当前位置: 首页 > 专利查询>广州大学专利>正文

一种卷积神经网络的像素级混凝土裂缝检测方法技术

技术编号:36524967 阅读:8 留言:0更新日期:2023-02-01 16:03
本发明专利技术公开了一种卷积神经网络的像素级混凝土裂缝检测方法,包括以下步骤:S1、建立SDNET2018数据集;S2、确定MobileNetV3模型的架构;S3、压缩MOBILENETV3模型的体系架构;S4、在MOBILENETV3模型中添加卷积块;S5、增加扩展过滤器数量;S6、通过基于Adam算法的余弦退火方法训练MobileNetV3模型;S7、输入待测图片进入S6训练好的MobileNetV3模型,得到检测结果。本发明专利技术具有更高的召回率、骰子系数和IoU值,同时具有更少的参数数量和计算复杂性,是用于混凝土裂缝检测的最佳移动网络之一。凝土裂缝检测的最佳移动网络之一。凝土裂缝检测的最佳移动网络之一。

【技术实现步骤摘要】
一种卷积神经网络的像素级混凝土裂缝检测方法


[0001]本专利技术涉及视觉图像
,具体涉及一种卷积神经网络的像素级混凝土裂缝检测方法。

技术介绍

[0002]裂缝是一种混凝土损坏,如果不及时检查和修复,可能会导致灾难性的结构破坏,造成巨大的经济损失。因此,必须进行定期检查,以获得准确的表面损伤信息,从而评估混凝土结构的健康状况。在过去几十年中,依赖专家的目视检查已被广泛采用,但这种方法通常是劳动密集型、主观的,甚至是危险的。
[0003]因此,设计出一种能够检测出混凝土裂缝检测的技术是很有必要的。但是采用常规技术,无法得到具有更少的参数数量和计算复杂性的检测方法。

