【技术实现步骤摘要】
本专利技术涉及图像分割领域，特别涉及一种裂纹分割模型训练方法、裂纹图像分割方法、裂纹分割模型训练装置、电子设备及计算机可读存储介质。
技术介绍
1、裂纹检测在维护基础设施安全和功能方面至关重要。裂纹图像分割技术为我们提供了一种精确识别和提取裂纹像素的有效手段，为裂纹检测和结构健康诊断提供了关键的工具。然而，由于裂纹形状的复杂性和不确定的边界，以及不同环境和材料条件下裂纹外观的变化，手动标记裂纹像素的过程确实非常耗时和劳动密集。
2、目前为了减少数据的标记工作，一般基于半监督学习算法，构建包含少量标记数据及大量无标记数据的数据集，通过数据集训练模型图像分割模型，以实现裂纹图像分割。然而，现有技术在训练裂纹分割模型的过程中一般通过标记数据的监督损失及无标记数据的伪监督损失来更新裂纹分割模型的模型参数，导致模型的收敛性较差。
技术实现思路
1、本专利技术的目的在于提供一种裂纹分割模型训练方法、裂纹图像分割方法、裂纹分割模型训练装置、电子设备及计算机可读存储介质，应用于图像分割领域，该方法通过引入对比学习，基于标记数据的监督损失及对比损失，无标记数据的伪监督损失及对比损失更新裂纹分割模型的模型参数，与现有技术相比，提高了模型的收敛性。
2、为解决上述技术问题，本专利技术提供一种裂纹分割模型训练方法，包括：
3、构建标记裂纹集及无标记裂纹集，将所述标记裂纹集均分为两个不相交的标记裂纹上子集与标记裂纹下子集；
4、基于transformer编码器
5、将所述无标记裂纹集及所述标记裂纹集输入所述第一裂纹分割模型及所述第二裂纹分割模型进行训练；
6、确定所述标记裂纹集的监督训练损失及第一对比学习损失，确定所述无标记裂纹集的伪监督训练损失及第二对比学习损失；
7、基于所述监督训练损失、所述第一对比学习损失、所述伪监督训练损失及所述第二对比学习损失更新所述第一裂纹分割模型及所述第二裂纹分割模型的模型参数直至训练完成。
8、可选的，所述确定所述标记裂纹集的监督训练损失及第一对比学习损失，包括：
9、将所述标记裂纹集输入所述第一裂纹分割模型得到第一标记裂纹概率分布预测图集；其中，所述第一标记裂纹概率分布预测图集包括第一标记裂纹概率分布预测图上子集与第一标记裂纹概率分布预测图下子集；
10、将所述标记裂纹集输入所述第二裂纹分割模型得到第二标记裂纹概率分布预测图集；其中，所述第二标记裂纹概率分布预测图集包括第二标记裂纹概率分布预测图上子集与第二标记裂纹概率分布预测图下子集；
11、将所述第一标记裂纹概率分布预测图集与所述第二标记裂纹概率分布预测图集经过sigmoid激活函数计算得到第一标记裂纹分割图集及第二标记裂纹分割图集；
12、基于所述第一标记裂纹分割图集确定第一监督损失，基于所述第二标记裂纹分割图集确定第二监督损失；
13、将所述第一标记裂纹概率分布预测图上子集与第一标记裂纹概率分布预测图下子集输入第一分类器得到第一标记高级特征图上子集与第一标记高级特征图下子集；
14、将所述第二标记裂纹概率分布预测图上子集与第二标记裂纹概率分布预测图下子集输入第二分类器得到第二标记高级特征图上子集与第二标记高级特征图下子集；
15、基于所述第一标记高级特征图上子集与所述第二标记高级特征图下子集，或者第一标记高级特征图下子集与所述第二标记高级特征图上子集确定所述第一比对学习损失。
16、可选的，所述确定所述无标记裂纹集的伪监督训练损失及第二对比学习损失，包括：
17、将所述无标记裂纹集输入所述第一裂纹分割模型得到第一无标记裂纹概率分布预测图集；
18、将所述无标记裂纹集输入所述第二裂纹分割模型得到第二无标记裂纹概率分布预测图集；
19、将所述第一无标记裂纹概率分布预测图集及所述第二无标记裂纹概率分布预测图集经过sigmoid激活函数计算得到第一无标记裂纹分割图集及第二无标记裂纹分割图集；
20、基于所述第一无标记裂纹分割图集及所述第二无标记裂纹分割图集确定所述伪监督训练损失；
21、将所述第一无标记裂纹概率分布预测图集输入第一投影器得到第一无标记高级特征图集；
22、将所述第二无标记裂纹概率分布预测图集输入第二投影器得到第二无标记高级特征图集；
23、基于所述第一无标记高级特征图集与所述第二无标记高级特征图集确定所述第二对比学习损失。
