[發明專利]一種基于U-net網絡和SC-SAM注意力機制的大壩裂縫檢測方法

有效

• 申請號: 202011049216.9
• 申請日: 2020-09-29
• 公開（公告）號: CN112232391B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 劉凡;王君鋒;陳峙宇
• 申請（專利權）人: 河海大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/771;G06K9/62;G06N3/04;G06T7/00;G06T7/11
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 姜慧勤

1.一種基于U-net網絡和SC-SAM注意力機制的大壩裂縫檢測方法，其特征在于，包括如下步驟：

步驟1，獲取大壩裂縫數據集，包括大壩裂縫的真實圖片和與之對應的標簽圖片，利用圖像數據增強技術對大壩數據集進行擴充，得到大壩裂縫樣本集；

步驟2，構建SC-SAM注意力機制的深度學習分割網絡模型；具體如下：

所述深度學習分割網絡模型包括特征提取的收縮路徑和上采樣的擴展路徑；

其中，特征提取的收縮路徑具體為：對于模型的輸入，在第1層使用兩次卷積操作，對第1層輸出的特征圖進行最大池化后進入第2層，在第2層使用兩次卷積操作，對第2層輸出的特征圖進行最大池化后進入第3層，在第3層使用兩次卷積操作，對第3層輸出的特征圖進行最大池化后進入第4層，在第4層使用兩次卷積操作，對第4層輸出的特征圖進行最大池化后進入第5層，在第5層使用兩次卷積操作，在兩次卷積操作之后加上EC-SAM注意力模塊；

上采樣的擴展路徑具體為：對經第5層EC-SAM注意力模塊輸出的特征圖進行上采樣后進入第6層，將第4層輸出的特征圖與經第5層EC-SAM注意力模塊輸出的特征圖拼接后作為第6層的輸入，在第6層使用兩次卷積操作，在兩次卷積操作之后加上EC-SAM注意力模塊；對經第6層EC-SAM注意力模塊輸出的特征圖進行上采樣后進入第7層，將第3層輸出的特征圖與經第6層EC-SAM注意力模塊輸出的特征圖拼接后作為第7層的輸入，在第7層使用兩次卷積操作，在兩次卷積操作之后加上EC-SAM注意力模塊；對經第7層EC-SAM注意力模塊輸出的特征圖進行上采樣后進入第8層，將第2層輸出的特征圖與經第7層EC-SAM注意力模塊輸出的特征圖拼接后作為第8層的輸入，在第8層使用兩次卷積操作，在兩次卷積操作之后加上EC-SAM注意力模塊；對經第8層EC-SAM注意力模塊輸出的特征圖進行上采樣后進入第9層，在第9層使用三次卷積操作后，模型輸出結果；

其中，在第1層至第8層使用的卷積操作，選取的卷積核大小均為3*3，步長均為1；在第9層使用的三次卷積操作中，前兩次選取的卷積核大小均為3*3，步長均為1，最后一次選取的卷積核大小為1*1；最大池化選取的卷積核大小均為2*2，上采樣使用的是反卷積操作，且反卷積選取的卷積核大小均為2*2，第1層至第8層采用的過濾器的個數依次為64、128、256、512、1024、512、256、128，第9層采用的過濾器個數分別為64和2；

步驟3，將大壩裂縫樣本集分為訓練集和測試集，利用訓練集對步驟2構建的帶SC-SAM注意力機制的深度學習分割網絡模型進行訓練，得到訓練好的模型；

步驟4，根據訓練好的模型，將測試集輸入訓練好的模型中進行測試，得到大壩裂縫測試結果。

2.根據權利要求1所述基于U-net網絡和SC-SAM注意力機制的大壩裂縫檢測方法，其特征在于，所述步驟4后面還包括步驟5，將步驟4得到的大壩裂縫測試結果與測試集所對應的標簽圖片中的裂縫位置進行對比，計算評價指標，對測試結果進行評價。

3.根據權利要求2所述基于U-net網絡和SC-SAM注意力機制的大壩裂縫檢測方法，其特征在于，所述評價指標，公式如下：

其中，f(p,r)表示評價指標，β²取值為0.3，p為正確率，r為召回率。

4.根據權利要求1所述基于U-net網絡和SC-SAM注意力機制的大壩裂縫檢測方法，其特征在于，步驟1所述圖像數據增強技術包括旋轉、平移、投影變換、縮放、翻轉和像素填充。

5.根據權利要求1所述基于U-net網絡和SC-SAM注意力機制的大壩裂縫檢測方法，其特征在于，步驟2所述在第5層使用兩次卷積操作，在兩次卷積操作之后加上EC-SAM注意力模塊具體為：

EC-SAM注意力模塊包括通道注意力機制和空間注意力機制；

其中，通道注意力機制具體為：對于經第5層兩次卷積操作后輸出的特征圖，采用全局平均池化生成第一通道特征圖，同時對經第5層兩次卷積操作后輸出的特征圖，采用全局最大池化生成第二通道特征圖，對第一通道特征圖和第二通道特征圖使用add操作進行融合，再使用激活函數后與經第5層兩次卷積操作后輸出的特征圖進行結合，得到通道注意力特征圖；

空間注意力機制具體為：對通道注意力特征圖在通道緯度上進行平均池化即將所有通道的空間特征相加取平均，得到一個二維的特征，對通道注意力特征圖在通道緯度上進行最大池化即選擇出特征值最大的通道的空間特征，得到另一個二維的特征，將上述兩個二維的特征進行拼接，拼為通道數為2的特征圖，使用二維卷積核對該特征圖進行卷積操作，得到特征圖上與裂縫對應的空間單元的權重，并與通道注意力特征圖進行結合，得到新的特征圖。