[发明专利]基于改进Faster-RCNN的大坝裂缝检测模型及方法

说明书

本发明公开了一种基于改进Faster‑RCNN的大坝裂缝检测模型，包括：特征提取模块，利用卷积神经网络对输入图像的特征进行逐层提取，得到每层的特征图；区域生成模块，利用区域生成网络，基于特征提取网络最后一层输出的特征图进行映射，得到锚框；反馈映射模块将锚框映射至特征提取模块提取的后三层特征图，得到对应的映射特征图；多尺度特征融合模块，将映射特征图的特征进行融合，得到融合特征图；分类回归模块，根据融合特征图进行分类和回归，得到检测结果。本申请的模型通过对现有Faster‑RCNN的改进，提高大坝小裂缝检测的准确率。

技术领域

本发明涉及大坝裂缝检测，具体涉及一种基于改进Faster-RCNN的大坝裂缝检测模型及方法。

背景技术

随着水力水电的开发和计算机技术的发展，大坝安全问题愈发引起重视。大坝的建筑材料多为混凝土，在施工过程中，由于浇筑温度、材料配比以及后期维护等多种因素，难免产生大坝裂缝。裂缝对大坝的安全性和功能性都存在较大影响，容易导致严重的安全隐患。

现有的混凝土大坝裂缝检测方法包括采用声波对穿，测试波速、振频以及频率等方式，但采用声波对穿，测试波速等方法需要人工监管，而传统的图像检测技术存在精度不高的问题。

随着深度学习技术的出现和发展，将深度学习应用到图像目标检测和识别领域取得较大突破，提高了检测监督。随着对卷积神经网络的改进以及区域间距神经网络的提出，发展至更为优越的快速区域卷积神经网络(Faster-RCNN)，Faster- RCNN虽在精度上有较好的表现，但在小目标的检测准确率上不够理想。

发明内容

发明目的：本申请的目的在于提供一种基于改进Faster-RCNN的大坝裂缝检测模型，解决大坝小裂缝检测准确率不高的问题。本申请还提供了一种该模型的训练方法。

技术方案：本申请一方面提供了一种基于改进Faster-RCNN的大坝裂缝检测模型，包括：

特征提取模块，其被配置为利用卷积神经网络对输入图像的特征进行逐层提取，得到每层的特征图；

区域生成模块，其被配置为利用区域生成网络，基于特征提取网络最后一层输出的特征图进行映射，得到锚框；

反馈映射模块，其被配置为将锚框映射至特征提取模块提取的后三层特征图，得到对应的映射特征图；

多尺度特征融合模块，其被配置为将映射特征图的特征进行融合，得到融合特征图；

分类回归模块，其被配置为根据融合特征图进行分类和回归，得到检测结果。

进一步地，特征提取模块中的卷积神经网络采用ResNet101网络。

进一步地，特征融合模块包括：

感兴趣区域池化单元，其被配置为对每个映射特征图进行感兴趣区域池化操作，用于将每个映射特征图调整至相同分辨率；

拼接单元，用于将感兴趣区域池化后的特征图进行拼接。

进一步地，特征融合模块还包括：

归一化单元，其被配置为将拼接后的特征图在channel轴进行归一化处理；

缩放单元，其被配置为将归一化的特征图扩大后经1*1的卷积核处理，得到融合特征图。

进一步地，归一化处理，具体通过以下公式进行：

其中，I(c|x|y)²是归一化之前的特征图，I_n(c|x|y)是归一化之后的特征图， c则代表对应特征图的特征，即归一化之前和归一化之后的特征图分别对应的宽和高。