[发明专利]基于深度特征融合的机场道面裂缝检测方法有效
申请号: | 202011091708.4 | 申请日: | 2020-10-13 |
公开(公告)号: | CN112215819B | 公开(公告)日: | 2023-06-30 |
发明(设计)人: | 李海丰;景攀;韩红阳 | 申请(专利权)人: | 中国民航大学 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06T7/10;G06N3/0464;G06N3/08;G06T5/30 |
代理公司: | 天津才智专利商标代理有限公司 12108 | 代理人: | 庞学欣 |
地址: | 300300 天*** | 国省代码: | 天津;12 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 特征 融合 机场 裂缝 检测 方法 | ||
1.一种基于深度特征融合的机场道面裂缝检测方法,其特征在于:所述的基于深度特征融合的机场道面裂缝检测方法包括按顺序进行的下列步骤:
步骤一:首先构建深度神经网络模型,所述的深度神经网络模型包括可变形卷积模块、多尺度卷积模块和特征融合模块,然后将原始彩色图像输入到深度神经网络模型的可变形卷积模块中,利用可变形卷积模块提取形态各异的裂缝特征图,以增强网络对裂缝形态特征的学习;
步骤二:将可变形卷积模块提取的裂缝特征图输入到具有四种不同大小卷积核的多尺度卷积模块中,获得不同感受野下的裂缝特征图,然后融合这些裂缝特征图,使其包含裂缝更丰富的全局信息;
步骤三:将上述多尺度卷积模块融合的裂缝特征图输入到特征融合模块中,然后将特征融合模块产生的不同阶段的裂缝特征图进行融合,由此细化裂缝分割结果。
2.根据权利要求1所述的基于深度特征融合的机场道面裂缝检测方法,其特征在于:在步骤一中,所述的将原始彩色图像输入到深度神经网络模型的可变形卷积模块中,利用可变形卷积模块提取形态各异的裂缝特征图的方法是:
在标准卷积中,对于输入的原始彩色图像x上采样点p0的输出特征映射y定义为:
其中,网格G定义了感受野的大小和膨胀率;pn为网格G中的第n个采样点,w(*)为采样点权重;而可变形卷积模块是在标准卷积的常规网格G的采样点上增加了偏移量Δpn,{Δpn|n=1,2,...,N},其中N=|G|,此时,采样点将变为pn+Δpn,因此上式就变为:
卷积层利用与输入特征映射具有相同空间分辨率的偏移量,使得原采样点向外扩展以聚焦于裂缝轮廓;对于输入网络的裂缝特征图,为了学习偏移量Δpn,可变形卷积模块在原有卷积层上附加一层卷积层;在训练期间,生成输出特征的卷积核与偏移量同时学习裂缝的特征信息,而偏移量由附加卷积层学习得到。
3.根据权利要求1所述的基于深度特征融合的机场道面裂缝检测方法,其特征在于:在步骤二中,所述的将可变形卷积模块提取的裂缝特征图输入到具有四种不同大小卷积核的多尺度卷积模块中,获得不同感受野下的裂缝特征图,然后融合这些裂缝特征图的方法是:
所述的多尺度卷积模块使用四种不同大小卷积核并列提取裂缝特征,首先通过1×1卷积操作,在不改变裂缝特征图大小的情况下有效减少参数量,然后分别对其进行3×3,5×5,7×7卷积操作而进行裂缝特征提取,获得不同感受野下的裂缝特征图,之后利用元素级加法对这些裂缝特征图进行融合。
4.根据权利要求1所述的基于深度特征融合的机场道面裂缝检测方法,其特征在于:在步骤三中,所述的将上述多尺度卷积模块融合的裂缝特征图输入到特征融合模块中,然后将特征融合模块产生的不同阶段的裂缝特征图进行融合的方法是:
在特征融合模块中,对侧输出进行上采样之前,先将每一个阶段产生的相同尺寸的裂缝特征图进行相加融合,然后对其进行反卷积操作,得到与原始彩色图像相同尺寸的裂缝特征图,再使用Concatenate函数融合这些裂缝特征图,最后,经过两次卷积得到深度卷积网络模型预测的分割结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国民航大学,未经中国民航大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011091708.4/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种根据采集点反馈异常信息实现爆管分析逻辑的方法
- 下一篇:一种心理测评方法