[发明专利]一种基于全卷积神经网络的图像裂缝分割方法

权利要求书

1.一种基于全卷积神经网络的图像裂缝分割方法，用作混凝土建筑物裂缝的检测，其特征在于，通过全卷积深度学习模型对待检测图像进行语义分割，完成对图像中裂缝区域的特征提取，所述方法包括以下步骤：

步骤1)采集原始裂缝图像，对图像进行预处理，建立并扩充图像数据集，从扩充后的图像数据集中划分出训练集和测试集；

步骤2)构建全卷积神经网络：以VGG16网络为基础，将VGG16网络的全连接层替换为卷积层，使用上采样操作将低分辨率的特征图恢复为高分辨率的特征图，并通过多层深度特征融合的方式提升裂缝识别精度；

步骤3)训练全卷积神经网络：采用训练集样本对步骤2)构建的全卷积神经网络进行训练，通过迁移学习的方式进行全卷积神经网络模型的预训练，经过前向传播后逐像素计算Softmax分类的损失，采用随机梯度下降法和反向传播算法进行权重的迭代更新,直到全卷积神经网络模型的损失值趋向于收敛时，停止训练，生成全卷积深度学习模型；

步骤4)裂缝识别效果测试：利用步骤3)中训练好的全卷积深度学习模型对测试集的样本进行裂缝特征提取，自动生成裂缝分割结果图；

步骤5)图像识别：在实际应用中，将待检测图像输入完成测试的全卷积深度学习模型中，即可自动化输出图像中的裂缝识别结果。

2.根据权利要求1所述的一种基于全卷积神经网络的图像裂缝分割方法，其特征在于：

步骤1)中，所述预处理的过程为：采用邻域加权平均算法，对原始裂缝图像进行光滑处理，滤除干扰噪声提升图像质量。

3.根据权利要求1所述的一种基于全卷积神经网络的图像裂缝分割方法，其特征在于：

步骤1)中，将扩充后的图像数据集的样本，80％作为训练集，20％作为测试集。

4.根据权利要求1所述的一种基于全卷积神经网络的图像裂缝分割方法，其特征在于：

步骤2)构建的全卷积神经网络包括依次连接的七个卷积层，第一至第五卷积层均包括有依次连接的卷积核、激活函数以及最大池化层，所述第六卷积层和第七卷积层包括依次连接的卷积核和激活函数。

5.根据权利要求4所述的一种基于全卷积神经网络的图像裂缝分割方法，其特征在于，所述激活函数为非线性激活函数。

6.根据权利要求5所述的一种基于全卷积神经网络的图像裂缝分割方法，其特征在于：

所述非线性激活函数为ReLu函数，f(x)＝max(0，x)，x为进入神经元的来自上一层神经网络的输入向量。

7.根据权利要求4所述的一种基于全卷积神经网络的图像裂缝分割方法，其特征在于：

步骤2)中，将VGG16网络中第一个全连接层改为卷积核为7x7卷积层，后面两个全连接层改为卷积核为1x1的卷积层；

将第七卷积层输出的特征图通过反卷积进行2倍上采样操作，并与第四卷积层输出的特征图相融合；

将融合后的的特征图通过反卷积进行2倍上采样操作，与第三卷积层输出的特征图进行融合，再将融合结果通过反卷积操作进行8倍上采样操作，得到最终输出结果。

8.根据权利要求1所述的一种基于全卷积神经网络的图像裂缝分割方法，其特征在于，步骤3)中，使用迁移学习的方法训练全卷积神经网络，将VGG16网络模型的预训练权重，通过迁移学习的方式设置为步骤2)构建的全卷积神经网络的预训练值，训练过程中，建立基于TensorFlow深度学习库搭建的损失函数和优化器；使用交叉熵函数作为损失函数，所述损失函数为其中，i表示图像中的像素点，n表示图像像素点的总数，y_true表示像素点i的期望输出，y_pred表示像素点i的实际输出；使用Adam作为网络权重优化方法，预设最大迭代训练次数100k。