一种基于像素强度顺序变化与分割网络的裂缝检测方法技术

本发明专利技术公开一种基于像素强度顺序变化与分割网络的裂缝检测方法，首先利用像素点强度顺序变化的特点对裂样本缝数据集中的各个样本裂缝图像进行处理，生成各个样本裂缝图像的辅助图；然后利用样本裂缝图像及其辅助图对裂缝分割网络进行训练，得到裂缝分割网络模型；接着利用像素点强度顺序变化的特点对将待检测裂缝图像进行处理，生成待检测裂缝图像的辅助图；最后将待检测裂缝图像及其辅助图送入裂缝分割网络模型中，完成待检测裂缝图像的裂缝检测。本发明专利技术不仅有效地解决了多样化裂缝检测场景中面临的挑战，并能够实现高效、准确、稳健的裂缝检测，还能够降低检测成本，提高检测效率，同时应用范围广泛。同时应用范围广泛。同时应用范围广泛。

【技术实现步骤摘要】
一种基于像素强度顺序变化与分割网络的裂缝检测方法


[0001]本专利技术涉及计算机视觉
，具体涉及一种基于像素强度顺序变化与分割网络的裂缝检测方法。

技术介绍

[0002]当我们谈论基础设施的安全和稳定性时，裂缝是一个普遍存在的问题。这种结构缺陷对基础设施的强度和稳定性造成了严重影响，可能会导致建筑物倒塌、道路塌陷、桥梁断裂等不良后果，从而危及人们的生命财产安全和社会经济发展。传统的裂缝解决方法包括人工检测和修补；人工检测需要耗费大量人力和时间，准确性和一致性受到人员主观因素的影响；修补方法则通常基于经验和专业知识，缺乏科学性和精度，并且成本高昂、维修周期长，会导致基础设施的停工和损失。
[0003]为了解决这些问题，我们需要更智能、高效的方法来处理裂缝。现今，智能化解决方案主要采用传统机器学习算法和深度学习技术。传统机器学习算法适用于少样本的数据集，具有较强的稳定性和成本效益，但仅仅在局部建模，缺乏全局视图，在精度上表现并不是很出色。深度学习算法则能够学习到更高层次的抽象特征，具有更优越的精度，并且能够从数据中自主学习特征，减少人工干预的需求，提高检测效率，但成本开销相对较大，受限于数据的规模和多样性。
[0004]在多样化裂缝检测场景中，裂缝与非裂缝区域之间存在着复杂的关系，这给检测方法的准确性带来了巨大的挑战。另外，由于裂缝样本通常相对较少，样本分布的不平衡性也使得裂缝检测变得更加困难。因此，在实际应用中，裂缝检测方法需要具备高效、准确、稳健等特点。

