一种短时紧凑联级的轻量化结构裂隙分割方法技术

本发明专利技术提供了一种短时紧凑联级的轻量化结构裂隙分割方法，采集待识别的混凝土工程结构图片；将所述混凝土工程结构图片输入至经过训练的轻量化结构裂隙分割网络进行特征提取；输出预测裂缝识别结果图片；使用一种轻量级网络构造单元来替换传统的卷积,在这种轻量级网络构造单元引入多尺度的卷积核从而可以扩展感受野，采用短期密集级联模块，将网络的两个分支合并成为一个分支，并通过Detail Head生成细节图对底层细节进行指导预测，使用ADD操作代替Concatenate操作来实现特征隐式复用，减少计算量，降低计算成本，减小对硬件性能的需求。需求。需求。

【技术实现步骤摘要】
一种短时紧凑联级的轻量化结构裂隙分割方法


[0001]本专利技术涉及道路砼结构检测
，具体涉及一种短时紧凑联级的轻量化结构裂隙分割方法。

技术介绍

[0002]随着我国三维综合交通网络的不断完善，砼结构如道路、桥梁等的数量也在迅速增加。然而，这些结构的使用和老化会导致其面临很多问题，比如龟裂、脱落等。为了保障公众的安全和出行便利，对于这些砼结构的定期维护和保养工作就显得尤为重要。在维修保养工作中，裂隙分割是一个至关重要的环节，它直接关系到砼结构的长期稳定性和安全性。然而，由于人工道路裂隙分割步骤十分繁琐，同时受到分割人员主观性的影响较大，这直接影响到道路裂隙分割的精度。因此，开发高效、准确的道路裂隙分割技术对于提高砼结构维护和保养的效率和质量具有重要意义。
[0003]近年来，计算机视觉和深度学习技术不断发展，为道路裂隙分割技术的提升提供了新的思路。通过基于深度学习的无人机巡检，可以更有效地解决道路裂隙逐像素分类问题，并精确定位每个道路裂隙的位置，从而建立高频、快速、全覆盖的路面健康巡检体系。也正是因为这些技术的发展和应用，让我们在砼结构维护保养领域拥有了更多的可能性。
[0004]目前，计算机视觉、图像处理和模式识别技术不断改进，深度学习方法也被广泛应用于道路裂隙分割。通过基于深度学习的无人机巡检，可以更有效地解决道路裂隙逐像素分类问题，并精确定位每个道路裂隙的位置，从而建立高频、快速、全覆盖的路面健康巡检体系。这一方法不仅实现了路面损新的自动化识别和准确定位，还提高了日常巡查工作效率和质量。然而，由于无人机和手机等端设备算力有限，无法部署计算量和参数量巨大的U
‑
Net、SegNet等裂隙分割模型。因此，开发出可在边缘设备上部署的轻量级裂隙分割模型，是当前端设备巡检道路裂隙的一个重要需求。

