[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

说明书

本发明公开了一种基于DenseNet网络的损伤定位方法、装置和存储介质，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，实现特征提取和损伤分类功能；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。本发明所公开的DenseNet网络与其它深度学习网络相比有计算量小、运算效率高的优势，所引入的可视化技术也可令钢结构损伤更易被识别。

技术领域

本发明涉及深度学习领域，尤其是一种基于深度学习的的深度卷积神经网络和识别方法。

背景技术

在建筑施工维护领域，对钢框架进行损伤检查是必不可少的环节。传统上使用肉眼检查钢框架损伤既耗时又繁琐。钢框架损伤检查的关键是对损伤进行定位，现有的基于计算机视觉的损伤检测方法有基于ResNet、MobileNet等构建的网络模型，但还不能实现准确定位钢结构损伤。

发明内容

有鉴于此，本发明实施例提供一种基于DenseNet网络的损伤定位方法、装置和存储介质。

本发明的第一方面提供了一种基于DenseNet网络的损伤定位方法，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。

进一步地，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。

进一步地，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；