【技术实现步骤摘要】
本专利技术涉及计算机视觉检测和混凝土结构安全监测，尤其是一种裂缝检测模型、方法和系统。
技术介绍
1、混凝土是土木工程中使用最多的材料之一，混凝土结构在外部荷载(超载、车辆撞击)、自然环境(温度变化、湿度、酸雨等)、疲劳作用和材料劣化等条件下出现混凝土裂缝，这些裂缝会影响局部或整体结构安全。
2、目前的混凝土结构裂缝检测通常是通过人工采集裂缝图形并进行分析，而人工检测具有效率低、成本高、危险性大，检测准确性无法保障等缺点。
3、随着基于视觉的检测设备和图像处理技术的发展，计算机视觉已成为检测混凝土结构裂缝的主要手段。
4、当前基于机器视觉实现混凝土检测的方法，主要有以下几种，但各有各的缺陷：1)通过cnn网络模型识别混凝土裂缝，因运算过程中产生的庞大参数量，导致识别效率往往很低；2)采用transformer架构，但是当图像的分辨率很高时，计算复杂度往往较高，使得数据处理速度低下；3)基于十字窗口自注意机制设计的网络cswin transformer(简称cswt)，在检测速度方面得到了有效提升，但是在识别复杂情况下的混凝土结构裂缝时，精度不够高。
技术实现思路
1、为了克服上述现有技术中现有卷积神经网络的混凝土路面裂缝识别效率低，计算成本较大的缺陷，本专利技术提出了一种裂缝检测模型，提高了混凝土裂缝检测的精度和效率。
2、本专利技术提出的一种裂缝检测模型的构建方法，首先构建基础模型和学习样本，学习样本为标注有混凝土缝隙分类的混凝土图
3、基础模型包括顺序连接的输入层、卷积嵌入层ct、第一转换模块cb-1、第一卷积层con-1、第二转换模块cb-2、第二卷积层con-2、第三转换模块cb-3、第三卷积层con-3、第四转换模块cb-4、特征映射层fm和输出层；输入层的输入即为基础模型的输入，输出层的输出即为基础模型的输出；
4、第一转换模块cb-1、第二转换模块cb-2、第三转换模块cb-3和第四转换模块cb-4均采用由顺序连接的第一标准化层l-1、十字窗口注意力层cswa、第二标准化层l-2和多层感知层mp构成的转换模块；第一标准化层的输入作为转换模块的输入，多层感知层的输出作为转换模块的输出；
5、第一转换模块cb-1中，第二标准化层l-2的输入还连接卷积输出层ct的输出；第一卷积层con-1的输出还分别连接第三转换模块cb-3的输入和第四转换模块cb-4的输入；第二卷积层con-2的输出还连接第四转换模块cb-4的输入。
6、优选的，基础模型中，每个神经元的输出以0.5的概率置零。
7、优选的，基础模型机器学习过程中采用梯度下降法更新卷积嵌入层ct、第一卷积层con-1、第二卷积层con-2和第三卷积层con-3，并采用pytorch深度学习方法训练十字窗口注意力层cswa。
8、本专利技术提出的一种裂缝检测方法，采用上述的裂缝检测模型，实现了混凝土检测的高效精确检测，该包括以下步骤：
9、s1、采用所述的裂缝检测模型的构建方法构建裂缝检测模型；
10、s2、获取待检测混凝土的表面图像并输入裂缝检测模型；
11、s3、裂缝检测模型输出缝隙分类结果。
12、优选的，s3中，裂缝检测模型在检测过程中，各神经元的输出以0.5的概率置零，最后由输出层输出裂缝分类结果。
13、本专利技术提出的一种裂缝检测系统和存储介质，为上述的裂缝检测方法提供了载体，便于其推广应用。
14、本专利技术提出的一种裂缝检测系统，包括：存储器和处理器，存储器中存储有计算机程序和裂缝检测模型，处理器与存储器连接，处理器用于执行所述计算机程序，以实现所述的裂缝检测方法。
15、本专利技术提出的一种存储介质，存储有计算机程序和裂缝检测模型，所述计算机程序被执行时，用于实现所述的裂缝检测方法。
16、本专利技术的优点在于：
17、(1)本专利技术提出的裂缝检测模型，采用的十字窗口注意力层cswa(cross-shapedwindow self-attention)可以提取水平或垂直条带内的图像特征从而有效地扩大视野关注范围；在现有的transformer网络基础上，通过加入残差链接优化transformer。实验结果表明，本专利技术扩大了图像特征的提取范围扩大，提高了裂缝识别的准确率。
18、(2)本专利技术将第一卷积层的处理结果在后续卷积处理中逐步实现特征融合，如此利用不同深度上的卷积特征的融合，可以更好地融合浅层与深层之间的信息，进而避免虚假梯度爆炸和梯度消失问题；且能够更好地捕捉长距离依赖和全局信息。而且可以使卷积层堆积更抽象，信息更浓缩。本专利技术弥补了其他网络模型检测速度慢，精准度低的问题。利用本专利技术提供的裂缝检测模型对混凝土结构裂缝进行检测，可以实现更好的性能。
本文档来自技高网...【技术保护点】
1.一种裂缝检测模型的构建方法，其特征在于，首先构建基础模型和学习样本，学习样本为标注有混凝土缝隙分类的混凝土图像；基础模型的输入为混凝土图像，输出为缝隙分类结果；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缝隙检测模型；
2.如权利要求1所述的裂缝检测模型的构建方法，其特征在于，基础模型中，每个神经元的输出以0.5的概率置零。
3.如权利要求1所述的裂缝检测模型的构建方法，其特征在于，基础模型机器学习过程中采用梯度下降法更新卷积嵌入层CT、第一卷积层Con-1、第二卷积层Con-2和第三卷积层Con-3，并采用PyTorch深度学习方法训练十字窗口注意力层CSWA。
4.一种裂缝检测方法，其特征在于，包括以下步骤：
5.如权利要求1所述的裂缝检测方法，其特征在于，S3中，裂缝检测模型在检测过程中，各神经元的输出以0.5的概率置零，最后有输出层输出裂缝分类结果。
6.一种裂缝检测系统，其特征在于，包括：存储器和处理器，存储器中存储有计算机程序和裂缝检测模型，处理器与存储器连接，处理器用于执行所述计算机程序，以
7.一种存储介质，其特征在于，存储有计算机程序和裂缝检测模型，所述计算机程序被执行时，用于实现如权利要求4所述的裂缝检测方法。
...【技术特征摘要】
1.一种裂缝检测模型的构建方法，其特征在于，首先构建基础模型和学习样本，学习样本为标注有混凝土缝隙分类的混凝土图像；基础模型的输入为混凝土图像，输出为缝隙分类结果；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缝隙检测模型；
2.如权利要求1所述的裂缝检测模型的构建方法，其特征在于，基础模型中，每个神经元的输出以0.5的概率置零。
3.如权利要求1所述的裂缝检测模型的构建方法，其特征在于，基础模型机器学习过程中采用梯度下降法更新卷积嵌入层ct、第一卷积层con-1、第二卷积层con-2和第三卷积层con-3，并采用pytorch深度学习方法训练十...
【专利技术属性】
技术研发人员：蒋庆，陶金泰，李赛，于飞，梁雨，周满旭，叶冠廷，
申请(专利权)人：合肥工业大学，
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。