【技术实现步骤摘要】
基于深度学习的建筑物裂缝检测方法、系统及设备
[0001]本专利技术属于图像处理和目标检测
，涉及一种建筑物裂缝检测方法
、
系统及设备
。
技术介绍
[0002]随着建筑行业的快速发展，房屋和桥梁建筑每年都保持着大体量的增加，同时也加大了对建筑的维护工作，裂缝作为建筑中最常见的危害之一，是评判建筑结构安全的重要指标
。
裂缝会影响建筑结构的性能
、
破坏建筑结构的整体性
、
降低建筑的使用寿命，是重大的安全隐患，如果不及时维护保养，甚至会造成严重的安全事故
。
[0003]传统图像处理算法对采集到的图像进行处理和分析，以期达到识别建筑裂缝的目的
。
然而，图像的清晰程度，阴影的影响，图像畸变等因素都会对检测结果造成影响，加上图像的背景复杂，存在大量噪声，使得传统算法无法有效快速地识别图像中的裂缝目标
。
[0004]虽然深度学习算法对于裂缝的检测精度
、
检测速度都有很大程度的提升，但深度学习算法所需要的计算量十分庞大，不易于搭载在一些移动设备上，所以，现有技术还需要改进和提升
。
技术实现思路
[0005]本专利技术为了解决现有的裂缝检测方法存在精度不高且检测速度慢的问题，以及利用深度学习算法的裂缝检测大多存在计算量庞大不适用于移动设备的问题
。
[0006]一种基于深度学习的建筑物裂缝检测方法，首先采集建筑物裂缝图像，然后利用轻量化...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的建筑物裂缝检测方法，其特征在于，首先采集建筑物裂缝图像，然后利用轻量化的裂缝检测网络模型对采集建筑物裂缝图像进行建筑物裂缝检测；所述轻量化的裂缝检测网络模型包括：特征提取网络
、
特征聚合网络和预测网络；所述的特征提取网络处理过程如下：输入层先经过一个3×3的卷积块，再接入一个最大值层对输入的图像进行下采样，获得下采样后的特征图像；然后针对获得下采样后的特征图像，再使用三组改进的
ShuffleNetV2
网络提取网络特征；每组改进的
ShuffleNetV2
网络包括一个基本单元
SN_2
和多个基本单元
SN_1
；
SN_2
：输入分别接入两个分支，第一分支依次通过3×3的深度可分离卷积和1×1的组卷积；第二分支依次通过1×1的组卷积
、3
×3的深度可分离卷积和1×1的组卷积，接着对两个分支进行
Concat
拼接，然后进行通道整合；
SN_1
：将输入进行通道拆分，经过
Channel Split
操作后变为两路分支，第一分支接入一个3×3最大值池化操作；第二分支依次接入步长为1的三个卷积，依次为1×1的组卷积
、3
×3的深度可分离卷积以及1×1的组卷积；接着对两个分支
Concat
拼接操作，然后进行通道整合；三组改进的
ShuffleNetV2
网络提取网络分别记为第二层至第四层，第二层至第四层进行特征提取的过程如下：将下采样后的特征图像输入第二层，第二层先接入
SN_2
，再接入
α1个
SN_1
，将输出记为第二层的输出；将第二层输出的特征传输到第三层，同时将输出传输到特征聚合网络的第一支路，特征聚合网络的第一支路首先采用改进的
Coordinate Attention
模型处理；第三层先接入
SN_2
，再接入
α2个
SN_1
，得到第三层的输出；第三层输出的结果接入第四层，同时将输出传输到特征聚合网络的第二支路，特征聚合网络的第二支路首先采用改进的
Coordinate Attention
模型处理；第四层先接入
SN_2
，再接入
α3个
SN_1
，将输出接着接入
SN_1
，再将输出接入
SN_1
，第四层的输出结果接入特征聚合网络的第三支路的
SPPCSPC
模块，再送入改进的
Coordinate Attention
模型处理；特征聚合网络的处理过程如下：特征聚合网络的第一至第三支路改进的
Coordinate Attention
模型分别连接一个卷积层；其中，改进的
Coordinate Attention
