[发明专利]一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法

权利要求书

1.一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法，其特征在于，所述方法具体包括以下步骤：

S1、创建基于深度学习的道路裂缝图像的训练集和测试集；

S2、创建分频卷积模块和分频转置模块；

S3、创建多频率分层特征提取模块，使用所述分频卷积模块和分频转置模块和多频率分层特征提取模块组成深度卷积神经网络；所述创建多频率分层特征提取模块，确定高频率和低频率中所含有的特征图的数量、卷积核的大小以及反卷积层的卷积核大小；所述多频率分层特征提取模块，其输入是对应的编码器一层的输入和上一个解码器的输出，其输出包含用于当前解码器的输入和用于最后多频率分层特征提取模块融合两部分，所述深度卷积神经网络中编码器与解码器，通过多频率分层特征提取模块实现连接，获得其输出结果；所述深度卷积神经网络中使用深度学习的库包括Caffe 、Tensorflow实现以上所述深度神经网络结构，根据划分好的训练集和验证集进行模型训练，通过不断地降低损失函数的函数值来学习深度神经网络的参数，确定深度神经网络模型中的参数值；

S4、利用训练集和测试集训练所述深度卷积神经网络；

S5、所述深度卷积神经网络中融合多频率分层特征提取模块，其输入的特征图是每个多频率分层特征提取模块的特征图通过叠加融合后得到的特征图，其输出是融合后得到的特征图通过卷积和反卷积操作得到的；所述深度卷积神经网络中，多频率分层特征提取模块融合最后的输出结果是神经网络最后的输出裂缝分割图像。

2.根据权利要求1所述的一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法，其特征在于，所述步骤S1具体包括：

利用包括公共的裂缝图像数据集CFD和AigleRN的裂缝图像数据集，将裂缝图像分为训练集和测试集。

3.根据权利要求1所述的一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法，其特征在于，所述步骤S1具体包括：

利用智能终端采集到的不同结构表面裂缝图像，构建裂缝图像数据库，对构建的裂缝图像库进行数据增强，将数据增强后的裂缝图像库中的裂缝图像的裂缝区域实施标签标注，然后将裂缝图像库中的图像分为训练集和测试集。

4.根据权利要求2或3所述的一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法，其特征在于，所述步骤S2具体包括：

S21、搭建深度神经网络结构模型：确定所述深度卷积神经网络卷中编码器和解码器层数，以及每个分频卷积层中高频率和低频率中所含有的特征图的数量、池化层的层数、池化层中采样核的大小和训练步长、分频转置卷积层的层数和每个反卷积层中高频率和低频率中所含有的特征图数量；

S22、选择深度神经网络的训练策略：所述深度神经网络训练中代价函数的选择为交叉熵损失函数或平方损失函数，以及激活函数的选择Relu，softmax，sigmoid之一，在损失代价函数中加入权值衰减正则化项，同时在卷积层中加入dropout用于减少过拟合，所述深度神经网络中训练使用优化算法包括SGD，Adam之一的优化算法；

S23、所述创建分频卷积模块使用和表示输入和输出,其中和表示输出频率的变化，

表示卷积核频率的变化，分频卷积操作中高低频率的变化用下面公式表示：

其中(p,q)表示像素点位置，k表示卷积核大小，表示激活函数，b表示偏值变化，X^H ，X^L分别表示输入特征图的高频率和低频率特征图，Y^H ，Y^L分别表示输出特征图的高频率和低频率特征图，表示特征图由高频率转换到低频率，表示特征图由低频率转换到高频率, 表示特征图由高频率转换到高频率，表示特征图由低频率转换到低频率，m和n用于决定以(p,q)为像素中心点的局部感受野在输入X上的范围；

S24、所述创建分频转置模块和表示输入和输出，其中和表示分频转置输出的变化，表示卷积高低频率的变化，分频转置卷积操作中高低频率的变化用下面公式表示：

和分别表示分频转置卷积输出特征图的高频率和低频率特征图，m和n的取值用于决定以(p,q)为像素中心点的局部感受野在输入X上的范围，k表示卷积核大小。

5.根据权利要求4所述的一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法，其特征在于，所述步骤S4具体包括：

S41、根据所述步骤S21、S22、S23、S24、S31、S32、S33和S34，利用训练集和测试集训练深度卷积神经网络，深度卷积神经网络中的卷积层所采用的激活函数为ReLU，多频率分层特征提取模块最后一层输出中采用sigmoid激活函数来输出logit，其中每层损失函数公式为；

L_side= +

其中和是超参数，是标签数据的真实值，是原始图像经过深度网络预测值；

S42、多频率分层特征提取模块最后融合损失函数L_fuse=L_side；

S43、所述深度卷积神经网络中最后总的损失函数是，每个多频率分层特征提取模块输出损失函数相加融合得到损失函数：

，其中M表示多频率分层特征提取模块的数量，L_side^m 表示第m个多频率分层特征提取模块的损失函数。