一种基于机器视觉的公路边坡微小位移形变监测方法技术

本发明专利技术公开了一种基于机器视觉的公路边坡微小形变位移监测方法，属于图像识别技术领域。本发明专利技术包括以下四个步骤：构建基于公路边坡图像的轻量级裂缝分割网络模型；训练轻量级裂缝分割网络模型；将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型；轻量级裂缝分割网络模型对输入图片进行自动的分割。本发明专利技术充分利用了卷积神经网络在图像分割领域内展现的优势，将逐通道卷积与空洞卷积的思想相结合，在保证分割性能的前提下，通过减少参数量，有效降低了标准卷积运算的复杂度及网络深度，为设备集成与实际应用提供了可能性。

【技术实现步骤摘要】
一种基于机器视觉的公路边坡微小位移形变监测方法
本专利技术涉及图像识别
，具体为一种基于机器视觉的公路边坡微小位移形变监测方法。
技术介绍
机器视觉是一种用机器代替人眼来进行测量和判断的技术，近年来，随着深度学习技术的发展，机器视觉技术也在各个领域取得了突破性的进展，卷积神经网络CNN(ConvolutionalNeuralNetwork)作为深度学习最热门的方法之一，在面对大数据量、复杂数据时，识别性能已远远超越了传统的图像识别方法，因此，在机器视觉领域得到了广泛的应用，并取得了十分显著的效果。卷积神经网络是一种以卷积运算为核心的深度前馈神经网络，卷积是一种特殊的线性运算，卷积网络是指在网络中至少有一层是利用卷积运算来代替一般的矩阵乘法运算的神经网络，CNN具有两大特点：一是网络结构中至少包含一层用来提取特征的卷积层，二是其卷积层通过权值共享的方式进行工作，降低了网络的复杂性。公路边坡形变位移的监测可以用图像分割的方式来建模，即将公路边坡图片中的裂缝进行分割，通过持续性的观测计算边坡的形变位移量，卷积神经网络通过对海量数本文档来自技高网...

【技术保护点】
1.一种基于机器视觉的公路边坡微小位移形变监测方法，其特征在于：包括以下四个步骤：/n步骤一：所述构建基于公路边坡图像的轻量级裂缝分割网络模型；/n步骤二：所述训练轻量级裂缝分割网络模型；/n步骤三：所述将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型；/n步骤四：所述轻量级裂缝分割网络模型对输入图片进行自动的分割。/n

【技术特征摘要】
1.一种基于机器视觉的公路边坡微小位移形变监测方法，其特征在于：包括以下四个步骤：
步骤一：所述构建基于公路边坡图像的轻量级裂缝分割网络模型；
步骤二：所述训练轻量级裂缝分割网络模型；
步骤三：所述将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型；
步骤四：所述轻量级裂缝分割网络模型对输入图片进行自动的分割。


2.根据权利要求1所述的一种基于机器视觉的公路边坡微小位移形变监测方法，其特征在于：所述轻量级裂缝分割网络模型主要包含编码部分和解码部分，编码部分和解码部分均包含四个阶段模块，各部分每个模块结构相似，其输出尺度存在不同。


3.根据权利要求2所述的一种基于机器视觉的公路边坡微小位移形变监测方法，其特征在于：所述轻量级裂缝分割网络模型编码部分每个阶段模块包含卷积层、批归一化层及激活函数层用于对输入的图像进行特征提取，逐级降低特征图尺寸以节省计算量，逐级提高特征图通道数以提高特征的灵活性。


4.根据权利要求3所述的一种基于机器视觉的公路边坡微小位移形变监测方法，其特征在于：所述轻量级裂缝分割网络模型解码部分每个阶段模块主要由上采样单元Up-Conv和finalUp-Conv构成，Up-Conv包括一层用于改变通道数的1x1卷积层、批归一化层以及激活函数层，并使用3x3的空洞卷积用于特征的解析，f...

【专利技术属性】
技术研发人员：郭沛，侯芸，张蕴灵，陈志杰，王群，张鹏，任广丽，崔丽，刘鹏宇，王聪聪，
申请(专利权)人：中国公路工程咨询集团有限公司，中咨数据有限公司，
类型：发明
国别省市：北京;11