24、可选的，所述transformer编码器包含依次连接的线性映射模块、位置嵌入模块及多个transformer层；所述transformer层包含多头自注意力机制与前馈神经网络；所述多头自注意力机制与所述前馈神经网络之间包含残差连接与层归一化操作；所述多头自注意力机制与所述前馈神经网络连接有dropout层。
25、可选的，所述cnn编码器包含依次连接的多个卷积模块及一个尺度感知金字塔融合模块。
26、可选的，所述transformer编码器的输出与所述cnn编码器的输出经过特征融合模块与所述解码器连接；
27、所述解码器包含多个依次连接的上采样模块；
28、所述transformer编码器与所述cnn编码器通过特征融合模块及残差路径模块与所述解码器跳跃连接；
29、特征融合模块包括上采样子模块、特征拼接子模块、卷积子模块及压缩-激励子模块；所述卷积子模块的输入经过1×1卷积增加通道数后与所述卷积子模块的输出进行残差连接。
30、为解决上述技术问题，本专利技术提供一种裂缝图像分割方法，包括：
31、获取待分割裂纹图像；
32、将所述待分割裂纹图像输入第一裂纹分割模型和/或第二裂纹分割模型，得到模型输出的裂纹分割图像；
33、其中，所述第一裂纹分割模型及所述第二裂纹分割模型为根据权上述裂纹分割模型训练方法训练得到的模型。
34、为解决上述技术问题，本专利技术提供一种裂纹分割模型训练装置，包括：
35、第一模块，用于构建标记裂纹集及无标记裂纹集，将所述标记裂纹集均分为两个不相交的标记裂纹上子集与标记裂纹下子集；
36、第二模块，用于基于transformer编码器、cnn编码器及解码器构建第一裂纹分割模型及第二裂纹分割模型；其中，所述transformer编码器与所述cnn编码器并行连接；所述第一裂纹分割模型及所述第二裂纹分割模型的结构完全一致时，初始化模型参数不同；
37、第三模块，用于将所述无标记裂纹集及所述标记裂纹集输入所述第一裂纹分割模型及所述第二裂纹分割模型进行训练；
38本文档来自技高网...
【技术保护点】
1.一种裂纹分割模型训练方法，其特征在于，包括：
2.根据权利要求1所述裂纹分割模型训练方法，其特征在于，所述确定所述标记裂纹集的监督训练损失及第一对比学习损失，包括：
3.根据权利要求1所述裂纹分割模型训练方法，其特征在于，所述确定所述无标记裂纹集的伪监督训练损失及第二对比学习损失，包括：
4.根据权利要求1所述裂纹分割模型训练方法，其特征在于，所述Transformer编码器包含依次连接的线性映射模块、位置嵌入模块及多个Transformer层；所述Transformer层包含多头自注意力机制与前馈神经网络；所述多头自注意力机制与所述前馈神经网络之间包含残差连接与层归一化操作；所述多头自注意力机制与所述前馈神经网络连接有Dropout层。
5.根据权利要求1裂纹分割模型训练方法，其特征在于，所述CNN编码器包含依次连接的多个卷积模块及一个尺度感知金字塔融合模块。
6.根据权利要求1所述裂纹分割模型训练方法，其特征在于，所述Transformer编码器的输出与所述CNN编码器的输出经过特征融合模块与所述解码器连接；p>
7.一种裂缝图像分割方法，其特征在于，包括：
8.一种裂纹分割模型训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现如权利要求1至6任一项所述裂纹分割模型训练方法或如权利要求7所述裂缝图像分割方法。
...【技术特征摘要】
1.一种裂纹分割模型训练方法，其特征在于，包括：
2.根据权利要求1所述裂纹分割模型训练方法，其特征在于，所述确定所述标记裂纹集的监督训练损失及第一对比学习损失，包括：
3.根据权利要求1所述裂纹分割模型训练方法，其特征在于，所述确定所述无标记裂纹集的伪监督训练损失及第二对比学习损失，包括：
4.根据权利要求1所述裂纹分割模型训练方法，其特征在于，所述transformer编码器包含依次连接的线性映射模块、位置嵌入模块及多个transformer层；所述transformer层包含多头自注意力机制与前馈神经网络；所述多头自注意力机制与所述前馈神经网络之间包含残差连接与层归一化操作；所述多头自注意力机制与所述前馈神经网络连接有dropout层。
...【专利技术属性】
技术研发人员：韩大勇，高亮，刘磊，陈晓杰，贾康，邓露，香超，左勋，
申请(专利权)人：中电建路桥集团有限公司，
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。