一种基于多源Unet+Attention网络迁移的道路裂缝检测方法技术

本发明专利技术公开了一种基于多源Unet+Attention网络迁移的道路裂缝检测方法，该方法首先收集道路、墙壁、桥梁和大坝的裂缝数据集，并对这些数据集进行数据扩充，构建深度学习分割网络Unet模型，将大坝、墙壁和桥梁的数据集导入到模型中进行训练，并将生成的模型参数进行迁移学习。迁移后的模型在Unet的基础之上添加了Attention机制，提高裂缝检测的准确度，将之前的模型参数导入其中，并用道路裂缝数据集进行训练，生成多个模型，对这些模型进行模型融合计算，进一步提高道路裂缝检测的准确度。

【技术实现步骤摘要】
一种基于多源Unet+Attention网络迁移的道路裂缝检测方法
本专利技术涉及一种多模型融合的道路裂缝检测方法，特别是涉及一种基于多源Unet+Attention网络迁移的道路裂缝检测方法，属于道路裂缝检测

技术介绍
道路作为国内最为基础的交通设施，在国家建设发展等方面有着不可代替的作用。因此道路裂缝的存在对于个人和国家来说都是一种极大的隐患，如何高效正确的将道路裂缝检测出来成了我们需要面对的一个难题。而且道路图像容易受到光、影等因素的干扰，这对于裂缝的检测无疑又增加了新的困难。目前，对裂缝检测的方式主要分为两大类：传统检测与深度学习。赵芳等人在改进的Canny算子在裂缝检测中的应用一文中针对于噪声与边缘检测精度问题，提出了一种新的Canny边缘检测方法(将多尺度形态学和双边滤波结合)；周慧媛等人在基于对比度受限自适应直方图多种路面裂缝检测与识别一文中提出了一种新的路面检测与识别方法(利用CLAHE和中值滤波去噪，利用形态学去伪裂缝)；韦春桃等人在基于自适应阈值的细小裂缝与微灰度差异裂缝自动检测方法一文中针对路面各种噪声以本文档来自技高网...

【技术保护点】
1.一种基于多源Unet+Attention网络迁移的道路裂缝检测方法，其特征在于，包括如下步骤：/n步骤1，获取数据集，包括道路裂缝、墙壁裂缝、桥梁裂缝及大坝裂缝的真实图片和与之对应的标签图片，并利用图像数据增强技术对数据集进行扩充，得到道路裂缝、墙壁裂缝、桥梁裂缝及大坝裂缝样本集；/n步骤2，构建深度学习分割网络模型；/n步骤3，利用墙壁裂缝、桥梁裂缝及大坝裂缝样本集分别对深度学习分割网络模型进行训练，得到墙壁裂缝、桥梁裂缝及大坝裂缝样本集各自对应的模型参数；/n步骤4，构建新的深度学习分割网络模型，并利用迁移学习分别将墙壁裂缝、桥梁裂缝及大坝裂缝样本集各自对应的模型参数进行迁移，得到三个...

【技术特征摘要】
1.一种基于多源Unet+Attention网络迁移的道路裂缝检测方法，其特征在于，包括如下步骤：
步骤1，获取数据集，包括道路裂缝、墙壁裂缝、桥梁裂缝及大坝裂缝的真实图片和与之对应的标签图片，并利用图像数据增强技术对数据集进行扩充，得到道路裂缝、墙壁裂缝、桥梁裂缝及大坝裂缝样本集；
步骤2，构建深度学习分割网络模型；
步骤3，利用墙壁裂缝、桥梁裂缝及大坝裂缝样本集分别对深度学习分割网络模型进行训练，得到墙壁裂缝、桥梁裂缝及大坝裂缝样本集各自对应的模型参数；
步骤4，构建新的深度学习分割网络模型，并利用迁移学习分别将墙壁裂缝、桥梁裂缝及大坝裂缝样本集各自对应的模型参数进行迁移，得到三个迁移后的深度学习分割网络模型，对每个迁移后的深度学习分割网络模型的上采样部分加入Attention机制，得到三个新的模型；
步骤5，将道路裂缝样本集分为训练集和测试集，利用训练集依次对三个新的模型进行训练，得到三个训练好的模型；
步骤6，利用三个训练好的模型分别对测试集进行预测，得到三组预测图像，对三组预测图像进行二值化处理后，再进行融合操作，得到最终的预测图像。


2.根据权利要求1所述基于多源Unet+Attention网络迁移的道路裂缝检测方法，其特征在于，步骤1所述图像数据增强技术包括旋转、平移、投影变换、缩放、翻转和像素填充。


3.根据权利要求1所述基于多源Unet+Attention网络迁移的道路裂缝检测方法，其特征在于，步骤2所述深度学习分割网络模型包括收缩路径和扩展路径，其中，收缩路径具体为：对于输入的图像，在第1层使用两次卷积操作，对第1层输出的特征图进行池化后进入第2层，在第2层使用...

【专利技术属性】
技术研发人员：刘凡，王君锋，陈峙宇，许峰，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32