一种缝隙检测方法、系统和存储介质技术方案

本发明专利技术涉及混凝土裂缝监测和计算机技术领域，尤其是一种缝隙检测方法、系统和存储介质。本发明专利技术对传统的YOLOv7模型进行结构优化，将传统的YOLOv7模型中的将传统的YOLOv7模型中的第一Concat拼接网络替换为第一multicat拼接网络，将第二Concat拼接网络替换为第二multicat拼接网络。本发明专利技术扩大了模型的感受野，使其能够捕捉到更广阔的场景信息了，提高对复杂场景和大尺度目标的识别和理解能力，从而提高了模型的精度和实例分割的适应性。而提高了模型的精度和实例分割的适应性。而提高了模型的精度和实例分割的适应性。

【技术实现步骤摘要】
一种缝隙检测方法、系统和存储介质


[0001]本专利技术涉及混凝土裂缝监测和计算机
，尤其是一种缝隙检测方法、系统和存储介质。

技术介绍

[0002]混凝土是桥梁、隧道、大坝和其他基础设施中最常见的材料之一。由于温度、过载、腐蚀和定期维护不足的影响，存在各种类型的缺陷，并可能造成基础设施系统功能丧失和安全受损。混凝土结构例如道路的定期检修对保证结构安全十分重要。
[0003]随着计算机技术的发展，各种机器学习方法促进了远程、非接触的混凝土结构检测的发展。目前，常用的YOLOv7模型在道路检测上经常被用到，是当前效果较为稳定、优异的模型。
[0004]但是，YOLOv7模型并不是专为裂缝检测所构建的模型结构，其在裂缝检测上的性能需要进一步提高。尤其，YOLOv7模型等机器学习模型输出的结果为输入图像上的裂缝定位和类别，输出结果难以直观的让用户对裂缝形成形象的认知。为了克服该问题，目前常常将裂缝检测模型与用于实例分割的分割头一起使用，分割头可结合裂缝检测结果从原始图像上分割裂缝图像，并对裂缝的尺寸和走向进行标注，便于用户对裂缝产生形象认知。
[0005]而目前裂缝检测中忽视了机器学习模型对实例分割的影响，造成计算实现的实例分割并不理想。并且在检测过程中还需要专人对裂缝检测结果进行理解，造成裂缝检测工作专业度高、效率低。

