一种基于递归注意力机制的裂纹检测的方法及装置制造方法及图纸

本发明专利技术公开了一种基于递归注意力机制的裂纹检测的方法，包括以下步骤：采集裂纹图片，通过U

【技术实现步骤摘要】
一种基于递归注意力机制的裂纹检测的方法及装置


[0001]本专利技术属于计算机视觉图像的分割领域，具体涉及一种基于递归注意力机制的裂纹检测的方法及装置。

技术介绍

[0002]图像裂纹的检测(Image crack detection)，是语义分割(Semantic Segmentation)的一个特殊领域，裂纹检测的目的是区分图片中裂纹的位置，用来进行异常识别。例如，桥梁底部/道路裂纹检测可以识别裂纹在哪里并提醒进行维护。电致发光可以判断裂纹是否在太阳能电池或电池组件中。因此，裂纹检测已广泛应用于许多实际场景中，发挥着重要作用。
[0003]通常，裂纹检测任务似乎与边缘检测，语义分割具有相似的目的。实际上，边缘检测算子(例如Sobel，Laplace，Canny和其中的某些增强版本)被广泛地直接用于图像中的裂纹分割。这些基于边缘算子的检测方法通过依赖于准确选择阈值的梯度分布来区分裂纹或背景。考虑到全局和局部梯度可能彼此不同，选择阈值不能正确地表示整个图像梯度分布，因此基于手工特征学习的边缘算子处理复杂的真实世界图像的性能有限。在深度卷积神经网络(CNN)成功的基础上，一些先进的语义分割方法被应用于端到端。Xie充分利用CNN的边缘检测任务中，以学习层次图像表示(HED)来指导边界检测。Liu引入了更丰富的卷积特征(RCF)，以通过使用丰富的纹理信息来提高检测性能。Yang进一步使用特征金字塔和层次增强网络来检测路面裂缝。该方法学习了从局部斑块到全局图像的多尺度特征以检测边缘，并在道路裂缝上获得了令人满意的结果。
[0004]最近，U
‑
Net被提议用于大量的分割任务中，并获得了令人印象深刻的结果。由于U
‑
Net自然使用多尺度信息进行表示，因此对于分割任务而言，它表现得很强大。Cheng通过U
‑
Net在像素级别检测到裂缝，并取得了良好的效果。但是，与包含丰富纹理信息的普通图像不同，桥梁底部或道路裂缝是在单调/简单背景下随机生成的。因此，检测裂缝比对丰富纹理图像进行语义分割更具挑战性。另一方面，尽管直接使用U
‑
Net进行分割可以访问多尺度信息，但是简单的背景并不能区分无关的信息，从而导致预测边缘上的错误。
[0005]虽然U
‑
Net的方法还有一些缺点，没有显著关注目标区域和抑制相关的背景区域，使得检测出来的结果不是很理想。因此，如何获取到足够显著区域的特征，并抑制无关区域的相应，通过更深的网络学习到更多的边缘信息是非常重要的。