技术实现思路

[0005]本专利技术所要解决的是现有裂缝检测方法所存在的问题，提供一种基于像素强度顺序变化与分割网络的裂缝检测方法，其具备高效、准确和稳健的特点。
[0006]为解决上述问题，本专利技术是通过以下技术方案实现的：
[0007]一种基于像素强度顺序变化与分割网络的裂缝检测方法，包括步骤如下：
[0008]步骤1、构建裂缝分割网络；
[0009]步骤2、获取样本裂缝数据集，并利用像素点强度顺序变化的特点对裂样本缝数据集中的各个样本裂缝图像进行处理，生成各个样本裂缝图像的辅助图；
[0010]步骤3、利用样本裂缝图像及其辅助图对步骤1的裂缝分割网络进行训练，得到裂缝分割网络模型；
[0011]步骤4、采集待检测裂缝图像，并利用像素点强度顺序变化的特点对将待检测裂缝图像进行处理，生成待检测裂缝图像的辅助图；
[0012]步骤5、将待检测裂缝图像及其辅助图送入步骤3的裂缝分割网络模型中，完成待检测裂缝图像的裂缝检测。
[0013]上述步骤1的裂缝分割网络由1个转换层、26个自注意力卷积层、3个混合池化层、2个最大池化层、2个最大逆池化层、3个交替卷积层、5个缩放注意力层、1个拼接层和1个卷积层组成；
[0014]转换层的输入形成裂缝分割网络的输入；转换层的输出连接第一自注意力卷积层的输入，第一自注意力卷积层的输出连接第二自注意力卷积层的输入，第二自注意力卷积层的输出连接第一混合池化层的输入；第一混合池化层的输出连接第三自注意力卷积层的输入，第三自注意力卷积层的输出连接第四自注意力卷积层的输入，第四自注意力卷积层的输出连接第二混合池化层的输入；第二混合池化层的输出连接第五自注意力卷积层的输入，第五自注意力卷积层的输出连接第六自注意力卷积层的输入，第六自注意力卷积层的输出连接第七自注意力卷积层的输入，第七自注意力卷积层的输出连接第三混合池化层的输入；第三混合池化层的输出连接第八自注意力卷积层的输入，第八自注意力卷积层的输出连接第九自注意力卷积层的输入，第九自注意力卷积层的输出连接第十自注意力卷积层的输入，第十自注意力卷积层的输出连接第一最大池化层的输入；第一最大池化层的输出连接第十一自注意力卷积层的输入，第十一自注意力卷积层的输出连接第十二自注意力卷积层的输入，第十二自注意力卷积层的输出连接第十三自注意力卷积层的输入，第十三自注意力卷积层的输出连接第二最大池化层的输入；
[0015]第二最大池化层的输出连接第一个最大逆池化层的输入；第一最大逆池化层的输出连接第十四自注意力卷积层的输入，第十四自注意力卷积层的输出连接第十五自注意力卷积层的输入，第十五自注意力卷积层的输出连接第十六自注意力卷积层的输入，第十六自注意力卷积层的输出连接第二最大逆池化层的输入；第二最大逆池化层的输出连接第十七自注意力卷积层的输入，第十七自注意力卷积层的输出连接第十八自注意力卷积层的输入，第十八自注意力卷积层的输出连接第十九自注意力卷积层的输入，第十九自注意力卷积层的输出连接第一交替卷积层的输入；第一交替卷积层的输出连接第二十自注意力卷积层的输入，第二十自注意力卷积层的输出连接第二十一自注意力卷积层的输入，第二十一自注意力卷积层的输出连接第二十二自注意力卷积层的输入，第二十二自注意力卷积层的输出连接第二交替卷积层的输入；第二交替卷积层的输出连接第二十三自注意力卷积层的输入，第二十三自注意力卷积层的输出连接第二十四自注意力卷积层的输入，第二十四自注意力卷积层的输出连接第三交替卷积层的输入；第三交替卷积层的输出连接第二十五自注意力卷积层的输入，第二十五自注意力卷积层的输出连接第二十六自注意力卷积层的输入；
[0016]第十一、十二、十三、十四、十五和十六自注意力卷积层的输出同时接第一缩放注意力层；第八、九、十、十七、十八和十九自注意力卷积层的输出同时接第二缩放注意力层；第五、六、七、二十、二十一和二十二自注意力卷积层的输出同时接第三缩放注意力层；第三、四、二十三和二十四自注意力卷积层的输出同时接第四缩放注意力层；第一、二、二十五和二十六自注意力卷积层的输出同时接第五缩放注意力层；转换层的输出和第一至第五缩放注意力层的输出同时接拼接层的输入，转换层的输出连接卷积层的输入，卷积层的输出形成裂缝分割网络的输出。
[0017]上述裂缝分割网络的转换层由1个激活层、1个门控逻辑层、2个残差层、1个空间注意力层、1个通道注意力层、3个相乘层和1个相加层组成；第一残差层与第一和第二相乘层
的一个输入共同形成转换层的裂缝图像的输入；激活层的输入形成转换层的裂缝图像的辅助图的输入，激活层的输出连接门控逻辑层的输入，门控逻辑层的输出同时连接第一残差层和第一相乘层的另一个输入；第一相乘层的输出连接第二残差层的一个输入；第一残差层的输出分为两路，一路经由空间注意力层连接第三相乘层的一个输入，另一路经由通道注意力层连接第三相乘层的另一个输入；第三相乘层的输出同时连接第二残差层和第二相乘层的另一个输入；第二残差层和第二相乘层的输出形成转换层的输出。