技术实现思路

[0004]本专利技术为解决上述问题,本专利技术提供一种卷积神经网络的像素级混凝土裂缝检测方法,采用改进的前端图像处理算法,以解决上述问题。
[0005]本专利技术提供如下的技术方案:
[0006]一种卷积神经网络的像素级混凝土裂缝检测方法,包括以下步骤:
[0007]S1、建立SDNET2018数据集;
[0008]S2、确定MobileNet V3模型的架构;
[0009]S3、压缩MOBILENET V3模型的体系架构;
[0010]S4、在MOBILENET V3模型中添加卷积块;
[0011]S5、增加扩展过滤器数量;
[0012]S6、通过基于Adam算法的余弦退火方法训练MobileNet V3模型;
[0013]S7、输入待测图片进入S6训练好的MobileNet V3模型,得到检测结果。
[0014]优选的,所述S2中,MobileNet V3模型的架构包括1
×
1扩展卷积层、3
×
3深度卷积层和1
×
1投影层。
[0015]更优的,所述3
×
3卷积深度卷积层的初始阶段的滤波器数量为16个。
[0016]优选的,所述S3中,将原始图像的时域变换域转换为傅里叶变换域,设置一个截止频率,使用高通滤波器将截止频率以上的信号通过,滤除截止频率以下信号。
[0017]优选的,所述S4中,卷积块包括DPD块,DPD块包括3
×
3深度卷积块、1
×
1点式的PWC卷积块和3
×
3深度可分离卷积块。
[0018]优选的,所述S4中,卷积块包括DPD块,DPD块包括3
×
3深度卷积块、1
×
1点式的PWC卷积块和3
×
3深度可分离卷积块。
[0019]优选的,所述S6中,余弦退火方法中每个批次中的学习率n
t
使用以下等式计算:
[0020][0021]其中,和是学习速率范围。T
cur
是自上次重新启动以来的历元数,i是执行索引,T表示每个批处理迭代。
[0022]本专利技术具有如下的有益效果:
[0023]1、本专利技术是基于可用于移动系统的轻质高性能MobileNet V3CNN模型主干中的卷积块结构和反向残差块结构提出了一种轻量型的混凝土裂缝检测方法。本专利技术提出的基于卷积神经网络的方法,来检测更轻、更高性能的混凝土裂缝;本专利技术的方法采用基于卷积块和反转块的结构进行像素级裂缝检测。在这种方法中,混凝土裂缝图像的每个像素都被视为一个标签。使用所提出的方法,使用SDNET2018数据集执行培训和测试过程。
[0024]2、本专利技术使用精度、召回率、骰子系数(DC)和联合交集(IoU)等指标来评估实验测试。作为实验测试的结果;精度、召回率、DC和IoU值分别为0.8、0.77、0.79和0.65。这些结果表明,与现有技术相比,我们提出的方法取得了更高的成功率。通过这种方式,可以使用移动CNN模型有效地进行混凝土裂缝检测。
[0025]3、与现有技术相比,该方法采用改进的前端图像处理算法,具有更高的召回率、骰子系数和IoU值,同时具有更少的参数数量和计算复杂性。因此,本专利技术的方法是用于混凝土裂缝检测的最佳移动网络之一。
[0026]4、本专利技术方法与MobileNet V3方法最明显的区别是堆栈结构,其中反向块结构用作编码器和解码器,以及使用的超参数。此外,虽然在提出的方法中使用的反向块结构中没有剩余连接,但在该块结构中使用了额外的2x2内核大小。该方法实现了像素级裂缝检测。所提出的方法与其他方法的区别在于,它需要较少的硬件并提供较高的精度。因此,当使用其中一个基准数据集SDNET2018数据集对所提出的方法进行训练和测试时,实验结果表明,该方法优于现有技术。
附图说明
[0027]利用附图对本专利技术作进一步说明,但附图中的实施例不构成对本专利技术的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
[0028]图1是本专利技术实施例基于卷积神经网络的像素级混凝土裂缝检测方法流程图;
[0029]图2是本专利技术实施例MobileNet V3模型的架构图;
[0030]图3是本专利技术一个较好实施例的训练结果精度示意图;
[0031]图4是本专利技术一个较好实施例的训练结果损失度示意图;
[0032]图5是本专利技术一个较好实施例的训练结果mlou系数图;
[0033]图6是本专利技术一个较好实施例的训练结果dice系数图;
[0034]图7是本专利技术一个较好实施例的混凝土裂缝原始待测图;
[0035]图8是本专利技术一个较好实施例的混凝土裂缝标签图;
[0036]图9是本专利技术一个较好实施例的混凝土裂缝结果预测图。
具体实施方式
[0037]以下结合具体实施例对一种卷积神经网络的像素级混凝土裂缝检测方法作进一步的详细描述,这些实施例只用于比较和解释的目的,本专利技术不限定于这些实施例中。
[0038]实施例
[0039]参见图1,本实施例提供的卷积神经网络的像素级混凝土裂缝检测方法,包括以下步骤:
[0040]S1、建立SDNET2018数据集;
[0041]S2、确定MobileNet V3模型的架构;
[0042]S3、压缩MOBILENET V3模型的体系架构;
[0043]S4、在MOBILENET V3模型中添加卷积块;
[0044]S5、增加扩展过滤器数量;
[0045]S6、通过基于Adam算法的余弦退火方法训练MobileNet V3模型;
[0046]S7、输入待测图片进入S6训练好的MobileNet V3模型,得到检测结果。
[0047]优选的,所述S2中,MobileNet V3模型的架构包括1
×
1扩展卷积层、3
×
3深度卷积层和1
×
1投影层。
[0048]更优的,所述3
×
3卷积深度卷积层的初始阶段的滤波器本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络的像素级混凝土裂缝检测方法,其特征在于,包括以下步骤:S1、建立SDNET2018数据集;S2、确定MobileNet V3模型的架构;S3、压缩MOBILENET V3模型的体系架构;S4、在MOBILENET V3模型中添加卷积块;S5、增加扩展过滤器数量;S6、通过基于Adam算法的余弦退火方法训练MobileNet V3模型;S7、输入待测图片进入S6训练好的MobileNet V3模型,得到检测结果。2.根据权利要求1所述的卷积神经网络的像素级混凝土裂缝检测方法,其特征在于,所述S2中,MobileNet V3模型的架构包括1
×
1扩展卷积层、3
×
3深度卷积层和1
×
1投影层。3.根据权利要求2所述的...

【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:

网友询问留言 已有0条评论
  • 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。

1