技术实现思路

[0006]本专利技术的目的在于，提供一种基于递归注意力机制的裂纹检测的方法及装置，解决目前图片裂纹检测算法不能很好分割出比较好的裂纹图或者分割出很多有瑕疵的图片的问题。
[0007]为解决上述技术问题，本专利技术的技术方案为：一种基于递归注意力机制的裂纹检测的方法，包括以下步骤：
[0008]S1、采集裂纹图片，通过U
‑
Net的编码部分对裂纹图片进行下采样，得到不同尺度下采样图片的特征信号；
[0009]S2、将不同尺度下采样图片的特征信号分别输入到相应的RAM模块中，所述RAM模块中包含有递归模块，通过所述递归模块输出相应的下采样特征信号；
[0010]S3、通过RAM模块分别输入U
‑
Net的编码部分的l层特征信号和解码部分的l
‑
1层门控信号；
[0011]S4、通过RAM模块分别输出U
‑
Net的编码部分的下采样输出信号和通过门控信号关注得到显著区域的特征信号；
[0012]S5、构建U
‑
Net的上采样模块，将RAM模块输出的显著区域的特征信号与通过反卷积操作得到的上采样的特征信号拼接后进行上采样，得到裂纹检测图片。
[0013]进一步地，所述S1中使用三线性插值法在U
‑
Net网络中将裂纹图片进行下采样，得到不同尺度下采样图片的特征信号。
[0014]进一步地，所述S3还包括U
‑
Net的编码部分的l层特征信号和解码部分的l
‑
1层门控信号进行相加，相加机制为加性注意力机制，具体的公式如下：
[0015][0016]式中，v1表示的是ReLu函数，W
g
、W
x
、ψ均为卷积操作，b
g
和b
ψ
为对应卷积的偏置项，t表示递归卷积操作。
[0017]更进一步地，所述S4中，关注显著区域的特征信号经过跳跃链接的U
‑
Net的编码部分的l层特征信号与解码部分的l
‑
1层门控信号进行相加后，经过ReLU和sigmoid变换输出经过α
i
之后形成，具体的公式如下：
[0018][0019]式中，σ2是sigmoid函数，g是门控信号。
[0020]进一步地，所述S5中，U
‑
Net的编码部分通过解码器使用反卷积层逐步恢复目标的细节和相应的空间维度，通过跳跃链接输出RAM的特征与上采样的特征进行拼接，构建上采样模块。
[0021]更进一步地，所述S5中，上采样的具体步骤为通过RAM模块输出得到显著区域的特征信号与上采样的特征拼接，将拼接之后的特征经过1x1的卷积和sigmoid函数变化，得到裂纹检测图片。
[0022]进一步地，本方法还包括以下步骤：
[0023]S6、构建训练模块，迭代给定次数后，得到裂纹检测模型。
[0024]更进一步地，本方法还包括以下步骤：
[0025]S7、构建测试模块，将测试图像输入到裂纹检测模型中，得到裂纹测试图片。
[0026]一种用于实现上述的基于递归注意力机制的裂纹检测的方法的装置，包括样本采集模块，若干RAM模块，训练模块和测试模块；其中，
[0027]所述样本采集模块，用于采集裂纹图片，通过U
‑
Net的编码部分对裂纹图片进行下采样，得到不同尺度下采样图片的特征信号；将不同尺度下采样图片的特征信号分别输入到相应的RAM模块中；
[0028]所述RAM模块中包含有递归模块，用于通过所述递归模块输出相应的下采样特征
信号；分别输入U
‑
Net的编码部分的l层特征信号和解码部分的l
‑
1层门控信号；分别输出U
‑
Net的编码部分的下采样输出信号和通过门控信号关注显著区域的特征信号；构建U
‑
Net的上采样模块，将显著区域的特征信号与原来上采样的特征信号拼接后进行上采样，得到裂纹检测图片；
[0029]所述训练模块，用于迭代给定次数后，得到裂纹检测模型；
[0030]所述测试模块，用于将测试图像输入到裂纹检测模型中，得到裂纹测试图片。
[0031]一种计算机可读存储介质，其上存储有计算机程序，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于递归注意力机制的裂纹检测的方法，其特征在于，包括以下步骤：S1、采集裂纹图片，通过U
‑
Net的编码部分对裂纹图片进行下采样，得到不同尺度下采样图片的特征信号；S2、将不同尺度下采样图片的特征信号分别输入到相应的RAM模块中，所述RAM模块中包含有递归模块，通过所述递归模块输出相应的下采样特征信号；S3、通过RAM模块分别输入U
‑
Net的编码部分的l层特征信号和解码部分的l
‑
1层门控信号；S4、通过RAM模块分别输出U
‑
Net的编码部分的下采样输出信号和通过门控信号关注得到显著区域的特征信号；S5、构建U
‑
Net的上采样模块，将RAM模块输出的显著区域的特征信号与通过反卷积操作得到的上采样的特征信号拼接后进行上采样，得到裂纹检测图片。2.根据权利要求1所述的基于递归注意力机制的裂纹检测的方法，其特征在于，所述S1中使用三线性插值法在U
‑
Net网络中将裂纹图片进行下采样，得到不同尺度下采样图片的特征信号。3.根据权利要求2所述的基于递归注意力机制的裂纹检测的方法，其特征在于，所述S3还包括U
‑
Net的编码部分的l层特征信号和解码部分的l
‑
1层门控信号进行相加，相加机制为加性注意力机制，具体的公式如下：式中，σ1表示的是ReLu函数，W
g
、W
x
、ψ均为卷积操作，b
g
和b
ψ
为对应卷积的偏置项，t表示递归卷积操作。4.根据权利要求3所述的基于递归注意力机制的裂纹检测的方法，其特征在于，所述S4中，显著区域的特征信号经过跳跃链接的U
‑
Net的编码部分的l层特征信号与解码部分的l
‑
1层门控信号进行相加后，经过ReLU和sigmoid变换输出经过α
i
之后形成，具体的公式如下：式中，σ2是sigmoid函数，g是门控信号。5.根据...

【专利技术属性】
技术研发人员：卢涛，吴志豪，张彦铎，王彬，王波，陈圆，阮小丽，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：