[發(fā)明專利]一種基于FPN結(jié)構(gòu)的大壩裂縫檢測算法

有效

• 申請?zhí)枺?/td>: 202010660219.X
• 申請日: 2020-07-10
• 公開（公告）號: CN112001411B
• 公開（公告）日: 2022-07-29
• 發(fā)明（設(shè)計）人: 王健;許國艷;韓旭
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06V10/75
• 分類號: G06V10/75;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 曹坤

1.一種基于FPN結(jié)構(gòu)的大壩裂縫檢測算法，其特征在于：其操作步驟具體如下：

步驟(1.1)、采集大壩裂縫樣本，加入與大壩裂縫相似的裂縫樣本，擴(kuò)大樣本的數(shù)量；

步驟(1.2)、將FPN結(jié)合多種目標(biāo)檢測算法和特征提取網(wǎng)絡(luò)的實驗結(jié)果進(jìn)行對比；

步驟(1.3)、使用感興趣區(qū)域校準(zhǔn)代替感興趣區(qū)域池化，避免量化取整導(dǎo)致的精度損失，準(zhǔn)確標(biāo)注目標(biāo)的位置；

步驟(1.4)、在經(jīng)過FPN結(jié)構(gòu)后得到{P2,P3,P4,P5,P6}五個不同尺度的特征圖，設(shè)計一個從下向上的網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合{P2,P3,P4,P5,P6}特征圖的內(nèi)容，使得圖片的低層特征傳遞到高層特征的距離縮小，減少傳遞過程中低層特征信息的損失；

步驟(1.5)、將其中的非極大值抑制函數(shù)替換為緩和的非極大值抑制函數(shù)，優(yōu)化算法對密集物體檢測的檢測效果；

步驟(1.6)、針對小目標(biāo)設(shè)計新的錨盒大小，比例和數(shù)量；

步驟(1.7)、利用裂縫數(shù)據(jù)集訓(xùn)練改進(jìn)后的算法，對得到的模型測試，通過實驗，進(jìn)行訓(xùn)練和測試，改進(jìn)算法參數(shù)，使之能夠準(zhǔn)確地檢測裂縫位置，減少對小裂縫的漏選；

步驟(1.8)、將改進(jìn)的算法應(yīng)用于大壩裂縫的檢測。

2.根據(jù)權(quán)利要求1所述的一種基于FPN結(jié)構(gòu)的大壩裂縫檢測算法，其特征在于：在步驟(1.2)中，所述的多種目標(biāo)檢測算法和特征提取網(wǎng)絡(luò)包括：

(1.2.1)、實驗中用于對比的目標(biāo)檢測算法有：SSD、YOLO、Faster R-CNN；

(1.2.2)、實驗中用于對比的特征提取網(wǎng)絡(luò)有：VGG、ResNet_v1_50、ResNet_v1_101。

3.根據(jù)權(quán)利要求1所述的一種基于FPN結(jié)構(gòu)的大壩裂縫檢測算法，其特征在于：在步驟(1.3)中，所述感興趣區(qū)域校準(zhǔn)實現(xiàn)的流程如下：

(1.3.1)、遍歷每一個候選區(qū)域，保持浮點數(shù)邊界；

(1.3.2)、將候選區(qū)域劃分為k*k個單元，每個單元的邊界保持浮點數(shù)；

(1.3.3)、在每個單元中計算固定四個坐標(biāo)位置，用雙線性內(nèi)插的方法計算這四個位置的值；

(1.3.4)、進(jìn)行最大池化操作；

感興趣區(qū)域校準(zhǔn)的反向傳播公式如下：

其中，x_i表示池化前特征圖上的像素點，y_rj表示池化后的第r個候選區(qū)域的第j個點，其中x_i*(r,j)是一個浮點數(shù)的坐標(biāo)位置，d(.)表示兩點之間的距離，Δh和Δw表示x_i與x_i*(r,j)橫縱坐標(biāo)的差值。

4.根據(jù)權(quán)利要求1所述的一種基于FPN結(jié)構(gòu)的大壩裂縫檢測算法，其特征在于：所述步驟(1.4)中，從下向上的網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)過程如下：

(1.4.1)、在經(jīng)過FPN結(jié)構(gòu)后得到{P2,P3,P4,P5,P6}五個不同尺度的特征圖，所述P6到P2依次構(gòu)成了從下向上的網(wǎng)絡(luò)結(jié)構(gòu)；

(1.4.2)、N2＝P2；

(1.4.3)、對N2進(jìn)行3*3卷積，再和P3橫向鏈接得到N3；

(1.4.4)、對N3進(jìn)行3*3卷積，再和P4橫向鏈接得到N4；

(1.4.5)、對N4進(jìn)行3*3卷積，再和P5橫向鏈接得到N5；

(1.4.6)、對N5進(jìn)行最大池化得到N6；

(1.4.7)、用{N2,N3,N4,N5,N6}特征圖作為RPN的輸入。

5.根據(jù)權(quán)利要求1所述的一種基于FPN結(jié)構(gòu)的大壩裂縫檢測算法，其特征在于：在步驟(1.7)中，對改進(jìn)的算法進(jìn)行訓(xùn)練時，其總損失函數(shù)為：

總損失＝正則化總損失+區(qū)域候選網(wǎng)絡(luò)總損失+快速的基于區(qū)域卷積網(wǎng)絡(luò)總損失；

(1.7.1)、正則化總損失等于所有正則化損失之和；

(1.7.2)、區(qū)域候選網(wǎng)絡(luò)總損失和快速的基于區(qū)域卷積網(wǎng)絡(luò)總損失包括分類損失和回歸損失：區(qū)域候選網(wǎng)絡(luò)總損失＝區(qū)域候選網(wǎng)絡(luò)回歸損失+區(qū)域候選網(wǎng)絡(luò)分類損失，快速的基于區(qū)域卷積網(wǎng)絡(luò)總損失＝快速的基于區(qū)域卷積網(wǎng)絡(luò)回歸損失+快速的基于區(qū)域卷積網(wǎng)絡(luò)分類損失，分類和回歸公式如下：

其中，分類損失公式為：i為整數(shù)，p_i為錨盒預(yù)測為目標(biāo)的概率；為樣本標(biāo)簽的概率；是目標(biāo)和非目標(biāo)兩個類別的對數(shù)損失：

其中回歸損失公式為：是一個向量，表示錨盒，區(qū)域候選網(wǎng)絡(luò)訓(xùn)練階段預(yù)測的偏移量；是與t_i相同維度的向量，表示錨盒,區(qū)域候選網(wǎng)絡(luò)訓(xùn)練階段相對于真實框?qū)嶋H的偏移量：R表示Smooh L1函數(shù)，σ＝3，P^*有物體時為1，沒物體時為0，意味著只用前景才計算損失，背景不計算損失。