網絡模型測試，并輸出裂縫圖像。

2.根據權利要求1所述的一種基于分頻卷積的自動化裂縫檢測方法，其特征在于，所述步驟S1具體包括：

S11、利用智能終端拍攝裂縫圖像，或者利用公共的裂縫圖像數據集CFD和AigleRN，將裂縫圖像分為訓練集和測試集；

S12、將所采集到的不同結構表面裂縫圖像，構建裂縫圖像數據庫，對構建的裂縫圖像庫進行數據增強，擴充數據集，將擴充后的裂縫圖像庫中的裂縫圖像的裂縫區域實施人工標簽標注，然后將裂縫圖像庫中的圖像分為訓練集和測試集。

3.根據權利要求2所述的一種基于分頻卷積的自動化裂縫檢測方法，其特征在于，所述步驟S2具體包括：

S21、搭建深度神經網絡結構模型：確定所述深度卷積神經網絡卷中編碼器和解碼器層數，以及每個分頻卷積層中高頻率和低頻率中所含有的特征圖的數量、池化層的層數、池化層中采樣核的大小和訓練步長、分頻轉置卷積層的層數和每個反卷積層中高頻率和低頻率中所含有的特征圖數量，跳躍連接的連接方式以及空洞卷積模塊中空洞比率的大小；

S22、選擇深度神經網絡的訓練策略：所述深度神經網絡訓練中代價函數的選擇為交叉熵損失函數、以及激活函數的Relu，同時，在損失代價函數中加入權值衰減正則化項，在卷積層中加入dropout來減少過擬合，所述深度神經網絡中訓練使用優化算法SGD；

S23、所述的搭建分頻卷積層X＝{X^H,X^L}和Y＝{Y^H,Y^L}表示輸入和輸出，其中Y^L＝Y^H→L+Y^L→L和Y^H＝Y^H→H+Y^L→H表示輸出頻率的變化，W^H＝[W^H→H W^L→H]，W^L＝[W^H→L，W^L→L]表示卷積核頻率的變化，分頻卷積操作中高低頻率的變化用下面公式表示：

其中(p，q)表示像素點位置，k表示卷積核大小，σ(·)表示激活函數，b表示偏值變化，X^H，X^L分別表示輸入特征圖的高頻率和低頻率特征圖，Y^H，Y^L分別表示輸出特征圖的高頻率和低頻率特征圖，H→L表示特征圖由高頻率轉換到低頻率，L→H表示特征圖由低頻率轉換到高頻率，H→H表示特征圖由高頻率轉換到高頻率，L→L表示特征圖由低頻率轉換到低頻率，m和n用于決定以(p，q)為像素中心點的局部感受野在輸入X上的范圍；

S24、所述的搭建分頻轉置卷積層X＝{X^H,X^L}和表示輸入和輸出，其中和表示分頻轉置輸出的變化，W^H＝[W^H→H，W^L→H]，W^L＝[W^H→L，W^L→L]表示卷積高低頻率的變化，分頻轉置卷積操作中高低頻率的變化用下面公式表示：

其中，和分別表示分頻轉置卷積輸出特征圖的高頻率和低頻率特征圖，m和n的取值用于決定以(p，q)為像素中心點的局部感受野在輸入X上的范圍，k表示卷積核大小；

S25、所述深度卷積神經網絡中編碼器與解碼器通過跳躍連接實現連接；

S26、所述深度卷積神經網絡中，輸入圖像與編碼器部分，以及各個編碼器之間通過跳躍連接來實現連接，可以實現圖像信息的傳遞；

S27、所述深度卷積神經網絡中空洞卷積模塊中，其輸入是編碼器最后一層卷積層中特征圖的輸出，空洞卷積模塊是由不同空洞率的卷積層組成的，其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；

S28、所述深度卷積神經網絡中使用深度學習庫包：Caffe、Tensorflow、PyTorch實現以上所述深度神經網絡結構，根據劃分好的訓練集和測試集進行模型訓練，通過不斷地降低損失函數的函數值來學習深度神經網絡的參數，確定深度神經網絡模型中的參數值。