[發明專利]一種基于改進殘差網絡的鐵路隧道裂縫檢測方法

在審

• 申請號: 202110041556.5
• 申請日: 2021-01-13
• 公開（公告）號: CN112734734A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 饒志強;常惠;李益晨;李子仡;趙玉林
• 申請（專利權）人: 北京聯合大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京馳納智財知識產權代理事務所(普通合伙) 11367
• 代理人: 李佳佳

1.一種基于改進殘差網絡的鐵路隧道裂縫檢測方法，包括收集鐵路隧道裂縫圖像并得到鐵路隧道裂縫檢測數據集，其特征在于，還包括以下步驟：

步驟1：對所述鐵路隧道裂縫檢測數據集中的圖像進行增強處理并將所述圖像隨機劃分為訓練集和測試集；

步驟2：對殘差網絡結構進行改進，用訓練集中的圖像對改進后的殘差網絡進行訓練，通過訓練不斷優化殘差網絡結構，訓練完成后用測試集圖像測試殘差網絡的準確率；

步驟3：用訓練后的殘差網絡結構對鐵路隧道圖像進行裂縫分類檢測。

2.如權利要求1所述的基于改進殘差網絡的鐵路隧道裂縫檢測方法，其特征在于，在空間金字塔池化下進行空洞卷積，構建金字塔空洞卷積模塊，通過聚集小的區域來區分圖像中的類別，在該模型中，假設輸入為X，輸出為Y，則Y可用以下公式表示：

其中，Dilatel-Dilate3用來表示擴張的卷積核；Conv1-Conv4用來表示普通的卷積核；F₁、F₂和F₃表示以不同的速率進行卷積后產生的輸出；表示卷積；{}表示級聯算法。

3.如權利要求2所述的基于改進殘差網絡的鐵路隧道裂縫檢測方法，其特征在于，所述金字塔空洞卷積模塊的工作方法為并行采用不同擴張率的空洞卷積層以多個比例來獲取裂縫像素特征以及隧道裂縫圖像的上下文信息，利用并聯的空洞卷積進行提取圖像裂縫特征，然后對提取到的特征進行融合。

4.如權利要求3所述的基于改進殘差網絡的鐵路隧道裂縫檢測方法，其特征在于，所述金字塔空洞卷積模塊下的空洞卷積是一種特殊的卷積方式，在不降低特征圖分辨率的情況下增加卷積核的接收范圍，用于多尺度特征圖像的提取。

5.如權利要求4所述的基于改進殘差網絡的鐵路隧道裂縫檢測方法，其特征在于，所述空洞卷積在卷積的時候，會在卷積核元素之間加入空格，若原來的卷積核大小為k，空洞卷積的一個新的超參數為d，那么加入(d-1)個空格后的卷積核大小n的計算公式為：

n＝k+(k-1)*(d-1)

假定輸入空洞卷積的大小為i，步長為s，填充的像素數為p，空洞卷積后特征圖大小o的計算公式為：

6.如權利要求5所述的基于改進殘差網絡的鐵路隧道裂縫檢測方法，其特征在于，所述步驟3包括利用改進的所述殘差網絡結構對所述鐵路隧道裂縫數據集進行訓練及提取特征，在分類之前進行特征的整合，對實驗的結果進行分類。

7.如權利要求6所述的基于改進殘差網絡的鐵路隧道裂縫檢測方法，其特征在于，所述步驟3還包括對實驗的結果進行分類時采用Softmax分類器，預測函數的公式為：

其中，f_θ(x⁽ⁱ⁾)表示最終預測的樣本屬于某個類別的概率，θ表示模型的參數，P表示估計x的每一種分類結果出現的概率，y⁽ⁱ⁾表示預測的標簽，x⁽ⁱ⁾表示給定的測試值，j表示真實的標簽，k表示樣本的類別數，表示對所有的概率值進行歸一化操作。

8.如權利要求7所述的基于改進殘差網絡的鐵路隧道裂縫檢測方法，其特征在于，所述步驟3還包括通過損失函數角度提高識別精度，設計基于度量學習的損失函數衡量圖像的特征之間的差異性，其計算公式如下：

Loss_r＝max(‖f(A)-f(B)‖²-‖f(A)-f(N)‖²+C,0)

其中，Loss_r代表度量學習的損失函數，A代表目標樣本的特征，B代表提取的圖像特征，N代表與A不同類別的特征，C代表大于0的數，max(x,0)代表當其輸入x小于0時，max(x,0)的輸出為0，x大于0時，max(x,0)的輸出為x。