[发明专利]一种基于DenseNet网络的损伤定位方法、装置和存储介质

权利要求书

1.一种基于DenseNet网络的损伤定位方法，其特征在于，包括以下步骤：

获取钢结构图像，对钢结构图像进行预处理；

构建DenseNet网络，所述DenseNet网络包括特征提取器和损伤分类器，所述特征提取器实现特征提取功能，所述损伤分类器实现损伤分类功能；

训练所述DenseNet网络，得到训练后的DenseNet网络；

使用训练后的DenseNet网络对钢结构图像进行损伤定位。

2.根据权利要求1所述的一种基于DenseNet网络的损伤定位方法，其特征在于，所述对钢结构图像进行预处理，具体包括：

选取部分钢结构图像作水平翻转、垂直翻转和45°角旋转；

选取部分钢结构图像添加高斯噪声；

选取部分钢结构图像调整亮度、对比度和色调。

3.根据权利要求1所述的一种基于DenseNet网络的损伤定位方法，其特征在于，所述特征提取器，具体包括：7×7卷积层、2×2最大池化层、三个纵向排列的DenseBlock、独立DenseBlock和7×7全局平均池化层；

所述DenseBlock包括两个顺序连接的1×1的卷积层；

所述三个纵向排列的DenseBlock后各连接一个过渡层；

所述过渡层包括1×1的卷积层和7×7全局平均池化层；

所述任一卷积层后各连接一个批量归一化层和一个ReLu函数；

所述7×7卷积层接收输入，并连接2×2最大池化层、2×2最大池化层连接三个纵向排列的DenseBlock、三个纵向排列的DenseBlock连接独立DenseBlock、独立DenseBlock连接7×7全局平均池化层，并提供输出；

所述三个纵向排列的DenseBlock为第一DenseBlock、第二DenseBlock和第三DenseBlock，第一DenseBlock连接第一过渡层、第二DenseBlock连接第二过渡层、第三DenseBlock连接第三过渡层；输入连接第一DenseBlock，第一DenseBlock经过第一过渡层后的输出与第三DenseBlock经过第三过渡层后的第三最终输出拼接，从而得到第一最终输出；第二DenseBlock经过第二过渡层后的输出与所述第三最终输出拼接，从而得到第二最终输出；

所述第一最终输出、第二最终输出和第三最终输出作为三个纵向排列的DenseBlock的输出，输出至独立DenseBlock中；

所述特征提取器的输入为钢结构图像，输出为特征向量，特征提取器的输出连接所述损伤分类器。

4.根据权利要求3所述的一种基于DenseNet网络的损伤定位方法，其特征在于，所述损伤分类器，使用全卷积网络实现，所述全卷积网络后连接一个softmax层；通过全卷积网络对所述特征向量进行分类，分类为损伤特征向量和非损伤特征向量。

5.根据权利要求4所述的一种基于DenseNet网络的损伤定位方法，其特征在于，所述DenseNet网络在所述损伤分类器之后，还包括：可视化模块，用于对所述钢结构图像的损伤位置进行可视化处理；可视化模块的具体流程包括：

将损伤特征向量输入深度学习模型；

生成特征图；

对特征图进行上采样；

将上采样后的特征图覆盖于损伤特征向量所对应的钢结构图像上的损伤位置。

6.根据权利要求1所述的一种基于DenseNet网络的损伤定位方法，其特征在于，所述训练所述DenseNet网络，包括以下步骤：

建立钢结构图像数据集，并将数据集中的钢结构图像分割为尺寸比原图像更小的批量图像；

对分割得到的批量图像进行图像增强，得到增强图像；

使用增强图像训练所述DenseNet网络模型，通过模型的队列传递增强图像；模型在依次单独处理图像后生成损伤预测；将损伤预测与钢结构图像进行比较，并使用损失函数和二元分类交叉熵计算损失；利用损失计算模型各层的梯度；

使用Adam优化函数用于在训练的反向传播期间更新模型层的参数；

使用模型预测和验证数据集计算验证损失，对模型进行评估。