一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法技术

本发明专利技术公开了一种基于U‑net网络和SC‑SAM注意力机制的大坝裂缝检测方法，该方法首先收集大坝数据集，并对该数据集进行数据扩充。随后构建深度学习分割网络U‑net模型，并在此基础之上添加SC‑SAM注意力机制，该注意力机制由两个部分构成，CAM提高了特征图中的裂缝通道权重，SAM提高了特征图中空间域上裂缝区域的权重，两者的相互协作使得模型对于大坝裂缝检测的准确度有了极大的提高。将扩充后的数据集分为训练集和测试集，利用训练集带SC‑SAM注意力机制的深度学习分割网络模型进行训练，得到训练好的模型；根据训练好的模型，将测试集输入训练好的模型中进行测试，得到大坝裂缝测试结果。

【技术实现步骤摘要】
一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
本专利技术涉及一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法，属于图像识别

技术介绍
大坝是我国水利建设中的重要组成部分，大坝的安全稳定对于水利建设的发展有着关键性的作用，因此如何高效准确的检测出大坝存在的问题是我们需要面临的一个挑战。基于大坝的基本性质，由于大坝长时间受到水压和雨水冲刷、渗透、侵蚀的影响，极易产生裂缝，而裂缝的存在会导致大坝建筑的恶化、破损与崩塌，因此在大坝存在的各种问题中，裂缝的检测是最需要解决的。对于裂缝的检测方法有很多，如赵芳等人在改进的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在一文中针对路面各种噪声以及细小裂缝和微灰度差异问题，提出了一种基于自适应阈值的裂缝自动检测方法；李良福等人利用滑动窗口算法将桥梁裂缝图像切分为较小的桥梁裂缝面元图像和桥梁背景面元图像,并根据对面元图像的分析,提出一种基于卷积神经网络的DBCC(Deepbridgecrackclassify)分类模型；ShenyuanLi等人针对混凝土表面包含各种类型噪声带来的问题，提出了一种使用深度卷积神经网络(CNN)的基于图像的裂纹检测方法。虽然这些检测方法并没有应用到大坝裂缝的检测中，但是这些方法中提出的一些观点、想法可以在我们检测大坝裂缝图像时提供一些帮助。如ShuangWang等人利用整幅图像重建三维点云模型，然后利用FCN对标注数据进行迭代训练，得到裂纹检测模型，遍历剩余的原始尺寸图像进行裂纹预测；JianghongTang等人为了提高FasterR-CNN模型对多个小目标的检测精度，提出了一种基于FasterR-CNN(ME-FasterR-CNN)的多任务增强大坝裂缝图像检测方法，以适应不同光照环境和长度的大坝裂缝检测；徐辉等人针对传统的裂缝检测算法检测大坝裂缝不能很好地克服水下噪声的问题,提出一种基于图像显著性检测大坝裂缝的方法；蒋小燕等人面对大坝裂缝图像模糊不清、亮度不均、对比度低、随机噪声大等特点，提出了一种基于格子波尔兹曼模型(LBM)大坝裂缝检测方法；由于大坝缺陷图像具有信噪比低、光照分布极度不均匀等特征,分类识别算法的识别率较低，因此毛莺池等人提出了一种基于图像LBP特征和Gabor特征组合与CNN相结合的缺陷图像识别方法。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法，在原始U-net网络的基础上，添加SC-SAM注意力机制，分别从通道域和空间域两个方面对裂缝所在区域进行了权重的提升，为模型识别分割大坝裂缝提供了一种有效的方案。