[发明专利]一种复杂背景下桥梁裂缝图像裂缝检测方法

权利要求书

1.一种复杂背景下桥梁裂缝图像裂缝检测方法，其特征在于：包括以下步骤：步骤1，将采集的原始桥梁裂缝图像进行几何变换、空间滤波、线性变换后再通过生成子模型和判别子模型进行数据集扩增；所述生成子模型依次包括全连接层、维度转换层、第一转置卷积层、第二转置卷积层、第三转置卷积层、第四转置卷积层和第五转置卷积层；第一转置卷积层、第二转置卷积层、第三转置卷积层、第四转置卷积层和第五转置卷积层的卷积核大小均为5x5，步幅均为2，卷积核数目依次为512、256、128、64、3；

所述判别子模型依次包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层和Sigmoid激活函数层；第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层的卷积核大小均为5x5，步幅均为2，卷积核数目依次为64、128、256、512、1024、2048；所述第七卷积层的卷积核大小为1x1；

步骤2，将扩增后的图像输入分割模型进行训练，具体方法如下：

步骤2.1，将扩增后的图像进行一次5x 5的卷积；

步骤2.2：将卷积结果输入包含4个layers层的DenseBlock；

步骤2.3：将步骤2.2结果进行Transition Down操作，降低裂缝图像分辨率；

步骤2.4：将DenseBlock的layers层数量依次设置为5层、7层、10层，依次重复3次步骤2.2与步骤2.3；

步骤2.5：将步骤2.4的结果输入由12个layers组成的Bottleneck，完成全部下采样，并进行多个特征的连接操作；

步骤2.6：将上层输出结果输入由Transition Up和DenseBlock组成的上采样通道，DenseBlock对应下采样中的layers层数为10层；

步骤2.7：将步骤2.6中DenseBlock的layers层数依次设为7、5、4，重复3次步骤2.6；

步骤2.8：对步骤2.7的输出结果进行1x 1卷积操作；

步骤2.9：将步骤2.8结果输入softmax层进行判断，输出裂缝与非裂缝的概率；

步骤3：所述步骤2训练完成后，将待检测裂缝图像输入训练完成的分割模型进行裂缝提取。

2.根据权利要求1所述的一种复杂背景下桥梁裂缝图像裂缝检测方法，其特征在于：所述第一转置卷积层、第二转置卷积层、第三转置卷积层和第四转置卷积层转置卷积后均使用SeLU激活函数。

3.根据权利要求1或2所述的一种复杂背景下桥梁裂缝图像裂缝检测方法，其特征在于：所述第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层和第七卷积层均为全卷积层。

4.根据权利要求1所述的一种复杂背景下桥梁裂缝图像裂缝检测方法，其特征在于：所述DenseBlock的每个layers层包括Batch Normalization、ReLU激活函数、3x3卷积和Dropout。

5.根据权利要求1所述的一种复杂背景下桥梁裂缝图像裂缝检测方法，其特征在于：所述Transition Down由Batch Normalization、ReLU激活函数、1x1卷积与2x2池化操作组成。

6.根据权利要求4或5所述的一种复杂背景下桥梁裂缝图像裂缝检测方法，其特征在于：所述Batch Normalization具体算法如下：

Batch Normalization算法在每一次迭代中的每一层输入都进行了归一化，将输入数据的分布归一化为均值为0，方差为1的分布，具体如公式(2)：

其中，x^k表示输入数据的第k维，E[x^k]表示k维的平均值，表示标准差；

Batch Normalization算法的两个可学习的变量γ和β的如公式(3)，

γ和β用于还原上一层学到的数据分布。