[發明專利]一種裂縫銹蝕自動識別方法及系統

在審

• 申請號: 202211267017.4
• 申請日: 2022-10-17
• 公開（公告）號: CN115564739A
• 公開（公告）日: 2023-01-03
• 發明（設計）人: 趙盈皓;胡賀松;季璇;丁威;蘇定立
• 申請（專利權）人: 廣州建設工程質量安全檢測中心有限公司;廣州建筑股份有限公司;廣州市建筑科學研究院集團有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08;H04L65/60
• 代理公司: 深圳國海智峰知識產權代理事務所(普通合伙) 44489
• 代理人: 劉軍鋒

1.一種裂縫銹蝕自動識別方法，其特征在于，所述方法包括：

裂縫銹蝕自動檢測設備采集建筑表觀圖像，將所述建筑表觀圖像輸入至壓縮采樣模型后得到圖像壓縮值，并將所述圖像壓縮值傳輸至后臺終端；

所述后臺終端將接收到的圖像壓縮值輸入至圖像重構模型，得到重構后建筑表觀圖像，并將所述重構后建筑表觀圖像輸入至裂縫銹蝕識別模型進行裂縫銹蝕識別檢測；

所述壓縮采樣模型、圖像重構模型以及裂縫銹蝕識別模型，為根據聯合訓練策略，對預設的壓縮采樣神經網絡、圖像重構神經網絡以及裂縫銹蝕檢測神經網絡進行聯合訓練得到。

2.根據權利要求1所述的裂縫銹蝕自動識別方法，其特征在于，所述根據聯合訓練策略，對預設的壓縮采樣神經網絡、圖像重構神經網絡以及裂縫銹蝕檢測神經網絡進行聯合訓練包括：

對所述壓縮采樣神經網絡和圖像重構神經網絡進行第一次預訓練，在訓練過程中保持所述圖像重構神經網絡的損失值收斂至少30個訓練周期；

對所述裂縫銹蝕檢測神經網絡進行第二次預訓練；

在第一次預訓練、第二次預訓練完成后，對所述壓縮采樣神經網絡、圖像重構神經網絡以及裂縫銹蝕檢測神經網絡的網絡參數進行聯合微調，在訓練過程中保持所述圖像重構神經網絡以及裂縫銹蝕檢測神經網絡的損失值分別收斂至少50個訓練周期，直至所述圖像重構神經網絡以及裂縫銹蝕檢測神經網絡的損失值小于對應的預設損失閾值，結束訓練，保存所述壓縮采樣神經網絡、圖像重構神經網絡以及裂縫銹蝕檢測神經網絡的當前網絡參數，得到壓縮采樣模型、圖像重構模型以及裂縫銹蝕識別模型。

3.根據權利要求1所述的裂縫銹蝕自動識別方法，其特征在于，所述壓縮采樣神經網絡包括主干路徑和旁支路徑，主干路徑包括依次連接的第一卷積層、第一批歸一化層、第一ReLU層、第二卷積層、第二批歸一化層、第二ReLU層；

所述旁支路徑包括卷積降采樣層，所述卷積降采樣層分別與所述第一卷積層、第二卷積層連接。

4.根據權利要求1所述的裂縫銹蝕自動識別方法，其特征在于，所述第一卷積層的卷積核為3*3、步長為2、輸出維度為32；所述第二卷積層的卷積核為3*3、步長為2、輸出維度為64；所述卷積降采樣層的卷積核為1*1、步長為4、輸出維度為64。

5.根據權利要1所述的裂縫銹蝕自動識別方法，其特征在于，所述圖像重構神經網絡包括初步恢復網絡結構以及殘差網絡結構，其中：

所述初步恢復網絡結構包括單層反卷積上采樣層，所述初步恢復網絡結構用于將所述圖像壓縮值初步恢復至低分辨率圖像；

所述殘差網絡結構包括依次連接的第三卷積層、第三批歸一化層、第三ReLU層、第四卷積層、第四批歸一化層、第四ReLU層以及第五卷積層，所述第三卷積層與所述單層反卷積上采樣層連接，所述殘差網絡結構用于將低分辨率圖像優化為高清圖像。

6.根據權利要求1所述的裂縫銹蝕自動識別方法，其特征在于，所述第三卷積層的卷積核為3*3、步長為1、輸出維度為32；所述第四卷積層的卷積核為3*3、步長為1、輸出維度為16；所述第五卷積層的卷積核為1*1、步長為1、輸出維度為3。