【技术实现步骤摘要】
基于深度级联的多尺度激励机制隧道表面缺陷分割方法
本专利技术涉及一种隧道表面缺陷分割方法，特别是一种基于深度级联的多尺度激励机制隧道表面缺陷分割方法，属于计算机视觉、图像处理领域。
技术介绍
近年来，随着我国社会的进步、经济的发展，基础设施建设的规模越来越大，地铁也慢慢成为人们的主要出行工具。地铁的运行安全不仅与人民的生命安全息息相关,也直接影响国家财产安全,因此,将自动化监测技术运用到地铁隧道监测中,不仅可以为地铁的安全运行提供保障,还能够实时监测隧道情况,排除安全隐患,降低事故发生率。但目前已有的裂缝识别分割方法大多依赖于人工巡检，不仅检测效率低，速度慢，而且具有极大的主观性。而深度学习算法，可以克服使用传统图像处理进行缺陷分割的现有限制。具体来说，深度学习已经成功地应用于图像分类等识别任务，同时具有高度的抽象(概括)和学习能力，提取图像中抽象的语义特征，这些特征是分割混凝土裂缝等损伤的关键。相对于传统提取图像特征的方法，卷积神经网络对待分割目标具有更强的表达能力。
技术实现思路
本专利技术所...
【技术保护点】
1.一种基于深度级联的多尺度激励机制隧道表面缺陷分割方法，其特征在于包含以下步骤：/n步骤一：采集原始裂缝图像，对图像进行预处理，建立并扩充图像数据集，从扩充后的图像数据集中划分出训练集和测试集；/n步骤二：构建深度级联神经网络，以Resnet16网络为基础，全部剔除Resnet16的批正则化层BN，所有的卷积块替换成多尺度激励模块，同时将网络模型进行级联；/n步骤三：训练全卷积神经网络，采用训练集样本对步骤二构建的深度级联神经网络进行训练，经过前向传播后逐像素计算Softmax分类的损失，根据计算出的loss值来更新网络的权重,当网络模型趋向于收敛时，停止训练模型并且保存...
【技术特征摘要】
1.一种基于深度级联的多尺度激励机制隧道表面缺陷分割方法，其特征在于包含以下步骤：
步骤一：采集原始裂缝图像，对图像进行预处理，建立并扩充图像数据集，从扩充后的图像数据集中划分出训练集和测试集；
步骤二：构建深度级联神经网络，以Resnet16网络为基础，全部剔除Resnet16的批正则化层BN，所有的卷积块替换成多尺度激励模块，同时将网络模型进行级联；
步骤三：训练全卷积神经网络，采用训练集样本对步骤二构建的深度级联神经网络进行训练，经过前向传播后逐像素计算Softmax分类的损失，根据计算出的loss值来更新网络的权重,当网络模型趋向于收敛时，停止训练模型并且保存模型的权重；
步骤四：裂缝识别效果测试，利用步骤三中训练好的深度级联神经网络模型，将测试集中的样本输入网络模型中，生成裂缝分割结果图；
步骤五：图像识别应用，将待分割图像输入完成测试的深度级联神经网络模型中，深度级联网络自动输出隧道表面缺陷分割结果。
2.按照权利要求1所述的一种基于深度级联的多尺度激励机制隧道表面缺陷分割方法，其特征在于：所述步骤一中，图像预处理过程为采用高斯滤波器，对原始裂缝图像进行初步处理，滤除干扰噪声提升图像质量。
3.按照权利要求1所述的一种基于深度级联的多尺度激励机制隧道表面缺陷分割方法，其特征在于：所述步骤一中，将预处理后的图像数据随机打乱顺序，随机从中选取60％作为训练集，随机选20％作为验证集，剩余20％作为测试集。
4.按照权利要求1所述的一种基于深...
【专利技术属性】
技术研发人员：汪俊，冯一箪，李大伟，魏明强，刘树亚，李虎，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。