基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法技术

本申请提供了一种基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，包括步骤：获取高铁桥梁表观裂缝图片数据集，从图片数据集中选择候选数据集，并从候选数据集中选择当前子集；采用随机抽样的方式从候选数据集中选取多个样本作为新的训练样本，对训练样本进行标记，添加到训练集中；使用训练集更新裂缝识别的深度神经网络模型，计算相邻两次迭代训练过程中深度神经网络模型对图片数据集预测结果的相对损失；若连续多次迭代中图片数据集预测结果的相对损失小于容许值，则判定深度神经网络模型收敛；保存深度神经网络模型，并使用深度神经网络模型进行高铁桥梁表观裂缝识别。本申请能够解决现有技术中高速铁路桥梁表观裂缝识别主动学习中的抽样局部最优的技术问题，提高裂缝识别的效率和精度。提高裂缝识别的效率和精度。提高裂缝识别的效率和精度。

【技术实现步骤摘要】
基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法


[0001]本专利技术涉及深度学习
，具体涉及基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法。

技术介绍

[0002]大跨高速铁路(高铁)桥梁在长期服役过程中会发生性能退化，导致桥梁结构的安全性能降低，严重威胁到人们的生命和财产安全。进行高铁桥梁状态评估，可以有效地识别桥梁的性能退化程度、提前预防灾害的发生，是保障高铁桥梁安全运营的重要手段。表面开裂是桥梁结构损坏的重要早期指标，进行表观裂缝的识别是高铁桥梁状态评估的重要任务。
[0003]传统的人工检测方法成本高昂，且人工高空作业存在安全隐患，难以高效进行在大范围的高铁桥梁检测。近年来，基于深度学习的计算机视觉技术得到了飞速的发展，并成功应用到结构表观裂缝识别等领域，可以极大地促进高铁桥梁表观裂缝识别自动化实施。然而，用于表观裂缝计算机视觉识别的深度学习模型需要大量的带标签裂缝数据集进行训练，才能达到足够的识别精度。在实际工程中，建立庞大的训练数据集通常都比较困难，对数据集进行标签的成本比较昂贵。相比传统的训练方法，主动学习方法可以利用相当少的训练数据训练深度学习模型，却能得到足够高的识别精度。然而，现有的基于表达和基于不确定性的主动学习方法，未能较好地平衡主动学习过程中的探索和利用，容易出现抽样局部最优问题，导致主动学习的效率较低，造成了训练数据集的浪费。

