基于改进稠密连接网络的钢箱梁裂纹图像处理方法技术

本发明专利技术公开了基于改进稠密连接网络的钢箱梁裂纹图像处理方法，属于稠密连接网络技术领域，具体包括以下步骤：稠密连接网络改进和ResNet类似，DenseNet使用同ResNet一样的单卷积层和最大汇聚层，也类似于ResNet使用4个残差块一样，使用4个稠密块；在每个模块之间，DenseNet使用过渡层来减半高和宽，并减半通道数，最后接上全局汇聚层和全连接层来输出结果；将原来的3

【技术实现步骤摘要】
基于改进稠密连接网络的钢箱梁裂纹图像处理方法


[0001]本专利技术属于稠密连接网络
，尤其涉及基于改进稠密连接网络的钢箱梁裂纹图像处理方法。

技术介绍

[0002]卷积神经网络(CNN)是一种包含了卷积计算、具有深度网络结构的前馈神经网络，优化了传统的神经网络，缓解了模型过拟合问题，使其更加适合于处理二维图像的一些问题。
[0003]基于卷积神经网络有许多经典模型，如LeNet、AlexNet、VGG等等，从ResNet之后又引申出许多后续工作。
[0004]因此，本专利基于稠密连接网络(DenseNet)，并在此基础上加以改进，降低计算成本的同时提高特征提取的能力，创新性地提出了基于此的各向异性钢箱梁裂纹图像处理方法。

