一种基于DenseNet网络的损伤定位方法、装置和存储介质制造方法及图纸

本发明专利技术公开了一种基于DenseNet网络的损伤定位方法、装置和存储介质，包括以下步骤：获取钢结构图像，对钢结构图像进行预处理；构建DenseNet网络，所述DenseNet网络包括特征提取器和损伤分类器，实现特征提取和损伤分类功能；训练所述DenseNet网络，得到训练后的DenseNet网络；使用训练后的DenseNet网络对钢结构图像进行损伤定位。本发明专利技术所公开的DenseNet网络与其它深度学习网络相比有计算量小、运算效率高的优势，所引入的可视化技术也可令钢结构损伤更易被识别。也可令钢结构损伤更易被识别。也可令钢结构损伤更易被识别。

【技术实现步骤摘要】
一种基于DenseNet网络的损伤定位方法、装置和存储介质


[0001]本专利技术涉及深度学习领域，尤其是一种基于深度学习的的深度卷积神经网络和识别方法。

技术介绍

[0002]在建筑施工维护领域，对钢框架进行损伤检查是必不可少的环节。传统上使用肉眼检查钢框架损伤既耗时又繁琐。钢框架损伤检查的关键是对损伤进行定位，现有的基于计算机视觉的损伤检测方法有基于ResNet、MobileNet等构建的网络模型，但还不能实现准确定位钢结构损伤。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供一种基于DenseNet网络的损伤定位方法、装置和存储介质。
[0004]本专利技术的第一方面提供了一种基于DenseNet网络的损伤定位方法，包括以下步骤：
[0005]获取钢结构图像，对钢结构图像进行预处理；
[0006]构建DenseNet网络，所述DenseNet网络包括特征提取器和损伤分类器，所述特征提取器实现特征提取功能，所述损伤分类器实现损伤分类功能；；
[0007]训练所述DenseNet网络，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DenseNet网络的损伤定位方法，其特征在于，包括以下步骤：获取钢结构图像，对钢结构图像进行预处理；构建DenseNet网络，所述DenseNet网络包括特征提取器和损伤分类器，所述特征提取器实现特征提取功能，所述损伤分类器实现损伤分类功能；训练所述DenseNet网络，得到训练后的DenseNet网络；使用训练后的DenseNet网络对钢结构图像进行损伤定位。2.根据权利要求1所述的一种基于DenseNet网络的损伤定位方法，其特征在于，所述对钢结构图像进行预处理，具体包括：选取部分钢结构图像作水平翻转、垂直翻转和45
°
角旋转；选取部分钢结构图像添加高斯噪声；选取部分钢结构图像调整亮度、对比度和色调。3.根据权利要求1所述的一种基于DenseNet网络的损伤定位方法，其特征在于，所述特征提取器，具体包括：7
×
7卷积层、2
×
2最大池化层、三个纵向排列的DenseBlock、独立DenseBlock和7
×
7全局平均池化层；所述DenseBlock包括两个顺序连接的1
×
1的卷积层；所述三个纵向排列的DenseBlock后各连接一个过渡层；所述过渡层包括1
×
1的卷积层和7
×
7全局平均池化层；所述任一卷积层后各连接一个批量归一化层和一个ReLu函数；所述7
×
7卷积层接收输入，并连接2
×
2最大池化层、2
×
2最大池化层连接三个纵向排列的DenseBlock、三个纵向排列的DenseBlock连接独立DenseBlock、独立DenseBlock连接7
×
7全局平均池化层，并提供输出；所述三个纵向排列的DenseBlock为第一DenseBlock、第二DenseBlock和第三DenseBlock，第一DenseBlock连接第一过渡层、第二DenseBlock连接第二过渡层、第三DenseBlock连接第三过渡层；输入连接第一DenseBlock，第一DenseBlock经过第一过渡层后的输出与第三DenseBlock经过第三过渡层后的第三最终输出拼接，从而得到第一最终输出；第二DenseBlock经过第二过渡层后的输出与所述第三最终输出拼接，从而得到第二最终输出；所述第一最终输出、...

【专利技术属性】
技术研发人员：蔡长青，
申请(专利权)人：广州大学，
类型：发明
国别省市：