【技术实现步骤摘要】
一种基于改进Unet模型的机场道面缺陷识别方法
[0001]本专利技术涉及机场道面缺陷检测领域，尤其涉及一种基于改进Unet模型的机场道面裂缝检测方法。
技术介绍
[0002]传统机场道面的裂缝评估主要是通过人工巡视的方式，该方式主观性强(易错)、效率低、成本高、危险性较大。机场维护人员对裂缝评估自动化的需求非常强烈。在过去，尽管国内外学者对裂缝自动化识别进行了大量的研究，但是依旧离落地应用非常遥远。如今深度学习被广泛应用于计算机视觉领域，取得了巨大的进展，也为裂缝自动化识别提供了强大的助力。
[0003]如今，已有大量学者利用目标检测模型对图像中的裂缝进行自动识别，例如经典的目标检测框架R
‑
CNN系列和YOLO系列。Gou等(Gou et al.,2019)使用Faster R
‑
CNN成功的对道面裂缝进行了检测，取得了一定的效果；Deng等(Deng et al.,2020)将Faster R
‑
CNN方法使用在桥面裂缝检测领域，同样取得了成功。Ukhwah...
【技术保护点】
【技术特征摘要】
1.一种基于改进Unet模型的机场道面缺陷识别方法，其特征在于包括以下步骤：S1：使用面阵相机采集机场道面表观图像数据，采集图像的尺寸为1800
×
900，图像采集完成后，对采集的图像进行去噪和光照补偿，图像预处理实现方式如下：机场道面图像光照可以表示为：I(x,y)＝b(x,y)+g(x,y)式中，I(x,y)表示机场道面图像总光照分布，b(x,y)表示机场道面图像中背景光强分布，g(x,y)表示采集机场道面图像时射灯的光强分布。得到机场道面图像像素值分布特征后，再随机选择多张图像，得到多张图像的平均像素值分布，求取图像像素平均值分布的计算方法如下：式中，表示得到的多张图像的像素平均值分布矩阵，N表示选取图像的数量，N∈[2,100]，I
i
(x,y)表示第i张图像的像素值分布矩阵；计算出平均像素分布矩阵以后，根据平均像素分布设计光照补偿系数矩阵，计算光照补偿系数矩阵的方法如下：式中，M
p
(x,y)表示得到的光照补偿系数矩阵；求出系数矩阵后，就利用系数矩阵与原始图像矩阵对应位置元素相乘，得到光照补偿后的图像，具体计算流程如下：式中，I
n
(x,y)表示原始图像I(x,y)的光照补偿结果图像，α表示图像光照增益系数，其取值范围通常在0.90～1.20之间，表示矩阵对应位置元素相乘的操作；S2：图像采集和预处理完成后，对图像中存在的道面缺陷以及其他道面特征进行像素级标注，构建机场道面缺陷图像数据集，并随机的将数据集分为训练集、验证集和测试集，用于深度学习模型的训练；S3：构建改进的残差模块，缩写为“RRB”，具体实现步骤如下：式中，y
RRB
表示RRB模块的输出结果，x
in
表示输入的特征图像，GN表示组标准化(Group Normalization)操作，表示1
×
1卷积，表示3
×
3卷积，ELU表示ELU激活函数；S4：构建通道注意力模块，缩写为“CAB”，将不同层级的图像特征进行融合，特征融合后，使用卷积等方式对特征进行整合，对同一层特征中的不同通道中的特征赋予不同的权重，实现特征的指导选择，具体实现方式如下：
式中，y
CAB
表示CAB模块的输出，H表示反卷积模块中输出的特征，L表示降采样时改进残差卷积模块的输出的与H的尺寸和通道数相同的特征，W表示CAB模块中的特征融合处理模块的输出，其中，特征融合处理的实现流程如下：首先，将低层与高层特征进行融合：y
Concat
＝Concat(L,H)式中，y
Concat
表示特征融合后的特征输出，Concat表示特征之间的通道融合操作，特征融合后，采用卷积、组标准化以及激活函数对提取到的特征通道信息进行整合，具体实现方式如下：式中，y1表示特征融合后的结果依次经过3
×
3卷积、组标准化和ELU激活函数后的输出，该输出结果为通道注意力模块的中间输出结果，得到中间输出结果后，再次采用卷积以及Sigmoid激活函数对中间输出结果进行进一步的调整，具体实现方式如下：式中，W表示中间输出结果经过3
×
3卷积以及Sigmoid激活函数后的输出，该结果为一权重矩阵，实现动态的低层特征权重赋值，有效的指导低层特征的选取；S5：构建反卷积上...
【专利技术属性】
技术研发人员：罗仁泽，邓治林，罗任权，谭亮，余泓，李华督，
申请(专利权)人：西南石油大学，
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。