[发明专利]基于多迁移学习模型融合的大坝裂缝检测方法

权利要求书

1.一种基于多迁移学习模型融合的大坝裂缝检测方法，其特征在于，包括如下步骤：

步骤1，收集数据集，包括道路裂缝、墙壁裂缝、桥梁裂缝及大坝裂缝数据集和图片；利用图像数据增强技术，对大坝裂缝图片进行预处理，并扩充到原有数据集，以达到提高模型精度和泛化能力的目的；

步骤2，构建目标检测网络模型MobileNet-SSD；

（2-1） MobileNet-SSD目标检测网络模型将SSD算法中原有的VGG网络替换成MobileNet网络结构，MobileNet卷积和普通卷积相比，压缩了大量参数，能有效地减少计算量，加速模型的计算；

（2-2）在MobileNet网络结构的最后一个卷积层后添加8个卷积层，并从中选取6个卷积层作为SSD网络结构中的特征输出部分；

（2-3）对步骤（2-2）得到的特征输出部分的所有窗口进行非极大值抑制，去除冗余的检测框，保留其中置信度高的窗口；

步骤3，基于步骤1中的道路裂缝、墙壁裂缝和桥梁裂缝数据集，进行模型训练，将损失函数分为两部分，即窗口目标类别的置信度损失以及相应的位置回归损失；

步骤4，步骤3模型训练完成后，提取道路裂缝检测模型、墙壁裂缝检测模型和桥梁裂缝检测模型中已经训练好的MobileNet网络结构参数；重新构建MobileNet-SSD网络，将网络参数随机初始化，在输入大坝裂缝数据集进行训练前，将提取到的MobileNet网络结构参数导入MobileNet-SSD中，对MobileNet网络结构进行冻结；

步骤5，利用步骤1得到的数据增强后的大坝裂缝数据集进行迁移学习，得到多个模型，进行模型融合；

将融合后的模型进行测试，在测试过程，计算每个模型之间匹配的预测框，将预测框的位置坐标集合组成矩阵进行线性回归，最终输出框坐标。

2.根据权利要求1所述的基于多迁移学习模型融合的大坝裂缝检测方法，其特征在于，步骤5所述的模型融合的训练过程，包括如下步骤：

（5-1）计算每个模型与标注框匹配的预测框；

（5-2）将预测框的位置坐标集合组成矩阵进行线性回归，每个预测框的位置坐标乘上相应的权重进行融合计算，输出四个位置坐标；

（5-3）计算四个位置坐标与真实坐标的均方误差，使用梯度下降法减小该误差。

3.根据权利要求1所述的基于多迁移学习模型融合的大坝裂缝检测方法，其特征在于，步骤1中的预处理过程包括图像的随机亮度失真变换，随机对比度失真变换，随机饱和度失真变换，随机图像通道变换，及图像的随机裁剪和随机采集块域。