技术实现思路

[0006]为了克服上述现有技术道路裂缝检测专业度高、效率低的缺陷，本专利技术提出了一种缝隙检测方法，可实现远程高精度监测道路缝隙，并实现精确的实例分割，便于用户形象了解裂缝情况。
[0007]本专利技术提出的一种缝隙检测方法，通过机器学习的目标检测模型对混凝土图像进行识别，以获取裂缝信息，裂缝信息包括裂缝类别；目标检测模型的获取包括以下步骤：首先获取基础模型和学习样本，学习样本为标注有裂缝类别的混凝土损伤图像；然后令基础模型对学习样本进行机器学习，获取收敛后的基础模型作为目标检测模型；基础模型对传统的YOLOv7模型进行结构优化后获得，优化方式为：将传统的YOLOv7模型中的第一Concat拼接网络替换为第一multicat拼接网络，将第二Concat拼接网络替换为第二multicat拼接网络；第一multicat拼接网络和第二multicat拼接网络结构相同，统称为multicat网络；multicat网络包括平均池化层、最大池化层和第七Concat拼接网络；multicat网络设有第一输入端、第二输入端和第三输入端；平均池化层和最大池化层均连接multicat网络的第一输入端，multicat网络的第一输入端的输入数据经过平均池化和最大池化后再进行维度叠加，叠加后的数据与multicat网络的第二输入端的输入数据以及multicat网络
的第三输入端输送到第七Concat拼接网络进行维度采样，第七Concat拼接网络的输出作为multicat网络的输出；第一multicat网络的第一输入端的输入为基础模型中任一层网络的输出，第一multicat网络的第二输入端连接第三CBS
‑
3网络的输出端，第一multicat网络的第三输入端连接第一UPSample网络的输出端；第一multicat网络的输出端连接第一ELAN
‑
W网络的输入端；第二multicat网络的第一输入端的输入为基础模型中任一层网络的输出，第二multicat网络的第二输入端连接第四CBS
‑
3网络的输出端，第二multicat网络的第三输入端连接第二UPSample网络的输出端；第二multicat网络的输出端连接第二ELAN
‑
W网络的输入端。
[0008]优选的，第一multicat网络的第一输入端的输入为第二ELAN网络的输出端。
[0009]优选的，第二multicat网络的第一输入端的输入为第一ELAN网络的输出。
[0010]优选的，相对于传统的YOLOv7模型，基础模型还包括第十五Conv卷积网络、第八Concat拼接网络、第十六Conv卷积网络、第九Concat拼接网络、第十七Conv卷积网络和第十Concat拼接网络；第十五Conv卷积网络的输入连接第二ELAN网络的输出，第十五Conv卷积网络的输出连接第八Concat拼接网络的输入，第八Concat拼接网络的输入还连接第二ELAN
‑
W网络的输出；第一输出网络中REP网络的输入端分别连接第八Concat拼接网络的输出和第二ELAN
‑
W网络的输出；第十六Conv卷积网络的输入连接第三ELAN网络的输出，第十六Conv卷积网络的输出连接第九Concat拼接网络的输入，第九Concat拼接网络的输入还连接第三ELAN
‑
W网络的输出；第二输出网络中REP网络的输入端分别连接第九Concat拼接网络的输出和第三ELAN
‑
W网络的输出；第十七Conv卷积网络的输入连接第四ELAN网络的输出，第十七Conv卷积网络的输出连接第十Concat拼接网络的输入，第十Concat拼接网络的输入还连接第四ELAN
‑
W网络的输出；第三输出网络中REP网络的输入端分别连接第十Concat拼接网络的输出和第四ELAN
‑
W网络的输出。
[0011]优选的，相对于传统的YOLOv7模型，对传统的YOLOv7模型进行结构优化获取基础模型的方式还包括：将传统的YOLOv7模型中的第一ELAN网络、第二ELAN网络、第三ELAN网络和第四ELAN网络均替换为Mycontact
‑
4网络，将第一ELAN
‑
W网络、第二ELAN
‑
W网络、第三ELAN
‑
W网络和第四ELAN
‑
W网络均替换为Mycontact
‑
6网络；Mycontact
‑
4网络包括第一Conv卷积网络、第二Conv卷积网络、第三Conv卷积网络、第四Conv卷积网络、第五Conv卷积网络、第六Conv卷积网络、第五Concat拼接网络和第七Conv卷积网络；第二Conv卷积网络、第三Conv卷积网络、第四Conv卷积网络、第五Conv卷积网络和第六Conv卷积网络顺序连接，第二Conv卷积网络的输入端连接第一Conv卷积网络的输入端；第一Conv卷积网络的输出端、第二Conv卷积网络的输出端、第四Conv卷积网络的输出端和第六Conv卷积网络的输出端均连接第五Concat拼接网络的输入端，第五Concat拼接网络的输出端连接第七Conv卷积网络的输入端；第一Conv卷积网络的输入端作为
Mycontact
‑
4网络的输入端，第七Conv卷积网络的输出端作为Mycontact
‑
4网络的输出端；Mycontact
‑
6网络包括第八Conv卷积网络、第九Conv卷积网络、第十Conv卷积网络、第十一Con本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种缝隙检测方法，其特征在于，通过机器学习的目标检测模型对混凝土图像进行识别，以获取裂缝信息，裂缝信息包括裂缝类别；目标检测模型的获取包括以下步骤：首先获取基础模型和学习样本，学习样本为标注有裂缝类别的混凝土损伤图像；然后令基础模型对学习样本进行机器学习，获取收敛后的基础模型作为目标检测模型；基础模型对传统的YOLOv7模型进行结构优化后获得，优化方式为：将传统的YOLOv7模型中的第一Concat拼接网络替换为第一multicat拼接网络，将第二Concat拼接网络替换为第二multicat拼接网络；第一multicat拼接网络和第二multicat拼接网络结构相同，统称为multicat网络；multicat网络包括平均池化层mean
‑
pooling、最大池化层max
‑
pooling和第七Concat拼接网络；multicat网络设有第一输入端、第二输入端和第三输入端；平均池化层和最大池化层均连接multicat网络的第一输入端，multicat网络的第一输入端的输入数据经过平均池化和最大池化后再进行维度叠加，叠加后的数据与multicat网络的第二输入端的输入数据以及multicat网络的第三输入端输送到第七Concat拼接网络进行维度采样，第七Concat拼接网络的输出作为multicat网络的输出；第一multicat网络的第一输入端的输入为基础模型中任一层网络的输出，第一multicat网络的第二输入端连接第三CBS
‑
3网络的输出端，第一multicat网络的第三输入端连接第一UPSample网络的输出端；第一multicat网络的输出端连接第一ELAN
‑
W网络的输入端；第二multicat网络的第一输入端的输入为基础模型中任一层网络的输出，第二multicat网络的第二输入端连接第四CBS
‑
3网络的输出端，第二multicat网络的第三输入端连接第二UPSample网络的输出端；第二multicat网络的输出端连接第二ELAN
‑
W网络的输入端。2.如权利要求1所述的缝隙检测方法，其特征在于，第一multicat网络的第一输入端的输入为第二ELAN网络的输出端。3.如权利要求1所述的缝隙检测方法，其特征在于，第二multicat网络的第一输入端的输入为第一ELAN网络的输出。4.如权利要求1所述的缝隙检测方法，其特征在于，相对于传统的YOLOv7模型，基础模型还包括第十五Conv卷积网络、第八Concat拼接网络、第十六Conv卷积网络、第九Concat拼接网络、第十七Conv卷积网络和第十Concat拼接网络；第十五Conv卷积网络的输入连接第二ELAN网络的输出，第十五Conv卷积网络的输出连接第八Concat拼接网络的输入，第八Concat拼接网络的输入还连接第二ELAN
‑
W网络的输出；第一输出网络中REP网络的输入端分别连接第八Concat拼接网络的输出和第二ELAN
‑
W网络的输出；第十六Conv卷积网络的输入连接第三ELAN网络的输出，第十六Conv卷积网络的输出连接第九Concat拼接网络的输入，第九Concat拼接网络的输入还连接第三ELAN
‑
W网络的输出；第二输出网络中REP网络的输入端分别连接第九Concat拼接网络的输出和第三ELAN
‑
W网络的输出；第十七Conv卷积网络的输入连接第四ELAN网络的输出，第十七Conv卷积网络的输出连接第十Concat拼接网络的输入，第十Concat拼接网络的输入还连接第四ELAN
‑
W网络的输
出；第三输出网...

【专利技术属性】
技术研发人员：蒋庆，李赛，晋强，梁雨，叶冠廷，沈梦婷，毛逸飞，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：