[0018]上述裂缝分割网络混合池化层由1个水平池化层、1个垂直池化层、1个平均池化层和1个相加层组成；水平池化层、垂直池化层和平均池化层的输入共同形成混合池化层的输入，水平池化层、垂直池化层和平均池化层的输入同时连接相加层的输入，相加层的输出形成混合池化层的输出。
[0019]上述裂缝分割网络交替卷积层由2个逆卷积层、1个卷积层、3个激活层、1个相减层和1个相加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于像素强度顺序变化与分割网络的裂缝检测方法，其特征是，包括步骤如下：步骤1、构建裂缝分割网络；步骤2、获取样本裂缝数据集，并利用像素点强度顺序变化的特点对裂样本缝数据集中的各个样本裂缝图像进行处理，生成各个样本裂缝图像的辅助图；步骤3、利用样本裂缝图像及其辅助图对步骤1的裂缝分割网络进行训练，得到裂缝分割网络模型；步骤4、采集待检测裂缝图像，并利用像素点强度顺序变化的特点对将待检测裂缝图像进行处理，生成待检测裂缝图像的辅助图；步骤5、将待检测裂缝图像及其辅助图送入步骤3的裂缝分割网络模型中，完成待检测裂缝图像的裂缝检测。2.根据权利要求1所述的一种基于像素强度顺序变化与分割网络的裂缝检测方法，其特征是，步骤1的裂缝分割网络由1个转换层、26个自注意力卷积层、3个混合池化层、2个最大池化层、2个最大逆池化层、3个交替卷积层、5个缩放注意力层、1个拼接层和1个卷积层组成；其中：转换层的输入形成裂缝分割网络的输入；转换层的输出连接第一自注意力卷积层的输入，第一自注意力卷积层的输出连接第二自注意力卷积层的输入，第二自注意力卷积层的输出连接第一混合池化层的输入；第一混合池化层的输出连接第三自注意力卷积层的输入，第三自注意力卷积层的输出连接第四自注意力卷积层的输入，第四自注意力卷积层的输出连接第二混合池化层的输入；第二混合池化层的输出连接第五自注意力卷积层的输入，第五自注意力卷积层的输出连接第六自注意力卷积层的输入，第六自注意力卷积层的输出连接第七自注意力卷积层的输入，第七自注意力卷积层的输出连接第三混合池化层的输入；第三混合池化层的输出连接第八自注意力卷积层的输入，第八自注意力卷积层的输出连接第九自注意力卷积层的输入，第九自注意力卷积层的输出连接第十自注意力卷积层的输入，第十自注意力卷积层的输出连接第一最大池化层的输入；第一最大池化层的输出连接第十一自注意力卷积层的输入，第十一自注意力卷积层的输出连接第十二自注意力卷积层的输入，第十二自注意力卷积层的输出连接第十三自注意力卷积层的输入，第十三自注意力卷积层的输出连接第二最大池化层的输入；第二最大池化层的输出连接第一个最大逆池化层的输入；第一最大逆池化层的输出连接第十四自注意力卷积层的输入，第十四自注意力卷积层的输出连接第十五自注意力卷积层的输入，第十五自注意力卷积层的输出连接第十六自注意力卷积层的输入，第十六自注意力卷积层的输出连接第二最大逆池化层的输入；第二最大逆池化层的输出连接第十七自注意力卷积层的输入，第十七自注意力卷积层的输出连接第十八自注意力卷积层的输入，第十八自注意力卷积层的输出连接第十九自注意力卷积层的输入，第十九自注意力卷积层的输出连接第一交替卷积层的输入；第一交替卷积层的输出连接第二十自注意力卷积层的输入，第二十自注意力卷积层的输出连接第二十一自注意力卷积层的输入，第二十一自注意力卷积层的输出连接第二十二自注意力卷积层的输入，第二十二自注意力卷积层的输出连接第二交替卷积层的输入；第二交替卷积层的输出连接第二十三自注意力卷积层的输入，第二十三自注意力卷积层的输出连接第二十四自注意力卷积层的输入，第二十四自注意力卷积层的输出连接第三交替卷积层的输入；第三交替卷积层的输出连接第二十五自注
意力卷积层的输入，第二十五自注意力卷积层的输出连接第二十六自注意力卷积层的输入；第十一、十二、十三、十四、十五和十六自注意力卷积层的输出同时接第一缩放注意力层；第八、九、十、十七、十八和十九自注意力卷积层的输出同时接第二缩放注意力层；第五、六、七、二十、二十一和二十二自注意力卷积层的输出同时接第三缩放注意力层；第三、四、二十三和二十四自注意力卷积层的输出同时接第四缩放注意力层；第一、二、二十五和二十六自注意力卷积层的输出同时接第五缩放注意力...

【专利技术属性】
技术研发人员：黄廷辉，李升典，彭佳宝，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：