技术实现思路

[0005]本专利技术提出了一种短时紧凑联级的轻量化结构裂隙分割方法，以解决无人机和手机等端设备算力有限，无法部署计算量和参数量巨大的U
‑
Net、SegNet等裂隙分割模型的技术问题。
[0006]为解决上述技术问题，本专利技术提供了一种短时紧凑联级的轻量化结构裂隙分割方法，包括以下步骤：
[0007]步骤S1：采集待识别的混凝土工程结构图片；
[0008]步骤S2：将所述混凝土工程结构图片输入至经过训练的轻量化结构裂隙分割网络进行特征提取；
[0009]步骤S3：输出预测裂缝识别结果图片；
[0010]所述轻量化结构裂隙分割网络的构建过程包括以下步骤：
[0011]1)构建轻量级多尺度网络构造单元：通过1
×
1卷积生成通道权重，采用激活函数
ReLU进行激活后进行特征提取并进行下采样，通过ADD操作对提取特征进行隐式复用；
[0012]2)构建轻量级多尺度网络：设置两个所述轻量级多尺度网络构造单元，两个所述轻量级多尺度网络构造单元之间通过注意力机制进行激活得到权重后，对特征进行处理；
[0013]3)构建短时紧凑联级块：由六个模块组成，第一个模块包括通道降维层、批归一化层和一个ReLU激活层，第二个模块至第五个模块为所述轻量级多尺度网络，用于进行特征提取，第二个模块至第五个模块之间通过ADD操作进行特征的合并，第六个模块用于提高特征通道数与输入保持一致；
[0014]4)构建轻量化结构裂隙分割网络：包括六个阶段，阶段一和阶段二采用3
×
3卷积进行步长为2的空间下采样进行提取特征，阶段三至阶段五均采用多个所述短时紧凑联级块进行堆叠进行提取特征，阶段六通过对特征进行融合得到预测裂缝识别结果图片。
[0015]优选地，所述轻量化结构裂隙分割网络的构建过程的步骤1)中使用3
×
3，5
×
5，1
×
1和一个BN层并行处理，分别进行特征提取。
[0016]优选地，所述轻量化结构裂隙分割网络的构建过程的步骤2)中所述注意力机制采用轻量注意力机制ECA。
[0017]优选地，所述轻量化结构裂隙分割网络的构建过程的步骤3)中降维层通过1
×
1卷积降低特征通道数。
[0018]优选地，所述轻量化结构裂隙分割网络的构建过程的步骤3)中通过1
×
1卷积提高特征通道数与输入保持一致。
[0019]优选地，所述轻量化结构裂隙分割网络的构建过程的步骤4)中所述短时紧凑联级块设置为两个。
[0020]优选地，所述轻量化结构裂隙分割网络的构建过程的步骤4)中阶段三至阶段五的多个所述短时紧凑联级块中的第一个短时紧凑联级块进行步长为2的空间下采样。
[0021]优选地，所述轻量化结构裂隙分割网络的训练过程包括：使用裂缝数据集对轻量级工程结构裂缝识别网络进行网络训练，输出得到裂缝识别结果与真实裂隙图进行比对直至收敛。
[0022]优选地，所述轻量化结构裂隙分割网络的构建过程的步骤4)中对特征进行融合的方法包括：阶段三通过Detail Head生成细节特征图，使用真实值作为所述细节特征图的引导以获取空间特征；阶段四通过注意力优化模块ARM进行特征优化得到第一上下文信息；阶段五通过注意力优化模块ARM进行特征优化得到第二上下文信息；将所述第一上下文信息、第二上下文信息和阶段五的原始输出进行融合得到上下文特征；将所述空间特征和所述上下文特征通过特征融合模块FFM进行融合后进行上采样，得到与所述混凝土工程结构图片通道数一致的预测裂缝识别结果图片。
[0023]优选地，所述注意力优化模块ARM包括两条分支，一条分支由一个全局池化层，一个1
×
1卷积层，一个批归一化层和Sigmoid函数组成，另一条是原特征的复制，两个分支进行融合。
[0024]本专利技术的有益效果至少包括：使用一种轻量级网络构造单元来替换传统的卷积，在这种轻量级网络构造单元引入多尺度的卷积核从而可以扩展感受野，同时采用了一个短期密集级联模块，将BiSeNet的两个分支合并成为一个分支，使用ADD操作代替Concatenate操作来实现特征隐式复用，特征保留度更高。作为附加技术特征，引入了轻量注意力机制
ECA(Efficient Channel Attention)替换原有的SE注意力机制，算力要求更低；引入细节预测模块，使底层细节指导预测，预测更精准。
附图说明
[0025]图1为本专利技术实施例的轻量化结构裂隙分割网络示意图；
[0026]图2为本专利技术实施例的轻量级多尺度网络结构示意图；
[0027]图3为本专利技术实施例的短时紧凑联级块结构示意图；
[0028]图4为本专利技术实施例的特征融合模块FFM的流程示意图。
具体实施方式
[0029]下面结合本专利技术实施例中的附图，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。基于本专利技术的实施例，本领域普本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短时紧凑联级的轻量化结构裂隙分割方法，其特征在于：包括以下步骤：步骤S1：采集待识别的混凝土工程结构图片；步骤S2：将所述混凝土工程结构图片输入至经过训练的轻量化结构裂隙分割网络进行特征提取；步骤S3：输出预测裂缝识别结果图片；所述轻量化结构裂隙分割网络的构建过程包括以下步骤：1)构建轻量级多尺度网络构造单元：通过1
×
1卷积生成通道权重，采用激活函数ReLU进行激活后进行特征提取并进行下采样，通过ADD操作对提取特征进行隐式复用；2)构建轻量级多尺度网络：设置两个所述轻量级多尺度网络构造单元，两个所述轻量级多尺度网络构造单元之间通过注意力机制进行激活得到权重后，对特征进行处理；3)构建短时紧凑联级块：由六个模块组成，第一个模块包括通道降维层、批归一化层和一个ReLU激活层，第二个模块至第五个模块为所述轻量级多尺度网络，用于进行特征提取，第二个模块至第五个模块之间通过ADD操作进行特征的合并，第六个模块用于提高特征通道数与输入保持一致；4)构建轻量化结构裂隙分割网络：包括六个阶段，阶段一和阶段二采用3
×
3卷积进行步长为2的空间下采样进行提取特征，阶段三至阶段五均采用多个所述短时紧凑联级块进行堆叠进行提取特征，阶段六通过对特征进行融合得到预测裂缝识别结果图片。2.根据权利要求1所述的一种短时紧凑联级的轻量化结构裂隙分割方法，其特征在于：所述轻量化结构裂隙分割网络的构建过程的步骤1)中使用3
×
3，5
×
5，1
×
1卷积和一个BN层并行处理，分别进行特征提取。3.根据权利要求1所述的一种短时紧凑联级的轻量化结构裂隙分割方法，其特征在于：所述轻量化结构裂隙分割网络的构建过程的步骤2)中所述注意力机制采用轻量注意力机制ECA。4.根据权利要求1所述的一种短时紧凑联级的轻量化结构裂隙分割方法，其特征在于：所述轻量化结构裂隙分割网络的构建过程的步骤3)中降维层通过1

【专利技术属性】
技术研发人员：袁景凌，李森垚，钟忺，江春鹏，蔡思琦，黄文心，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：