[发明专利]一种基于多尺度特征融合深度学习的裂缝自动化勾画方法

权利要求书

1.一种基于多尺度特征融合深度学习的裂缝自动化勾画方法，其特征在于，所述方法包括以下步骤：

(1)基于迁徙学习的裂缝定性检测及特征提取方法；

(2)多尺度深度学习特征融合方法；

(3)连续多尺度全卷积层裂缝预测方法；

(4)所述的多尺度特征融合深度学习采用如下方法进行样本训练；

(5)裂缝检测定位及裂缝自动勾画。

2.根据权利要求1所述的基于多尺度特征融合深度学习的裂缝自动化勾画方法，其特征在于，所述步骤1)基于迁徙学习的裂缝定性检测及特征提取方法，具体如下，

利用相机采集不同结构表面裂缝图像，构建裂缝图像的数据库，利用构建的裂缝图像数据库，结合预训练模型输入图像的大小，通过图像裁剪、旋转、缩放等操作搭建裂缝图像训练集和测试集，数据库中包含裂缝图像和非裂缝图像两种类型，裂缝图像标记为1，非裂缝图像标记为0，预训练的模型参数中已经包含了图像定性分类的先验知识，利用搭建的裂缝图像数据库进行迁移学习，训练模型直到网络收敛，最终得到高质量的裂缝图像定性分类检测模型；在训练好的深度学习模型定性检测裂缝图像时，利用深度学习网络各层的输出来提取输入裂缝图像在各个尺度下的不同维度的特征，完成输入图像的特征提取，深度学习网络各层输出特征图尺寸往往从大到小，对于输出特征图尺寸相同的层，只取输出这一尺寸大小特征图网络的最后一层作为特征提取层，这样就可以得到特征图尺度等比减少的各个尺度的裂缝特征图。

3.根据权利要求1所述的基于多尺度特征融合深度学习的裂缝自动化勾画方法，其特征在于，所述步骤2)多尺度深度学习特征融合方法具体如下，

①融合多个尺度特征时候，采用相邻两阶特征逐层融合的方式，先融合较高阶两个尺度的特征为一个尺度的特征，在用融合后的高阶特征图像融合较低阶的特征图像；

②在融合相邻两阶特征图像的时候，先要在维度上将两阶特征统一，利用卷积核大小为1×1的卷积层实现高阶特征的降维，使高阶特征的维度降低到与低阶特征的维度一样；

③在高阶特征降维实现维度的统一后，要实现特征图像尺度上的统一，将降维后的高阶特征图像，利用双线性插值，放大到与低阶特征图像一样的大小；

④在相邻两阶特征图像的维度和尺寸都统一时，采用对应维度对应像素逐个像素像素值累加的方式，实现两个尺度特征的融合；

⑤将选择的多阶特征融合后，可以通过卷积核1×1大小的卷积层来达到最终融合特征维度上的升维或者降维，以适应计算机的运行能力；

依次类推，采用两两逐层融合的方式完多阶特征的融合。

4.根据权利要求1所述的基于多尺度特征融合深度学习的裂缝自动化勾画方法，其特征在于，所述步骤3)连续多尺度全卷积层裂缝预测方法，具体如下，

①用卷积层、非线性激活层、批标准化层搭建4层连续的多尺度全卷积层，其中不包含池化层；

②其中，第一层全卷积层的卷积核大小为小的尺度，用于每个像素点在不同维度上信息线性组合，比如1×1大小的卷积核或者3×3大小的卷积核，紧跟批标准化层和非线性激活层，第一层全卷积层保持输出的维度不变；第二层全卷积层的卷积核大小为大的尺度，用于每个像素点及其周围大范围区域像素信息的整合，比如21×21大小等，紧跟批标准化层和非线性激活层，第二层全卷积层保持输出的维度不变。第三层全卷积层与第一层全卷积层构造相同；第四层全卷积层采用卷积核大小为1×1，输出维度降维到1维，其后通过Sigmoid函数得到每个像素对应的最终预测值；

③上一步骤得到的并不是裂缝的二值化图像，网络直接预测得到的图像需要经过一次双线性插值缩放，缩放到与输入图像一样的大小，利用阈值0.5对缩放后的图像进行判别，像素值大于0.5的即为裂缝像素，像素值小于0.5的即为背景像素。