【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种基于transformer和级联运算的桥梁裂缝检测模型构建方法及系统。
技术介绍
1、长期健康监测和定期检查对于确保桥梁在整个使用寿命内正常运行至关重要，尤其是较旧的混凝土桥梁，由于荷载条件的变化、环境腐蚀和其他因素，容易形成裂缝，这可能导致更严重的损坏，因此裂缝通常被视为结构安全初步评估的基本直观指标，所以如何实现准确有效的裂缝检测一直是结构管理和维护部门的主要关注点，特别是在现有桥梁结构的情况下。
2、受基于深度学习(dl)的计算机视觉技术在各个领域显示出的卓越性能的启发，土木工程研究人员已经开始探索和增强这一先进技术在裂纹检测方面的潜力。基于dl的裂纹检测可以大致分为三种主要方法：裂纹图像的分类、裂纹的目标检测和裂纹图像的分割。在这些方法中，裂纹分割脱颖而出，因为它能够提取裂纹的拓扑结构和形态，便于进一步分析和提取定量信息，因此近年来裂纹分割得到了极大的关注。
3、许多研究人员对裂纹分割进行了研究，为该领域的发展做出了贡献。值得注意的是，卷积神经网络(cnn)已成为dl领域最经典的算法之一，卷积神经网络能够模拟人脑视觉皮层中复杂的层次认知模式，使其能够有效地捕捉和恢复目标像素的网格状拓扑结构，因此大多数裂纹分割算法都将cnn作为其基础，然而它们不可避免地会遇到cnn架构固有的共同挑战。具体而言，特征的离散下采样导致细粒度信息的逐渐丢失，阻碍了精确分割结果的产生，随着下采样过程变得更加实质，这种缺点在分辨率更高的图像中变得更加明显，因此现有的方法主要关注低分辨率(lr
4、为了用更精细的细节提取裂纹的复杂拓扑特性，视觉变换器(vit)模型引起了研究人员的极大关注。最近的研究表明，vit模型具有卓越的长程依赖性建模、并行计算能力、多尺度特征表示和高效的位置编码，因此具有提取拓扑特性的显著能力。transformers的这些独特属性增强了离散裂纹像素的表示，与cnn相比，可以获得更准确的分割结果。刘等人通过引入一种称为“crackformer”的细粒度裂纹检测架构，解决了与不均匀的裂纹像素强度、复杂的拓扑结构以及与噪声背景像素的低对比度相关的挑战。该体系结构超越了最先进的基于cnn的分割方法；然后shamsabadi等人提出了一种基于增强vit的裂纹分割架构，与基于cnn的模型(如deeplabv3+和u-net)相比，分辨率为448×448的小规模裂纹图像的miou分别提高了6.1％和3.8％，在这项工作的基础上，fang等人将transformers集成到u形编码器-解码器框架中，提出了transunet，它利用外部注意力机制以480×320的分辨率进行道路裂缝分割，在存在复杂背景干扰的情况下，该架构有效地缓解了原始cnn模型的有限鲁棒性。尽管transformers在裂纹识别鲁棒性和准确性方面超过了cnn，但它们需要更多的计算资源来支持高性能训练和推理。在transformer模型中，自注意力机制在捕捉输入序列中不同位置之间的依赖关系方面发挥着关键作用，每个位置必须计算其与其他位置的关联，从而导致模型训练和推理的时间和空间复杂性相对于序列长度的二次增加，随着图像分辨率的提高，图像中的像素数量增加，延长了输入序列，并显著提高了自注意力机制计算所需的图形处理单元(gpu)内存使用率。gpu内存需求的激增经常超过商用gpu的容量，导致推理过程中断，这些中断可能会导致训练过程突然停止，从而使获得完全训练的模型变得具有挑战性。
5、transformers在hr图像处理方面的优势受到计算资源的限制，这使得研究人员不得不做出承诺：一种常见的方法是通过下采样或压缩来降低图像分辨率，从而降低内存需求；另一种方法是将图像分割成更小的块进行单独处理，然后依次连接预测结果。虽然这些方法解决了内存限制并保持了正常的程序操作，但它们可能会导致精细裂纹特征和边界像素的丢失，导致不完整和粗糙的分割结果，从而严重影响结构安全评估，因此需要增强基于电流变换器的方法，以解决分割精细度和gpu内存消耗之间的权衡，这对于克服当前基于transformer的裂纹分割模型的局限性至关重要，该模型仅限于预测不超过800×600的低分辨率(lr)裂纹图像，以防止由于gpu内存溢出而导致程序终止，然而在先前的研究中，解决基于transformer的hr图像高质量裂纹分割中的这一特定挑战并没有得到显著的关注。
