[發(fā)明專利]一種基于改進(jìn)PSPNet網(wǎng)絡(luò)的橋梁裂縫檢測方法

在審

• 申請?zhí)枺?/td>: 202011306106.6
• 申請日: 2020-11-20
• 公開（公告）號: CN112560895A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計）人: 李良福;王楠;張晰
• 申請（專利權(quán)）人: 陜西師范大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安智萃知識產(chǎn)權(quán)代理有限公司 61221
• 代理人: 方力平

1.一種基于改進(jìn)PSPNet網(wǎng)絡(luò)的橋梁裂縫檢測方法，其特征在于：包括以下步驟：

步驟一：對采集到橋梁裂縫圖像數(shù)據(jù)進(jìn)行歸一化處理，形成數(shù)據(jù)集合，并對光照不足的圖像進(jìn)行拉普拉斯銳化；

步驟二：對處理后的橋梁裂縫圖像數(shù)據(jù)集合進(jìn)行幾何變換擴(kuò)充；并將集合劃分為訓(xùn)練集、驗證集與測試集；

步驟三：建立結(jié)構(gòu)為SPAM模塊與金字塔池化層并聯(lián)的檢測模型，并進(jìn)行訓(xùn)練，檢測模型使用ResNet-50作為特征提取網(wǎng)絡(luò)；采用擴(kuò)張卷積來作為殘差網(wǎng)絡(luò)內(nèi)部的下采樣層保持特征圖的空間分辨率，進(jìn)行提取裂縫特征圖；

步驟四：將提取后的裂縫特征圖分別送入到金字塔池化層和SPAM模塊中進(jìn)行處理；

步驟五：將金字塔池化層和SPAM模塊得到的特征圖進(jìn)行融合，經(jīng)過解碼模塊得到最終的橋梁裂縫分割圖。

2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)PSPNet網(wǎng)絡(luò)的橋梁裂縫檢測方法，其特征在于：所述金字塔池化層包含四個池化層，其大小分別為1×1、2×2、3×3和6×6，然后分別在這些子區(qū)域內(nèi)使用全局平均池化，提取局部特征，對每層池化使用1×1卷積降維之后，然后通過雙線性插值對低維的特征圖進(jìn)行上采樣，得到與輸入特征圖相同尺寸的特征圖，并且在通道上將不同層級的特征圖進(jìn)行拼接得到處理后的特征圖。

3.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)PSPNet網(wǎng)絡(luò)的橋梁裂縫檢測方法，其特征在于：所述SPAM模塊處理方式為：首先將使用擴(kuò)張卷積的殘差網(wǎng)絡(luò)提取出的局部特征A∈R^C×H×W分別送入到三個1×1卷積層中；產(chǎn)生的三個新的特征圖B、C、D，大小均為R^C×N；將B和C重塑為R^N×C，其中N＝H×W，表示像素點的數(shù)目；同時將C的轉(zhuǎn)置R^N×C和B進(jìn)行矩陣乘法得到S∈R^N×N，再進(jìn)行softmax運算，得到空間注意力映射矩陣：

式中：B_i代表矩陣B中的第i個元素，C_j代表矩陣C中第j個元素，s_ji代表第i個位置的特征對第j個位置的影響，接著將D也重塑為R^C×N，與S的轉(zhuǎn)置矩陣R^N×N進(jìn)行矩陣乘法，再乘上自注意力系數(shù)α，將其結(jié)果重塑為R^C×H×W；最后與特征圖A∈R^C×H×W進(jìn)行逐元素相加得到輸出E∈R^C×H×W，再經(jīng)過一個卷積層得到最終輸出：

其中α為自注意力參數(shù)，初始化為0，通過網(wǎng)絡(luò)訓(xùn)練逐漸學(xué)習(xí)得到更大的權(quán)重，其中得到的每個位置的特征E是所有位置的特征與原始特征的加權(quán)和。

4.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)PSPNet網(wǎng)絡(luò)的橋梁裂縫檢測方法，其特征在于：所述檢測模型的訓(xùn)練選擇隨機(jī)梯度下降算法進(jìn)行優(yōu)化，Batch-size設(shè)置為16，初始學(xué)習(xí)率設(shè)為0.01，動量設(shè)置為0.9，權(quán)重衰減為0.0005；訓(xùn)練時采用Ploy學(xué)習(xí)策略，最小學(xué)習(xí)率設(shè)為1e-4；采用二分類交叉熵作為分割網(wǎng)絡(luò)的損失函數(shù)，二分類交叉熵?fù)p失函數(shù)如下所示，r_i表示像素點的真實值；p_i表示像素點i預(yù)測值的概率，N為圖像像素點總數(shù)目采用Dice損失函數(shù)作為輔助損失函數(shù)，S為Dice系數(shù)，表示兩個區(qū)域的相似程度，其中A為真實值，B為預(yù)測值，

Dice loss可以表示為：

p_i為像素點i的預(yù)測值，r_i為像素點i的真實值；因此得到L_t為總損失，L_bce為二分類交叉熵?fù)p失，L_dice為Dice損失，則L_t＝L_bce+L_dice。