一种基于图像超分辨率重建网络的竹集成材裂纹检测方法技术

本发明专利技术公开了一种基于图像超分辨率重建网络的竹集成材裂纹检测方法，包括：连续采集竹集成材受三点加载作用力产生扩展尖端裂纹的原始高清图像，去黑边裁剪得到与原始高清图像相对应的原始高分辨率图像；对原始高分辨率图像进行处理，得到低分辨率图像；将改进残差网络模型作为生成器，将生成器和判别器组合得到生成对抗网络模型；训练生成对抗网络模型；本发明专利技术克服了超分辨率图像重建中的细节信息丢失和边缘模糊；提高了竹集成材超分辨率图像重建的真实性；提高了网络性能；重建后的图像精度高，真实性高；利用从生成器生成出的超分辨率图像中提取出的信息对生成器模型进行二次检验，该检验方法从客观角度评价了生成器的性能。性能。性能。

【技术实现步骤摘要】
一种基于图像超分辨率重建网络的竹集成材裂纹检测方法


[0001]本专利技术涉及图像超分辨重建方法和竹集成材力学性能检测方法，具体是一种基于图像超分辨率重建网络的竹集成材裂纹检测方法。

技术介绍

[0002]竹集成材作为理想的建筑材料和机电产品包装材料，具有良好的力学性能。展平竹集成材是由宽幅面展平竹单元压制而成，由于竹材天生多孔以及展平竹集成材的胶合工艺，在工程应用中受外力弯曲会产生裂纹甚至裂纹扩展形成断裂。
[0003]传统竹集成材的裂纹检测方法是借助数字图像技术和高性能摄像机，通过对比目标对象变形前后的数字散斑图像，测算出物体的形变和应变分布，从而获取目标对象的力学性能。由于裂纹细小，对于分辨率较低的数字散斑图像，其裂纹不易识别出来，而高性能摄像机价格昂贵在实际应用中难以普及，传统图像重建方法，如插值、十字搜索或曲面拟合算法，存在精度低、真实性差的缺点。因此，图像超分辨率重建技术具有重要的工程应用价值和市场前景。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对上述现有技术的不足提供一种基于图像超分辨率重建网络的竹集成材裂纹检测方法，本竹集成材数字散斑对抗生成超分辨率图像的重建方法克服了超分辨率图像重建中的细节信息丢失和边缘模糊；加入注意力模块提高了竹集成材超分辨率图像重建的真实性；将改进残差网络引入生成器中，提高了网络性能；重建后的超分辨率图像精度高，真实性高；利用从生成器生成出的超分辨率散斑图像中提取出的信息对生成器模型进行二次检验，该检验方法从客观角度评价了生成器的性能。
[0005]为实现上述技术目的，本专利技术采取的技术方案为：
[0006]一种基于图像超分辨率重建网络的竹集成材裂纹检测方法，包括：
[0007]步骤1、先用白色哑光漆喷涂竹集成材表面，待白色哑光漆干透后喷涂黑色哑光漆，使得竹集成材表面形成黑白散斑；
[0008]步骤2、连续采集N张竹集成材受外部作用力产生扩展尖端裂纹的原始高清图像，并对每张原始高清图像进行去黑边裁剪得到N张与原始高清图像相对应的原始高分辨率图像I
HR
；
[0009]步骤3、利用双三次插值降采样方法分别对N张原始高分辨率图像I
HR
进行处理，得到每张原始高分辨率图像I
HR
相对应的低分辨率图像I
LR
；
[0010]步骤4、将N张原始高分辨率图像I
HR
和N张低分辨率图像I
LR
进行组合，制作N组数据集，每组数据集中包含一张原始高分辨率图像I
HR
和与之降采样生成的低分辨率图像I
LR
，并将N组数据集分成训练集、测试集和验证集；
[0011]步骤5：构建改进残差网络模型；
[0012]步骤6：将改进残差网络模型作为生成器的网络模型，将生成器和判别器组合构建
得到密集残差相对平均生成对抗网络模型；
[0013]步骤7：利用密集残差相对平均生成对抗网络模型对训练集数据进行训练，得到训练好的生成器；
[0014]步骤8：用以高速摄像机为主的图像采集系统和以普通摄像机为主的图像采集系统分别采集在三点加载断裂实验中的竹集成材的表面数字散斑图像，进而分别得到同一时间序列下的多张高分辨率散斑图像和低分辨率散斑图像；