本专利技术为解决上述技术问题采用以下技术方案：一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法，包括如下步骤：步骤1，获取大坝裂缝数据集，包括大坝裂缝的真实图片和与之对应的标签图片，利用图像数据增强技术对大坝数据集进行扩充，得到大坝裂缝样本集；步骤2，构建SC-SAM注意力机制的深度学习分割网络模型；具体如下：所述深度学习分割网络模型包括特征提取的收缩路径和上采样的扩展路径；其中，特征提取的收缩路径具体为：对于模型的输入，在第1层使用两次卷积操作，对第1层输出的特征图进行最大池化后进入第2层，在第2层使用两次卷积操作，对第2层输出的特征图进行最大池化后进入第3层，在第3层使用两次卷积操作，对第3层输出的特征图进行最大池化后进入第4层，在第4层使用两次卷积操作，对第4层输出的特征图进行最大池化后进入第5层，在第5层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；上采样的扩展路径具体为：对经第5层EC-SAM注意力模块输出的特征图进行上采样后进入第6层，将第4层输出的特征图与经第5层EC-SAM注意力模块输出的特征图拼接后作为第6层的输入，在第6层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第6层EC-SAM注意力模块输出的特征图进行上采样后进入第7层，将第3层输出的特征图与经第6层EC-SAM注意力模块输出的特征图拼接后作为第7层的输入，在第7层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第7层EC-SAM注意力模块输出的特征图进行上采样后进入第8层，将第2层输出的特征图与经第7层EC-SAM注意力模块输出的特征图拼接后作为第8层的输入，在第8层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第8层EC-SAM注意力模块输出的特征图进行上采样后进入第9层，在第9层使用三次卷积操作后，模型输出结果；其中，在第1层至第8层使用的卷积操作，选取的卷积核大小均为3*3，步长均为1；在第9层使用的三次卷积操作中，前两次选取的卷积核大小均为3*3，步长均为1，最后一次选取的卷积核大小为1*1；最大池化选取的卷积核大小均为2*2，上采样使用的是反卷积操作，且反卷积选取的卷积核大小均为2*2，第1层至第8层采用的过滤器的个数依次为64、128、256、512、1024、512、256、128，第9层采用的过滤器个数分别为64和2；步骤3，将大坝裂缝样本集分为训练集和测试集，利用训练集对步骤2构建的SC-SAM注意力机制的深度学习分割网络模型进行训练，得到训练好的模型；步骤4，根据训练好的模型，将测试集输入训练好的模型中进行测试，得到大坝裂缝测试结果。作为本专利技术的一种进一步方案，所述步骤4后面还包括步骤5，将步骤4得到的大坝裂缝测试结果与测试集所对应的标签图片中的裂缝位置进行对比，计算评价指标，对测试结果进行评价。作为本专利技术的一种优选方案，所述评价指标，公式如下：其中，f(p,r)表示评价指标，β2取值为0.3，p为正确率，r为召回率。作为本专利技术的一种优选方案，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。作为本专利技术的一种优选方案，步骤2所述在第5层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块具体为：EC-SAM注意力模块包括通道注意力机制和空间注意力机制；其中，通道注意力机制具体为：对于经第5层两次卷积操作后输出的特征图，采用全局平均池化生成第一通道特征图，同时对经第5层两次卷积操作后输出的特征图，采用全局最大池化生成第二通道特征图，对第一通道特征图和第二通道特征图使用add操作进行融合，再使用激活函数后与经第5层两次卷积操作后输出的特征图进行结合，得到通道注意力特征图；空间注意力机制具体为：对通道注意力特征图在通道纬度上进行平均池化即将所有通道的本文档来自技高网...

