基于两步序列卷积神经网络的桥梁裂缝自动分类和检测方法技术

本发明专利技术公开了一种基于两步序列卷积神经网络的桥梁裂缝自动分类和检测方法，包括如下步骤，S1、采集桥梁裂缝数据，构建基础数据集；S2、构建基于注意力机制的图像筛选网络，筛选包含裂缝的图片数据；S3、基于裂缝检测数据集，构建高质量基础数据：S4、构建裂缝检测网络，对桥梁裂缝进行检测。优点是：本发明专利技术构建的图像分级总体网络结构在保留高维特征的同时减少了时间延迟、在提高性能的同时减少了计算量，可以较为准确地反映输入图像的相应部分是否有裂缝，达到快速筛选的目的。本发明专利技术构建的裂缝检测网络在整体结构上实现了对多个尺度特征的兼容，包括特征融合和损失函数部分，且网络对裂缝的真实框具有更好的适应性。

【技术实现步骤摘要】

本专利技术涉及桥梁健康监测，尤其涉及一种基于两步序列卷积神经网络的桥梁裂缝自动分类和检测方法。

技术介绍

1、桥梁裂缝的出现会造成桥梁结构承载能力下降,引发诸多桥梁病害。因此,桥梁裂缝检测已成为桥梁养护的重要研究课题之一。近年来,许多优秀的目标检测模型，在实际场景的应用中取得了良好的效果，但是桥梁裂缝图像纹理复杂多样、分布无规律，导致检测结果存在严重的漏检和误检现象,并且此类模型的参数量巨大难以部署到移动设备中,不利于实际的工程应用。

2、深度学习技术的优势在于能由数据驱动、自适应的学习事务特征，对具体数学模型依赖程度低，并具有对源域的迁移学习能力。因此，目前众多学者基于深度学习对裂缝图像与背景图像分类方法开展了大量研究，torres等人比较了神经网络(nn)分类器、贝叶斯分类器和传统的支持向量机(svm)分类器，总结了cnn在桥梁桥面缺陷分类方面的潜力；cha等人使用cnns检测混凝土裂缝，并使用滑动窗口技术对任意大小的裂缝图像进行扫描，验证了cnns在区分大量类别方面的可靠性能，但是此方法耗时较长；liang等人采用了一种faster r-本文档来自技高网...

【技术保护点】

1.一种基于两步序列卷积神经网络的桥梁裂缝自动分类和检测方法，其特征在于：包括如下步骤，

2.根据权利要求1所述的基于两步序列卷积神经网络的桥梁裂缝自动分类和检测方法，其特征在于：所述基于注意力机制的图像筛选网络的主要模块为B-neck，其结合了MobileNetV1的深度可分离卷积和MobileNetV2的线性瓶颈倒置残差；所述基于注意力机制的图像筛选网络采用了SE注意力机制和H-Swish函数，所述注意力机制用于调整每个通道的权重，所述H-Swish函数用于减少计算量并提升性能；在池化层的后面使用一个大小为1的卷积层，同时最后两个卷积层进行两次大小为1的卷积，获取大小为5...

【技术特征摘要】

1.一种基于两步序列卷积神经网络的桥梁裂缝自动分类和检测方法，其特征在于：包括如下步骤，

2.根据权利要求1所述的基于两步序列卷积神经网络的桥梁裂缝自动分类和检测方法，其特征在于：所述基于注意力机制的图像筛选网络的主要模块为b-neck，其结合了mobilenetv1的深度可分离卷积和mobilenetv2的线性瓶颈倒置残差；所述基于注意力机制的图像筛选网络采用了se注意力机制和h-swish函数，所述注意力机制用于调整每个通道的权重，所述h-swish函数用于减少计算量并提升性能；在池化层的后面使用一个大小为1的卷积层，同时最后两个卷积层进行两次大小为1的卷积，获取大小为5×3×1的特征图，这15个像素反映输入图像的相应部分是否有裂缝，用最大集合法来决定整个图像是否含有裂缝。

3.根据权利要求1所述的基于两步序列卷积神经网络的桥梁裂缝自动分类和检测方法，其特征在于：步骤s1中，在利用训练集和测试集对基于注意力机制的图像筛选网络进行训练和测试之前，将训练集和测试集的图像尺寸调整为预设尺寸。

4.根据权利要求1所述的基于两步序列卷积神经网络的桥梁裂缝自动分类和检测方法，其特征在于：步骤s3还包括，对裂缝检测数据集中的所有图像数据进行数据增强处理，所述数据增强处理包括几何变换、拼接和mixup数据增强这三种方式。

5.根据权利要求1所述的基于两步序列卷积神经网络的桥梁裂缝自动分类和检测方法，其特征在于：所述裂缝检测网络yol...

【专利技术属性】
技术研发人员：曹龙，于瑞祥，王晓静，王志宁，王东清，安彦飞，亓轶，徐浩，王磊，张义远，王君宇，
申请(专利权)人：北京城建集团有限责任公司，
类型：发明
国别省市：