[0015]步骤9：分析步骤8中同一时间节点下的高分辨率散斑图像和低分辨率散斑图像经生成器生成的超分辨率散斑图像，分别测算高分辨率散斑图像中尖端裂纹扩展的实际距离L和超分辨率散斑图像中尖端裂纹扩展的实际距离L
′
，对L和L
′
进行相减后取绝对值，得出高分辨率散斑图像和超分辨率散斑图像中尖端裂纹扩展的实际距离差值ΔL；
[0016]步骤10：循环步骤9，记录下时间序列中每一时间节点下的高分辨率散斑图像和超分辨率散斑图像中尖端裂纹扩展的实际距离差值ΔL，直到最后一个时间节点结束并停止记录；
[0017]步骤11：计算步骤10中所有时间节点下的高分辨率散斑图像和超分辨率散斑图像的尖端裂纹扩展的实际距离差值的平均值ΔLe；
[0018]步骤12：设置误差阈值ε，若平均值ΔLe小于等于误差阈值ε，则判断生成器性能为良好，即可输出时间序列中最后时间节点下的超分辨率散斑图像的竹集成材裂纹位置信息；若平均值ΔLe大于误差阈值ε，则返回步骤7，对步骤7中的生成器进行重新训练。
[0019]作为本专利技术进一步改进的技术方案，所述的步骤5包括：
[0020]5.1、搭建的改进残差网络模型按照顺序包含1个卷积层、16个密集残差块、1个卷积层、1个上采样层和1个卷积层；
[0021]5.2、其中16个密集残差块两两之间进行短接，实现局部残差；
[0022]5.3、将改进残差网络模型中第1个卷积层的输出结果和倒数第2个卷积层的输出结果进行相加，实现全局残差；
[0023]5.4、每个密集残差块均包含4个级联的二级块和1个卷积层；
[0024]5.5、每个二级块由1个卷积层、1个激活层和1个注意力模块组成，数据在二级块中的传递路径依次为卷积层、激活层和注意力模块，其中注意力模块在传递路径中处于短接状态；
[0025]5.6、改进残差网络模型中不包含BN层。
[0026]作为本专利技术进一步改进的技术方案，所述步骤5.5的注意力模块的计算过程为：
[0027]5.5.1、对注意力模块的输入数据分别进行最大池化和平均池化的操作；
[0028]5.5.2、使用卷积层对最大池化后的特征进行深度提取，并将深度提取的数据依次通过ReLU激活层、卷积层和Sigmoid激活层；使用卷积层对平均池化后的特征进行深度提取，并将深度提取的数据依次通过ReLU激活层、卷积层和Sigmoid激活层；所述注意力模块的计算过程为：
[0029][0030]其中，C为输入的特征通道数；为经卷积层、激活层和平均池化层输出后的特征张量；为经卷积层、激活层和最大池化层输出后的特征张量；W0是注意力模块中第1个
卷积层上的权值，W1是注意力模块中第2个卷积层上的权值；f(x)＝max(0，x)为ReLU激活函数，当输入的x小于0时，f(x)为0，否则，f(x)为x；σ为Sigmoid激活函数。
[0031]作为本专利技术进一步改进的技术方案，所述的步骤6包括：
[0032]6.1、生成器的网络模型采用步骤5中的改进残差网络模型；
[0033]6.2、判别器使用基于相对均值的判别器D
Ra
：
[0034][0035][0036]其中，σ为Sigmoid激活函数；x
r
表示原始高分辨率图像的真实像素点分布，x
f
表示经过超分辨率重建后的像素点分布；C(X)是评估输入图像的真实程度；表示对所有[(x
f
)]取均值操作；表示对所有[(x
r
)]取均值操作；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像超分辨率重建网络的竹集成材裂纹检测方法，其特征在于：包括：步骤1、先用白色哑光漆喷涂竹集成材表面，待白色哑光漆干透后喷涂黑色哑光漆，使得竹集成材表面形成黑白散斑；步骤2、连续采集N张竹集成材受外部作用力产生扩展尖端裂纹的原始高清图像，并对每张原始高清图像进行去黑边裁剪得到N张与原始高清图像相对应的原始高分辨率图像I
HR
；步骤3、利用双三次插值降采样方法分别对N张原始高分辨率图像I
HR
进行处理，得到每张原始高分辨率图像I
HR
相对应的低分辨率图像I
LR
；步骤4、将N张原始高分辨率图像I
HR
和N张低分辨率图像I
LR
进行组合，制作N组数据集，每组数据集中包含一张原始高分辨率图像I
HR
