基于改进DeepLabV3+的混凝土桥梁裂缝检测方法技术

本发明专利技术属于图像处理技术领域，具体涉及一种基于改进DeepLabV3+的混凝土桥梁裂缝检测方法，包括：获取待检测的混凝土桥梁图像，将待检测的混凝土桥梁图像输入到训练后的改进DeepLabV3+神经网络中，得到混凝土裂缝图像的分割信息；根据混凝土裂缝图像的分割信息对混凝土桥梁裂缝进行检测；改进DeepLabV3+神经网络包括轻量化的主干网络、空洞空间金字塔池化模块、多层次特征融合网络以及解码模块；本发明专利技术在空洞卷积金字塔后引入vision transformer网络，并与卷积网络组成多层次特征融合网络，以提高性能。

【技术实现步骤摘要】

本专利技术属于图像处理技术和神经网络，具体涉及一种基于改进deeplabv3+的混凝土桥梁裂缝检测方法。

技术介绍

1、桥梁作为连接两跨度较大位置点的重要载体，在道路运输中扮演着重要的角色。然而，桥梁在长期的日晒雨淋和负载作业中，容易出现内部应力沿着桥梁结构传递到薄弱部位的情况，导致该位置结构表面出现裂缝。不同走向的表面裂缝对桥梁结构的危害程度也有所不同。当表面裂缝的延伸走向与结构承载面相垂直时，易引发不安全事故。

2、传统的基于人工视觉的检测方法成本高、效率低，准确性受主观因素影响，已经不能满足桥梁裂缝检测的要求。现有的基于faster r-cnn技术的裂缝检测方法只能将裂缝用矩形框标记出来，无法直接提取裂缝的形态特征，也无法直观地检测裂缝的损伤程度。此外，现有技术主要针对单一图片进行检测，效率低且无法得到完整的裂缝形态。

3、基于深度学习的来分割桥梁裂缝的方法也被越来越多的人所了解，也展现了比较高的效率，但是在实际工程中，由于裂缝图片连续狭长的特点还有图像中裂缝与背景像素分布不均匀的特点，导致传统卷积神经网络的分割效率不高。因此本文档来自技高网...

【技术保护点】

1.一种基于改进DeepLabV3+的混凝土桥梁裂缝检测方法，其特征在于，包括：获取待检测的混凝土桥梁图像，将待检测的混凝土桥梁图像输入到训练后的改进DeepLabV3+神经网络中，得到混凝土裂缝图像的分割信息；根据混凝土裂缝图像的分割信息对混凝土桥梁裂缝进行检测；改进DeepLabV3+神经网络包括轻量化的主干网络、空洞空间金字塔池化模块、多层次特征融合网络以及解码模块；

2.根据权利要求1所述的一种基于改进DeepLabV3+的混凝土桥梁裂缝检测方法，其特征在于，所述轻量化的主干网络为MobileNetv2网络。

3.根据权利要求1所述的一种基于改进DeepL...

【技术特征摘要】

1.一种基于改进deeplabv3+的混凝土桥梁裂缝检测方法，其特征在于，包括：获取待检测的混凝土桥梁图像，将待检测的混凝土桥梁图像输入到训练后的改进deeplabv3+神经网络中，得到混凝土裂缝图像的分割信息；根据混凝土裂缝图像的分割信息对混凝土桥梁裂缝进行检测；改进deeplabv3+神经网络包括轻量化的主干网络、空洞空间金字塔池化模块、多层次特征融合网络以及解码模块；

2.根据权利要求1所述的一种基于改进deeplabv3+的混凝土桥梁裂缝检测方法，其特征在于，所述轻量化的主干网络为mobilenetv2网络。

3.根据权利要求1所述的一种基于改进deeplabv3+的混凝土桥梁裂缝检测方法，其特征在于，空洞空间金字塔池化模块中通过将并列的卷积进行密集连接，即第i个分支的输出和整个模块的输入进行级联作为第i+1个卷积分支的输入。

4.根据权利要求1所述的一种基于改进deeplabv3+的混凝土桥梁裂缝检测方法，其特征在于，多层次特征融合网络由卷积神经网络和vision transformer网络组成，多层次特征融合网络对输入特征图进行处理包括：将输入特征图输入到vision transformer网络中进行全局特征信息提取，采用3*3卷积层和1*1卷积层对全局特征信息进行特征提取，得到全局特征图；采用3*3卷积层和1*1卷积层对输入特征图进行局部特征信息提取，得到局部特征图；采用1*1卷积层对全局特征图和局部特征图进行通道调整，并对调整通道后的全局特征图和局部特征图进行级联，得到融合特征图；将融合特征图与输入特征图进行级联，得到融合全局特征和局部特征的特征图。

5.根据权利要求1所述的一种基于改进deeplabv3+的混凝土桥梁裂缝检测方法，其特征在于，解码模块采用条状注意力门控制模块对解码模块进...

【专利技术属性】
技术研发人员：王笛，宋峰全，陆源明，罗肖辑，杨晗，代璐，刘新龙，李韧，蒋仕新，杨建喜，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：