模型的输入特征分别按照
h
方向和
w
方向进行最大值池化操作，然后对池化后的特征进行
Concat
拼接，拼接后针对行进行1×1的
2d
卷积操作，然后进行归一化和非线性处理，将处理完的特征接着分成
h
方向和
w
方向并分别进行
2d
卷积操作，然后在各自的方向上进行
sigmoid
处理得到坐标的权重系数，将所述的坐标权重系数与原输入特征进行相乘，得到加权特征；特征聚合网络的第三支路中改进的
Coordinate Attention
模型对应的卷积层输出送入第一上采样层，经过上采样之后与特征聚合网络的第二支路改进的
Coordinate Attention
模型对应的卷积层输出进行
Cat
处理，然后送入第一
ELAN
‑
H
层；第一
ELAN
‑
H
层的输出经过改进的
Coordinate Attention
模型和卷积层处理后送入第二上采样层，经过上采样之后与特征聚合网络的第一支路改进的
Coordinate Attention
模型对应的卷积层输出进行
Cat
处理，然后送入第二
ELAN
‑
H
层，第二
ELAN
‑
H
层的输出送入第一
MP
‑2层处理的同时还送入预测网络的第一预测分支处理；第一
MP
‑2层的输出与第一
ELAN
‑
H
层的输入进行
Cat
处理，然后送入第三
ELAN
‑
H
层，第三
ELAN
‑
H
层的输出送入第二
MP
‑2层处理的同时还送入预测网络的第二预测分支处理；第二
MP
‑2层处理的输出与第三支路的
SPPCSPC
模块输出进行
Cat
处理，然后送入第四
ELAN
‑
H
层，第四
ELAN
‑
H
层的输出送入预测网络的第三预测分支处理；预测网络的处理过程如下：预测网络包括三个并行的预测分支，每个分支包括
REP
模块和
CBM
层；在检测阶段的
REP
模块包括一个1×1的卷积层和一个
BN
层；
CBM
模块包括一个卷积层，一个
BN
层以及一个
sigmoid
层；预测网络包括三个并行的预测分支共同处理，检测不同尺寸大小的裂缝
。2.
根据权利要求1所述的一种基于深度学习的建筑物裂缝检测方法，其特征在于，特征提取网络中第二层至第四层对应的改进
ShuffleNetV2
网络分别包括3个
SN_1、7
个
SN_1、3
个
SN_1
，即
α
1、
α2和
α3分别为
3、7、3。3.
根据权利要求1或2所述的一种基于深度学习的建筑物裂缝检测方法，其特征在于，所述的
ELAN
‑
H
层处理过程如下：首先进行通道拆分，将输入分为两个分支，短分支接入步长为1的1×1的
CBS
模块，长分支则先接入一个步长为1的1×1的
CBS
模块，再依次接入4个步长为1的3×3的
CBS
模块，然后对短分支和长分支共计6个
CBS
模块每个模块的输出进行
Cat
处理，然后再经过一个1×1的
CBS
模块处理
。4.
根据权利要求3所述的一种基于深度学习的建筑物裂缝检测方法，其特征在于，所述的
MP
‑2层处理过程如下：将输入进行通道拆分，分为两个分支，其中一个分支先进行
Maxpool
操作，然后接入步长为1的1×1的
CBS
模块，另一个分支则依次接入一个步长为1的1×1的
CBS
模块和步长为1的3×3的
CBS
模块，然后对两个分支的输出进行
Cat
处理
。5.
根据权利要求4所述的一种基于深度学习的建筑物裂缝检测方法，其特征在于，检测阶段的
REP
模块与训练阶段的
REP
模块结构不同，检测阶段的
REP
模块是基于训练阶段的
REP
模块确定的，训练阶段的
REP
模块由三个分支构成，第一分支首先接入一个步长为1的1×1的卷积层，然后接入
BN
层；第二分支...
【专利技术属性】
技术研发人员：陶为戈，华得亮，杨云星，孙志刚，梁宝，潘玲佼，肖淑艳，丁倩，徐创，
申请(专利权)人：江苏理工学院，
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。