和与之降采样生成的低分辨率图像I
LR
，并将N组数据集分成训练集、测试集和验证集；步骤5：构建改进残差网络模型；步骤6：将改进残差网络模型作为生成器的网络模型，将生成器和判别器组合构建得到密集残差相对平均生成对抗网络模型；步骤7：利用密集残差相对平均生成对抗网络模型对训练集数据进行训练，得到训练好的生成器；步骤8：用以高速摄像机为主的图像采集系统和以普通摄像机为主的图像采集系统分别采集在三点加载断裂实验中的竹集成材的表面数字散斑图像，进而分别得到同一时间序列下的多张高分辨率散斑图像和低分辨率散斑图像；步骤9：分析步骤8中同一时间节点下的高分辨率散斑图像和低分辨率散斑图像经生成器生成的超分辨率散斑图像，分别测算高分辨率散斑图像中尖端裂纹扩展的实际距离L和超分辨率散斑图像中尖端裂纹扩展的实际距离L
′
，对L和L
′
进行相减后取绝对值，得出高分辨率散斑图像和超分辨率散斑图像中尖端裂纹扩展的实际距离差值ΔL；步骤10：循环步骤9，记录下时间序列中每一时间节点下的高分辨率散斑图像和超分辨率散斑图像中尖端裂纹扩展的实际距离差值ΔL，直到最后一个时间节点结束并停止记录；步骤11：计算步骤10中所有时间节点下的高分辨率散斑图像和超分辨率散斑图像的尖端裂纹扩展的实际距离差值的平均值ΔLe；步骤12：设置误差阈值ε，若平均值ΔLe小于等于误差阈值ε，则判断生成器性能为良好，即可输出时间序列中最后时间节点下的超分辨率散斑图像的竹集成材裂纹位置信息；若平均值ΔLe大于误差阈值ε，则返回步骤7，对步骤7中的生成器进行重新训练。2.根据权利要求1所述的基于图像超分辨率重建网络的竹集成材裂纹检测方法，其特征在于：所述的步骤5包括：5.1、搭建的改进残差网络模型按照顺序包含1个卷积层、16个密集残差块、1个卷积层、1个上采样层和1个卷积层；5.2、其中16个密集残差块两两之间进行短接，实现局部残差；5.3、将改进残差网络模型中第1个卷积层的输出结果和倒数第2个卷积层的输出结果进行相加，实现全局残差；5.4、每个密集残差块均包含4个级联的二级块和1个卷积层；5.5、每个二级块由1个卷积层、1个激活层和1个注意力模块组成，数据在二级块中的传
递路径依次为卷积层、激活层和注意力模块，其中注意力模块在传递路径中处于短接状态；5.6、改进残差网络模型中不包含BN层。3.根据权利要求2所述的基于图像超分辨率重建网络的竹集成材裂纹检测方法，其特征在于：所述步骤5.5的注意力模块的计算过程为：5.5.1、对注意力模块的输入数据分别进行最大池化和平均池化的操作；5.5.2、使用卷积层对最大池化后的特征进行深度提取，并将深度提取的数据依次通过ReLU激活层、卷积层和Sigmoid激活层；使用卷积层对平均池化后的特征进行深度提取，并将深度提取的数据依次通过ReLU激活层、卷积层和Sigmoid激活层；所述注意力模块的计算过程为：其中，C为输入的特征通道数；为经卷积层、激活层和平均池化层输出后的特征张量；为经卷积层、激活层和最大池化层输出后的特征张量；W0是注意力模块中第1个卷积层上的权值，W1是注意力模块中第2个卷积层上的权值；f(x)＝max(0,x)为ReLU激活函数,当输入的x小于0时，f(x)为0，否则，f(x)为x；σ为Sigmoid激活函数。4.根据权利要求1所述的基于图像超分辨率重建网络的竹集成材裂纹检测方法，其特征在于：所述的步骤6包括：6.1、生成器的网络模型采用步骤5中的改进残差网络模型；6.2、判别器使用基于相对均值的判别器D
Ra
：：其中，σ为Sigmoid激活函数；x
r
表示原始高分辨率图像的真实像素点分布，x
f
表示经过超分辨率重建后的像素点分布；C(X)是评估输入图像的真实程度；表示对所有[(x
f
)]取均值操作；表示对所有[(x
r
)]取均值操作；6.3、判别器按照单元层构成顺序，依次包括1个卷积层、1...

【专利技术属性】
技术研发人员：刘英，霍林涛，谢超，庄子龙，刘铮，姜东，杨雨图，周海燕，习爽，缑斌丽，鄢小安，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：