本发明专利技术公开了一种基于迁移学习与MobileNetv3网络的建筑物裂缝识别方法，主要步骤如下：(1)构建建筑物裂缝图像数据集；(2)对裂缝图像进行随机裁剪、水平翻转等进行图像增强；(3)对图像进行归一化处理，并将处理后的图像划分为训练集和测试集；(4)建立基于迁移学习与MoblieNetv3网络相结合的建筑物裂缝识别模型；(5)利用训练集对建筑物裂缝进行训练识别。采用迁移学习在小样本情况下得到较好的模型，训练出较优的结果，且能加速网络的收敛，防止过拟合。本发明专利技术采用迁移学习与MobileNetv3网络相结合的方法进行建筑物裂缝识别，不仅可以提高网络的收敛速度，而且可以在较少数据集的情况下有效提高裂缝识别的准确率。确率。确率。
【技术实现步骤摘要】
基于迁移学习与MobileNetv3网络的建筑物裂缝识别方法及装置
[0001]本专利技术涉及建筑工程检测
，特别涉一种基于迁移学习与 MobileNetv3网络的建筑物裂缝识别方法及装置。
技术介绍
[0002][0003]目前建筑物裂缝检测主要以人工检测为主，其存在很多的问题，例如：需要搭建脚手架进行墙体的裂缝检查，这需要大量的人工准备工作，检测效率较低；工人在高空作业，安全无法得到充分保障；人工检测存在盲区，裂缝识别精度低等问题。
[0004]自2000年来随着数字图像技术的愈加成熟，机器学习算法的广泛应用。开始出现以特征提取与机器学习相结合的算法代替人工判断，进行裂缝损伤自动化检测。
[0005]现有的特征提取和算法技术，虽然可以智能化的解决裂缝识别的问题，但其依然存在着适用范围有限、过度依赖外界检测环境、模型的鲁棒性和准确率均较低等问题。随着神经网络的发展，以深度神经网络为主的检测方法掀起了热潮，但是随着网络的加深不可避免的会产生过拟合、计算量大、准确率不高等问题。
技术实现思路
[0006]本专利技术要解决的技术问题，在于提供一种基于迁移学习与MobileNetv3 网络的建筑物裂缝识别方法及装置，加速网络的收敛，提升裂缝识别准确率，实现快速准确地识别出建筑物裂缝，减少人工检查成本，提高检测效率。
[0007]第一方面，本专利技术提供了一种基于迁移学习与MobileNetv3网络的建筑物裂缝识别方法，包括：
[0008]将建筑物裂缝图片进行分类标注，分为背景和裂缝两类，得到建筑物裂缝图像数据集；对所述建筑物裂缝图像数据集进行图像增强，然后进行归一化处理，将处理后的图像划分为训练集和测试集；
[0009]构建基于迁移学习与MobileNetv3网络相结合的模型，首先在ImageNet 数据集上对MobileNetv3网络进行训练，然后将在ImageNet数据集上学习到的边缘特征权重迁移到MobileNetv3网络的卷积层中，作为初始化参数；
[0010]利用所述训练集对迁移后的网络模型进行训练，然后利用所述测试集对训练完成的网络进行测试。
[0011]进一步地，所述图像增强方法为，将图片随机裁剪为不同宽高的图片，然后利用缩放的方法将图像缩放至224
×
224像素的大小，最后对图片进行水平、左右翻转得到不同类型的图片。
[0012]进一步地，所述归一化处理具体为：将图像的像素范围从[0，255]变换为[0，1]，公式如下：
[0013][0014]其中，Xi表示该输入图像的第i个像素值。
[0015]进一步地，所述MobileNetv3网络为倒残差结构，包括深度可分卷积模块以及轻量化模块；
[0016]所述深度可分卷积模块包括DW卷积模块和PW卷积模块，所述DW 卷积模块为卷积核深度为1，输入特征深度、卷积核个数、输出特征矩阵深度三者相等的卷积模块；所述PW卷积模块为卷积和大小为1的卷积模块；
[0017]所述轻量化模块为SE注意力模块，扩展层的深度为标准深度的1/4，且激活函数为h
‑
swish函数。
[0018]第二方面，本专利技术提供了一种基于迁移学习与MobileNetv3网络的建筑物裂缝识别装置，包括：数据集构建模块、迁移学习模块以及训练测试模块；
[0019]所述数据集构建模块，用于将建筑物裂缝图片进行分类标注，分为背景和裂缝两类，得到建筑物裂缝图像数据集；对所述建筑物裂缝图像数据集进行图像增强，然后进行归一化处理，将处理后的图像划分为训练集和测试集；
[0020]所述迁移学习模块，用于构建基于迁移学习与MobileNetv3网络相结合的模型，首先在ImageNet数据集上对MobileNetv3网络进行训练，然后将在ImageNet数据集上学习到的边缘特征权重迁移到MobileNetv3网络的卷积层中，作为初始化参数；
[0021]所述训练测试模块，用于利用所述训练集对迁移后的网络模型进行训练，然后利用所述测试集对训练完成的网络进行测试。