技术实现思路

[0005]本专利技术提供了基于改进稠密连接网络的各向异性钢箱梁裂纹图像处理方法，为后续的钢箱梁裂纹图像的处理提供新的思路。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]基于改进稠密连接网络的钢箱梁裂纹图像处理方法，具体包括以下步骤：
[0008]S1、稠密连接网络改进和ResNet类似，DenseNet使用同ResNet一样的单卷积层和最大汇聚层，也类似于ResNet使用4个残差块一样，使用4个稠密块；
[0009]S2、在每个模块之间，DenseNet使用过渡层来减半高和宽，并减半通道数，最后接上全局汇聚层和全连接层来输出结果；
[0010]S3、将原来的3
×r/>3卷积核替换，分别采用两个2
×
2的卷积核进行计算；
[0011]S4、基于特征金字塔的多尺度特征融合，为了提高稠密连接网络在低层网络对微小缺陷特征的提取能力，改善其检测效果；
[0012]S5、将相邻的低层高分辨率的特征图和高层高语义性的特征图融合，可以补充高层分辨能力较低的细节特征，然后依次自上而下地，按照金字塔结构，将低分辨率特征和高分辨率特征横向连接起来，如此就可形成特征金字塔；
[0013]S6、再自上而下，将融合后的特征图依次纵向传递，加深细节性和强语义性的特征融合；
[0014]S601、二级特征图经过2
×
2卷积核，以较少的参数量计算，提取其特征后，进行横向连接；
[0015]S602、已知，一级特征图的分辨率是二级的两倍，对一级特征图采用平均池化下采样，同样，经过2
×
2卷积核计算；
[0016]S603、将前两步得到的特征图进行add融合，并将融合得到的结果采用最邻近插值
上采样法，放大图像；
[0017]S604、将得到的三个分辨率尺寸相同的特征图进行add融合，提高图像的语义性后，对融合图像经过3
×
3卷积核还原计算，进行特征再提取，消除多次融合产生的混叠影响，保证特征的稳定性；
[0018]S605、重复以上步骤，直至特征提取完成。
[0019]作为上述技术方案的进一步描述：
[0020]所述S3中，虽然不同于奇数的卷积核，不便于直接指出卷积核位置，但使用对称填充解决偏移的影响后，既能减少参数量，降低计算难度，又可以缓解信息侵蚀的影响。
[0021]作为上述技术方案的进一步描述：
[0022]所述S1
‑
S3中，继残差神经网络(ResNet)之后，随着网络层数变深,输出至输入的路径就随之变长,则梯度反向传播回输入的时候很可能就会消失，为解决这一问题引出了稠密连接网络(DenseNet)，考虑到计算成本的问题，改进其结构，以保持计算精度不变为基础，大幅减少计算量。
[0023]作为上述技术方案的进一步描述：
[0024]所述S4
‑
S6中，一般情况下，低层特征分辨率高，但是经过的卷积少，语义性低，而高层特征具有更强的细节信息，但是分辨率低，故可以采取将相邻的低层高分辨率的特征图和高层低分辨率细节信息的特征图进行融合，获得新的特征提取结果。
[0025]作为上述技术方案的进一步描述：
[0026]所述特征金字塔就是对用卷积神经网络进行检测的方法的一种改进，提取多尺度的特征信息并融合，提高目标检测的精度。
[0027]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
[0028]本专利技术中对于提出的裂纹图像处理的方法进行论述，提升了神经网络的运算效率，为后续的钢箱梁裂纹图像处理的研究提供参考意义。
附图说明
[0029]图1为本专利技术提出的基于改进稠密连接网络的钢箱梁裂纹图像处理方法的稠密连接网络结构优化对比示意图。
具体实施方式
[0030]下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0031]请参阅图1，本专利技术提供技术方案：基于改进稠密连接网络的钢箱梁裂纹图像处理方法，其特征在于，具体包括以下步骤：
[0032]S1、稠密连接网络改进和ResNet类似，DenseNet使用同ResNet一样的单卷积层和最大汇聚层，也类似于ResNet使用4个残差块一样，使用4个稠密块；
[0033]S2、在每个模块之间，DenseNet使用过渡层来减半高和宽，并减半通道数，最后接上全局汇聚层和全连接层来输出结果；
[0034]S3、将原来的3
×
3卷积核替换，分别采用两个2
×
2的卷积核进行计算，所述S3中，虽然不同于奇数的卷积核，不便于直接指出卷积核位置，但使用对称填充解决偏移的影响后，既能减少参数量，降低计算难度，又可以缓解信息侵蚀的影响；
[0035]所述S1
‑
S3中，继残差神经网络(ResNet)之后，随着网络层数变深,输出至输入的路径就随之变长,则梯度反向传播回输入的时候很可能就会消失，为解决这一问题引出了稠密连接网络(DenseNet)，考虑到计算成本的问题，改进其结构，以保持计算精度不变为基础，大幅减少计算量；
[0036]S4、基于特征金字塔的多尺度特征融合，为了提高稠密连接网络在低层网络对微小缺陷特征的提取能力，改善其检测效果；
[0037]S5、将相邻的低层高分辨率的特征图和高层高语义性的特征图融合，可以补充高层分辨能力较低的细节特征，然后依次自上而下地，按照金字塔结构，将低分辨率特征和高分辨率特征横向连接起来，如此就可形成特征金字塔；
[0038]S6、再自上而下，将融合后的特征图依次纵向传递，加深细节性和强语义性的特征融合；
[0039]S601、二级特征图经过2
×
2卷积核，以较少的参数量计算，提取其特征后，进行横向连接；
[0040]S602、已知，一级特征图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进稠密连接网络的钢箱梁裂纹图像处理方法，其特征在于，具体包括以下步骤：S1、稠密连接网络改进和ResNet类似，DenseNet使用同ResNet一样的单卷积层和最大汇聚层，也类似于ResNet使用4个残差块一样，使用4个稠密块；S2、在每个模块之间，DenseNet使用过渡层来减半高和宽，并减半通道数，最后接上全局汇聚层和全连接层来输出结果；S3、将原来的3
×
3卷积核替换，分别采用两个2
×
2的卷积核进行计算；S4、基于特征金字塔的多尺度特征融合，为了提高稠密连接网络在低层网络对微小缺陷特征的提取能力，改善其检测效果；S5、将相邻的低层高分辨率的特征图和高层高语义性的特征图融合，可以补充高层分辨能力较低的细节特征，然后依次自上而下地，按照金字塔结构，将低分辨率特征和高分辨率特征横向连接起来，如此就可形成特征金字塔；S6、再自上而下，将融合后的特征图依次纵向传递，加深细节性和强语义性的特征融合；S601、二级特征图经过2
×
2卷积核，以较少的参数量计算，提取其特征后，进行横向连接；S602、已知，一级特征图的分辨率是二级的两倍，对一级特征图采用平均池化下采样，同样，经过2
×
2卷积核计算；S603、将前两步得到的特征图进行add融合，并将融合得到的结果采用最邻近插值上采样法，放大图像；S604、将得到的三个分辨率尺寸相同的特征图进行add融合，提高图像的语义性后，对融合图...

【专利技术属性】
技术研发人员：向卫，
申请(专利权)人：南京视测通机器人科技有限公司，
类型：发明
国别省市：