[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: 南京蘇高專利商標事務(wù)所(普通合伙) 32204
• 代理人: 曹坤

本發(fā)明公開一種基于FPN結(jié)構(gòu)的大壩裂縫檢測算法，屬于目標檢測領(lǐng)域算法。具體步驟：(1)、采集大壩裂縫樣本和相似的裂縫樣本，擴大樣本數(shù)量；(2)、將FPN結(jié)合多種目標檢測算法和特征提取網(wǎng)絡(luò)，實驗結(jié)果進行對比；(3)、使用ROI Align代替ROI Pooling，避免量化取整導(dǎo)致的精度損失；(4)、設(shè)計一個從下向上的網(wǎng)絡(luò)結(jié)構(gòu)，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；(5)、將其中的NMS函數(shù)替換為Soft?NMS函數(shù)，優(yōu)化算法對密集物體檢測的檢測效果；(6)、針對小目標設(shè)計新的anchor大小，比例和數(shù)量。本發(fā)明對小裂縫的識別準確率要更高，可以更好地檢測出圖片中的小裂縫。

技術(shù)領(lǐng)域

本發(fā)明涉及目標檢測領(lǐng)域，具體涉及一種基于FPN(特征金字塔網(wǎng)絡(luò))結(jié)構(gòu)的改進目標檢測算法，并應(yīng)用于大壩裂縫的檢測。

背景技術(shù)

我國水資源豐富，擁有數(shù)量眾多的水庫大壩，這些大壩保衛(wèi)著人民的生命財產(chǎn)安全；然而，隨著時間、氣候、溫度等因素的變化，大壩表面會產(chǎn)生裂縫，威脅大壩安全。因此，及時有效地檢測出裂縫的存在是保護大壩安全的重要手段。

基于機器學(xué)習(xí)的大壩裂縫檢測方法，可以快速準確地檢測出大壩存在的裂縫，而這種方法需要許多的訓(xùn)練樣本，且要求訓(xùn)練樣本與測試樣本同分布。為滿足以上要求，本文采用了遷移學(xué)習(xí)的方法，收集了大量的與大壩裂縫相近的樣本，進行預(yù)訓(xùn)練，解決大壩裂縫樣本不足的問題。

FPN(Feature Pyramid Networks)，特征金字塔網(wǎng)絡(luò)。原來多數(shù)的目標檢測算法都是只采用頂層特征做預(yù)測，但低層的特征語義信息比較少，但是目標位置準確；高層的特征語義信息比較豐富，但是目標位置比較粗略；另外雖然也有些算法采用多尺度特征融合的方式，但是一般是采用融合后的特征做預(yù)測，而FPN不一樣的地方在于預(yù)測是在不同特征層獨立進行的；FPN是一個特征金字塔，具有很好的泛化能力，可以被利用到很多深度學(xué)習(xí)網(wǎng)絡(luò)中，用于目標檢測、實例分割等。

Faster R-CNN算法(更快的基于區(qū)域的卷積網(wǎng)絡(luò)算法)是機器學(xué)習(xí)中，目標檢測領(lǐng)域廣泛使用的算法；Faster R-CNN利用RPN(區(qū)域候選網(wǎng)絡(luò))來產(chǎn)生候選區(qū)域，通過RPN產(chǎn)生的Region Proposal(候選區(qū)域)映射到特征圖中再作為ROI Pooling(感興趣區(qū)域池化)池化層的輸入；RPN通過標注來學(xué)習(xí)預(yù)測跟真實邊界框更相近的提議區(qū)域，從而減小提議區(qū)域的數(shù)量同時保證最終模型的預(yù)測精度；該算法準確度高，容易實現(xiàn)，容易遷移，在目標檢測的問題上表現(xiàn)很好。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明提供了一種基于FPN結(jié)構(gòu)的大壩裂縫檢測算法，實現(xiàn)一種對小目標識別準確率較高的算法，將其用于檢測大壩裂縫，提高小裂縫的識別準確率。

本發(fā)明的技術(shù)方案是：一種基于FPN結(jié)構(gòu)的大壩裂縫檢測算法，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，擴大樣本的數(shù)量；

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

步驟(1.3)、使用感興趣區(qū)域校準用(ROI Align)代替感興趣區(qū)域池化(ROIPooling)，避免量化取整導(dǎo)致的精度損失，準確標注目標的位置；

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(NMS)函數(shù)替換為緩和的非極大值抑制(Soft-NMS)函數(shù)，優(yōu)化算法對密集物體檢測的檢測效果；

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