[0022]进一步地，所述数据集构建模块中，图像增强方法为，将图片随机裁剪为不同宽高的图片，然后利用缩放的方法将图像缩放至224
×
224像素的大小，最后对图片进行水平、左右翻转得到不同类型的图片。
[0023]进一步地，所述数据集构建模块中，归一化处理具体为：将图像的像素范围从[0，255]变换为[0，1]，公式如下：
[0024][0025]其中，Xi表示该输入图像的第i个像素值。
[0026]进一步地，所述迁移学习模块中，所述MobileNetv3网络为倒残差结构，包括深度可分卷积模块以及轻量化模块；
[0027]所述深度可分卷积模块包括DW卷积模块和PW卷积模块，所述DW 卷积模块为卷积核深度为1，输入特征深度、卷积核个数、输出特征矩阵深度三者相等的卷积模块；所述PW卷积模块为卷积和大小为1的卷积模块；
[0028]所述轻量化模块为SE注意力模块，扩展层的深度为标准深度的1/4，且激活函数为h
‑
swish函数。
[0029]本专利技术实施例中提供的技术方案，具有如下技术效果或优点：
[0030]本申请实施例提供的方法和装置，采用迁移学习在小样本情况下得到较好的模型，训练出较优的结果，且能加速网络的收敛，防止过拟合，不仅可以提高网络的收敛速度，而且可以在较少数据集的情况下有效提高裂缝识别的准确率。
[0031]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0032]下面参照附图结合实施例对本专利技术作进一步的说明。
[0033]图1为本专利技术实施例一中方法的流程图；
[0034]图2为现有技术中采用的残差结构示意图；
[0035]图3为本专利技术实施例一中采用的倒残差结构示意图；
[0036]图4为本专利技术实施例一中MobileNetv3网络轻量化模块示意图；
[0037]图5a为现有技术中采用的sigmoid激活函数示意图；
[0038]图5b为本专利技术实施例一中采用的h
‑
swish激活函数示意图；
[0039]图6为本专利技术实施例一中使用迁移学习的MobileNetv3网络模型结构示意图；
[0040]图7为本专利技术实施例二中装置的结构示意图。
具体实施方式
[0041]本申请实施例通过提供一种基于迁移学习与MobileNetv3网络的建筑物裂缝识别方法及装置，加速网络的收敛，提升裂缝识别准确率，实现快速准确地识别出建筑物裂缝，减少人工检查成本，提高检测效率。
[0042]本申请实施例中的技术方案，总体思路如下：
[0043]为了克服网络深度过本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习与MobileNetv3网络的建筑物裂缝识别方法，其特征在于，包括：将建筑物裂缝图片进行分类标注，分为背景和裂缝两类，得到建筑物裂缝图像数据集；对所述建筑物裂缝图像数据集进行图像增强，然后进行归一化处理，将处理后的图像划分为训练集和测试集；构建基于迁移学习与MobileNetv3网络相结合的模型，首先在ImageNet数据集上对MobileNetv3网络进行训练，然后将在ImageNet数据集上学习到的边缘特征权重迁移到MobileNetv3网络的卷积层中，作为初始化参数；利用所述训练集对迁移后的网络模型进行训练，然后利用所述测试集对训练完成的网络进行测试。2.根据权利要求1所述的方法，其特征在于：所述图像增强方法为，将图片随机裁剪为不同宽高的图片，然后利用缩放的方法将图像缩放至224
×
224像素的大小，最后对图片进行水平、左右翻转得到不同类型的图片。3.根据权利要求1所述的方法，其特征在于：所述归一化处理具体为：将图像的像素范围从[0，255]变换为[0，1]，公式如下：其中，Xi表示该输入图像的第i个像素值。4.根据权利要求1所述的方法，其特征在于：所述MobileNetv3网络为倒残差结构，包括深度可分卷积模块以及轻量化模块；所述深度可分卷积模块包括DW卷积模块和PW卷积模块，所述DW卷积模块为卷积核深度为1，输入特征深度、卷积核个数、输出特征矩阵深度三者相等的卷积模块；所述PW卷积模块为卷积和大小为1的卷积模块；所述轻量化模块为SE注意力模块，扩展层的深度为标准深度的1/4，且激活函数为h
‑
swish函数。5.一种基于迁移学习与MobileNetv3网络的建筑物裂缝识别装置，其特征在于，包括：数据集构建...
【专利技术属性】
技术研发人员：张伟，夏坚，范千，杨伟，陈俊民，
申请(专利权)人：福建省建筑科学研究院有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。