【技术保护点】
1.一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法，其特征在于，包括如下步骤：/n步骤1，获取大坝裂缝数据集，包括大坝裂缝的真实图片和与之对应的标签图片，利用图像数据增强技术对大坝数据集进行扩充，得到大坝裂缝样本集；/n步骤2，构建SC-SAM注意力机制的深度学习分割网络模型；具体如下：/n所述深度学习分割网络模型包括特征提取的收缩路径和上采样的扩展路径；/n其中，特征提取的收缩路径具体为：对于模型的输入，在第1层使用两次卷积操作，对第1层输出的特征图进行最大池化后进入第2层，在第2层使用两次卷积操作，对第2层输出的特征图进行最大池化后进入第3层，在第3层使用两次卷积操作，对第3层输出的特征图进行最大池化后进入第4层，在第4层使用两次卷积操作，对第4层输出的特征图进行最大池化后进入第5层，在第5层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；/n上采样的扩展路径具体为：对经第5层EC-SAM注意力模块输出的特征图进行上采样后进入第6层，将第4层输出的特征图与经第5层EC-SAM注意力模块输出的特征图拼接后作为第6层的输入，在第6层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第6层EC-SAM注意力模块输出的特征图进行上采样后进入第7层，将第3层输出的特征图与经第6层EC-SAM注意力模块输出的特征图拼接后作为第7层的输入，在第7层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第7层EC-SAM注意力模块输出的特征图进行上采样后进入第8层，将第2层输出的特征图与经第7层EC-SAM注意力模块输出的特征图拼接后作为第8层的输入，在第8层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第8层EC-SAM注意力模块输出的特征图进行上采样后进入第9层，在第9层使用三次卷积操作后，模型输出结果；/n其中，在第1层至第8层使用的卷积操作，选取的卷积核大小均为3*3，步长均为1；在第9层使用的三次卷积操作中，前两次选取的卷积核大小均为3*3，步长均为1，最后一次选取的卷积核大小为1*1；最大池化选取的卷积核大小均为2*2，上采样使用的是反卷积操作，且反卷积选取的卷积核大小均为2*2，第1层至第8层采用的过滤器的个数依次为64、128、256、512、1024、512、256、128，第9层采用的过滤器个数分别为64和2；/n步骤3，将大坝裂缝样本集分为训练集和测试集，利用训练集对步骤2构建的带SC-SAM注意力机制的深度学习分割网络模型进行训练，得到训练好的模型；/n步骤4，根据训练好的模型，将测试集输入训练好的模型中进行测试，得到大坝裂缝测试结果。/n...

【技术特征摘要】
1.一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法，其特征在于，包括如下步骤：
步骤1，获取大坝裂缝数据集，包括大坝裂缝的真实图片和与之对应的标签图片，利用图像数据增强技术对大坝数据集进行扩充，得到大坝裂缝样本集；
步骤2，构建SC-SAM注意力机制的深度学习分割网络模型；具体如下：
所述深度学习分割网络模型包括特征提取的收缩路径和上采样的扩展路径；
其中，特征提取的收缩路径具体为：对于模型的输入，在第1层使用两次卷积操作，对第1层输出的特征图进行最大池化后进入第2层，在第2层使用两次卷积操作，对第2层输出的特征图进行最大池化后进入第3层，在第3层使用两次卷积操作，对第3层输出的特征图进行最大池化后进入第4层，在第4层使用两次卷积操作，对第4层输出的特征图进行最大池化后进入第5层，在第5层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；
上采样的扩展路径具体为：对经第5层EC-SAM注意力模块输出的特征图进行上采样后进入第6层，将第4层输出的特征图与经第5层EC-SAM注意力模块输出的特征图拼接后作为第6层的输入，在第6层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第6层EC-SAM注意力模块输出的特征图进行上采样后进入第7层，将第3层输出的特征图与经第6层EC-SAM注意力模块输出的特征图拼接后作为第7层的输入，在第7层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第7层EC-SAM注意力模块输出的特征图进行上采样后进入第8层，将第2层输出的特征图与经第7层EC-SAM注意力模块输出的特征图拼接后作为第8层的输入，在第8层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第8层EC-SAM注意力模块输出的特征图进行上采样后进入第9层，在第9层使用三次卷积操作后，模型输出结果；
其中，在第1层至第8层使用的卷积操作，选取的卷积核大小均为3*3，步长均为1；在第9层使用的三次卷积操作中，前两次选取的卷积核大小均为3*3，步长均为1，最后一次选取的卷积核大小为1*1；最大池化选取的卷积核大小均为2*2，上采样使用的是反卷积操作，且反卷积选取的卷积核大小均为2*2，第1层至第8层采用的过滤器的个数依次为64、128、256、512、1024、512...

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