技术实现思路

[0004]本专利技术的目的在于克服上述技术不足，提供一种基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，能够解决现有技术中高速铁路桥梁表观裂缝识别主动学习中的抽样局部最优的技术问题，提高高速铁路桥梁表观裂缝识别的效率和精度。
[0005]为达到上述技术目的，第一方面，本专利技术的技术方案提供一种基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，包括以下步骤：
[0006]获取高铁桥梁表观裂缝图片数据集，从所述图片数据集中选择候选数据集，并从所述候选数据集中选择当前子集；
[0007]采用随机抽样的方式从所述候选数据集中选取多个样本作为新的训练样本，对所述训练样本进行标记，添加到训练集中；
[0008]使用所述训练集更新裂缝识别的深度神经网络模型，计算在相邻两次迭代训练过程中所述深度神经网络模型对所述图片数据集预测结果的相对损失；
[0009]若连续在多次迭代中所述图片数据集预测结果的相对损失小于第一容许值，所述深度神经网络模型收敛；
[0010]保存所述深度神经网络模型，并使用所述深度神经网络模型进行高铁桥梁表观裂缝识别。
[0011]与现有技术相比，本专利技术的有益效果包括：
[0012]本专利技术目提供的基于自适应子集搜索和深度学习的桥梁表观裂缝识别方，根据样本的不确定性，采用整体到局部的策略，从高铁桥梁表观裂缝数据集中选择子集和训练样本，训练裂缝识别的深度神经网络模型；采用相邻两次迭代中模型对图片数据集的预测结果计算相对损失，由此进行模型收敛和子集收敛判别。本专利技术根据子集收敛衡量深度神经网络模型的全局预测精度，自适应地缩小抽样范围，平衡主动学习过程中的探索和利用；根据模型收敛作为主动学习的终止条件，能有效提高高速铁路桥梁表观裂缝识别的效率和精度。
[0013]根据本专利技术的一些实施例，若所述深度神经网络模型未满足收敛条件，采用上一次迭代中所述深度神经网络模型对所述当前子集的预测标签作为真实标签，采用当前迭代的所述深度神经网络模型预测所述当前子集的预测标签；
[0014]根据所述真实标签、所述预测标签和网络的损失函数计算两次迭代中所述当前子集预测结果的相对损失，判断所述当前子集是否满足收敛条件；
[0015]当连续若干次迭代中所述当前子集预测结果的相对损失小于第二容许值，所述当前子集满足收敛条件，将所述当前子集从所述候选数据集中删除，以缩小主动学习的搜索范围；
[0016]采用深度神经网络模型预测所述候选数据集的样本，基于预测结果的信息熵计算候选数据集样本的不确定性，以更新所述候选数据集的样本的不确定性。
[0017]根据本专利技术的一些实施例，在判断所述当前子集是否满足收敛条件之后，包括步骤：
[0018]若当前子集未满足收敛条件，基于预测结果的信息熵计算候选数据集样本的不确定性，以更新所述候选数据集的样本的不确定性。
[0019]根据本专利技术的一些实施例，计算所述深度神经网络模型在相邻两次迭代训练过程中所述图片数据集预测结果的相对损失，包括步骤：
[0020]采用上一次迭代中所述深度神经网络模型对所述图片数据集的预测标签作为真实标签，采用当前迭代的所述深度神经网络模型预测所述图片数据集的预测标签，然后根据所述真实标签、所述预测标签和所述深度神经网络模型的损失函数计算两次迭代中数据集的相对损失。
[0021]根据本专利技术的一些实施例，所述深度神经网络模型的损失函数包括Dice Loss损失函数和交叉熵损失函数两个部分；
[0022]其中D i ce Loss损失函数定义为：
[0023][0024]式中，S
ip
和S
ig
分别为预测和真实的像素分类，N为像素总数；
[0025]交叉熵损失函数的定义为：
[0026][0027]x为输入也是深度神经网络模型的最后一层的输出，class为像素真实的标签索引值；
[0028]所述深度神经网络模型的损失函数为：
[0029]loss＝loss
CE
+loss
Dice
。
[0030]根据本专利技术的一些实施例，
[0031]根据本专利技术的一些实施例，基于预测结果的信息熵计算候选数据集样本的不确定性，包括：
[0032]基于信息熵的不确定性计算公式为：
[0033][0034]p(S
i
)为像素被预测为i类的概率，n为类别总数，N为样本图片的像素总数。
[0035]根据本专利技术的一些实施例，在更新所述候选数据集的样本的不确定性之后，包括步骤：
[0036]根据样本的不确定性，从候选数据集中选取不确定性最小的前N
s
个样本作为新的当前子集，其中N
s
定义为：
[0037]N
s
＝p
s
N
c
[0038]p
s
为比例系数，N
c
为剩余的候选数据集样本数。
[0039]根据本专利技术的一些实施例，若连续在多次迭代中所述图片数据集预测结果的相对损失小于第一容许值，所述深度神经网络模型收敛，包括步骤：
[0040]若连续在两次迭代中所述图片数据集预测结果的相对损失小于所述第一容许值，所述第一容许值为0.15，所述深度神经网络模型收敛。
[0041]根据本专利技术的一些实施例，当连续若干次迭代中所述当前子集预测结果的相对损失小于第二容许值，所述当前子集满足收敛条件，包括步骤：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，包括以下步骤：获取高铁桥梁表观裂缝图片数据集，从所述图片数据集中选择候选数据集，并从所述候选数据集中选择当前子集；采用随机抽样的方式从所述候选数据集中选取多个样本作为新的训练样本，对所述训练样本进行标记，添加到训练集中；使用所述训练集更新裂缝识别的深度神经网络模型，计算所述深度神经网络模型在相邻两次迭代训练过程中对所述图片数据集预测结果的相对损失；若连续在多次迭代中所述图片数据集预测结果的相对损失小于第一容许值，所述深度神经网络模型收敛；保存所述深度神经网络模型，并使用所述深度神经网络模型进行高铁桥梁表观裂缝识别。2.根据权利要求1所述的基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，若所述深度神经网络模型未满足收敛条件，采用上一次迭代中所述深度神经网络模型对所述当前子集的预测标签作为真实标签，采用当前迭代的所述深度神经网络模型预测所述当前子集的预测标签；根据所述真实标签、所述预测标签和网络的损失函数计算两次迭代中所述当前子集预测结果的相对损失，判断所述当前子集是否满足收敛条件；当连续若干次迭代中所述当前子集预测结果的相对损失小于第二容许值，所述当前子集满足收敛条件，将所述当前子集从所述候选数据集中删除，以缩小主动学习的搜索范围；采用深度神经网络模型预测所述候选数据集的样本，基于预测结果的信息熵计算候选数据集样本的不确定性，以更新所述候选数据集的样本的不确定性。3.根据权利要求2所述的基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，在判断所述当前子集是否满足收敛条件之后，包括步骤：若当前子集未满足收敛条件，基于预测结果的信息熵计算候选数据集样本的不确定性，以更新所述候选数据集的样本的不确定性。4.根据权利要求1所述的基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，计算所述深度神经网络模型在相邻两次迭代训练过程中对所述图片数据集预测结果的相对损失，包括步骤：采用上一次迭代中所述深度神经网络模型对所述图片数据集的预测标签作为真实标签，采用当前迭代的所述深度神经网络模型预测所述图片数据集的预测标签，然后根据所述真实标签、所述预测标签和所述深度神经网络模型的损失函数计算两次迭代中数据集的相对损失。5.根据权利要求4所述的基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，所述深度神经网络模型的损失函数包...

【专利技术属性】
技术研发人员：何旭辉，项正良，
申请(专利权)人：中南大学，
类型：发明
国别省市：