技术实现思路
1、本专利技术的目的在于提供一种基于transformer和级联运算的桥梁裂缝检测模型构建方法及系统，旨在解决现有技术中的上述问题。
2、本专利技术实施例提供一种基于transformer和级联运算的桥梁裂缝检测模型构建方法，包括：
3、获取桥梁裂纹图像，对所述裂纹图像进行预处理，得到输入数据；
4、将所述输入数据输入级联协调注意力增强模型cascade catransunet中进行训练，并通过定制化损失函数对模型进行优化，得到最终的桥梁裂缝检测模型。
5、本专利技术实施例提供一种基于transformer和级联运算的桥梁裂缝检测模型构建系统，包括：
6、数据预处理模块，用于获取桥梁裂纹图像，对所述裂纹图像进行预处理，得到输入数据；
7、构建模块，用于将所述输入数据输入级联协调注意力增强模型cascadecatransunet中进行训练，并通过定制化损失函数对模型进行优化，得到最终的桥梁裂缝检测模型。
8、本专利技术实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于transformer和级联运算的桥梁裂缝检测模型构建方法的步骤。
9、本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述基于transformer和级联运算的桥梁裂缝检测模型构建方法的步骤。
10、采用本专利技术实施例可以包括以下有益效果：本专利技术实施例提出了一种称为cascade catransunet的精细分割方法，其结合了级联结构和协调注意力机制来增强transformer，该方法为了提高对精细裂纹特征的捕获，在tr本文档来自技高网...
【技术保护点】
1.一种基于transformer和级联运算的桥梁裂缝检测模型构建方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
3.根据权利要求1所述的方法，其特征在于，对所述裂纹图像进行预处理具体包括：
4.根据权利要求3所述的方法，其特征在于，所述级联协调注意力增强模型为引入了两种级联运算的协调注意力和变压器增强模型CATransUNet；
5.根据权利要求4所述的方法，其特征在于，将所述输入数据输入级联协调注意力增强模型Cascade CATransUNet中进行训练，并通过定制化损失函数对模型进行优化，得到最终的桥梁裂缝检测模型具体包括：
6.一种基于transformer和级联运算的桥梁裂缝检测模型构建系统，其特征在于，包括：
7.根据权利要求6所述的系统，其特征在于，所述系统进一步包括：
8.根据权利要求6所述的系统，其特征在于，所述数据预处理模块具体用于：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上
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上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1-5中任一项所述的基于transformer和级联运算的桥梁裂缝检测模型构建方法的步骤。
...【技术特征摘要】
1.一种基于transformer和级联运算的桥梁裂缝检测模型构建方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
3.根据权利要求1所述的方法，其特征在于，对所述裂纹图像进行预处理具体包括：
4.根据权利要求3所述的方法，其特征在于，所述级联协调注意力增强模型为引入了两种级联运算的协调注意力和变压器增强模型catransunet；
5.根据权利要求4所述的方法，其特征在于，将所述输入数据输入级联协调注意力增强模型cascade catransunet中进行训练，并通过定制化损失函数对模型进行优化，得到最终的桥梁裂缝检测模型具体包括：
6.一种基于transformer和级联运算的桥...
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。