[发明专利]基于DeepLabV3+网络模型的裂缝语义分割方法在审
| 申请号： | 202210434313.2 | 申请日： | 2022-04-24 |
| 公开（公告）号： | CN114998580A | 公开（公告）日： | 2022-09-02 |
| 发明（设计）人： | 蒋玮;单金焕;肖晶晶;吴旺杰;李鹏飞;袁东东 | 申请（专利权）人： | 长安大学 |
| 主分类号： | G06V10/26 | 分类号： | G06V10/26;G06V10/40;G06V10/764;G06V10/80;G06K9/62;G06V10/82;G06N3/04;G06N3/08 |
| 代理公司： | 西安通大专利代理有限责任公司 61200 | 代理人： | 房鑫 |
| 地址： | 710064 陕*** | 国省代码： | 陕西;61 |
| 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 deeplabv3 网络 模型 裂缝 语义 分割 方法 | ||
1.一种基于DeepLabV3+网络模型的裂缝语义分割方法，其特征在于，包括如下步骤：
采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行编码；
通过双线性插值对编码后的待检测裂缝图像进行解码；
通过像素点渲染对解码后的待检测裂缝图像进行重点像素点重构；
对重构后的待检测裂缝图像进行分类预测，获得裂缝分割结果。
2.根据权利要求1所述的一种基于DeepLabV3+网络模型的裂缝语义分割方法，其特征在于，所述采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行编码前，还包括：
先采用Backbone网络对待检测裂缝图像进行初步特征提取，再对初步提取的特征进行多尺度卷积完成进一步特征提取。
3.根据权利要求1所述的一种基于DeepLabV3+网络模型的裂缝语义分割方法，其特征在于，所述可变形卷积包括在普通卷积的基础上对每一个采样位置增加一个可学习的二维偏移。
4.根据权利要求1所述的一种基于DeepLabV3+网络模型的裂缝语义分割方法，其特征在于，所述采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行编码，还包括：
采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行特征提取后，对不同卷积提取的特征进行融合。
5.根据权利要求1所述的一种基于DeepLabV3+网络模型的裂缝语义分割方法，其特征在于，所述通过像素点渲染对解码后的待检测裂缝图像进行重点像素点重构包括：
在解码后待检测裂缝图像的网格上选取N个不确定像素点，通过组合待检测裂缝图像的低层特征和高层特征在选取的不确定像素点上重新构造逐点特征。
6.根据权利要求1所述的一种基于DeepLabV3+网络模型的裂缝语义分割方法，其特征在于，所述重点像素点重构后，还包括：
对重点像素点进行多层感知机学习。
7.一种基于DeepLabV3+网络模型的裂缝语义分割系统，其特征在于，基于权利要求1-6中任一项所述的裂缝语义分割方法，包括：
编码模块，用于采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行编码；
解码模块，用于通过双线性插值对编码后的待检测裂缝图像进行解码；
像素点渲染模块，用于通过像素点渲染对解码后的待检测裂缝图像进行重点像素点重构；
裂缝分割结果输出模块，用于对重构后的待检测裂缝图像进行分类预测，获得裂缝分割结果。
8.根据权利要求7所述的一种基于DeepLabV3+网络模型的裂缝语义分割系统，其特征在于，所述编码模块还包括Backbone网络模块，
所述Backbone网络模块用于对待检测裂缝图像进行初步特征提取，再对初步提取的特征进行卷积完成进一步特征提取。
9.根据权利要求7所述的一种基于DeepLabV3+网络模型的裂缝语义分割系统，其特征在于，所述编码模块包括可变形卷积模块，
所述可变形卷积模块用于在普通卷积的基础上对每一个采样位置增加一个可学习的二维偏移。
10.根据权利要求7所述的一种基于DeepLabV3+网络模型的裂缝语义分割系统，其特征在于，所述像素点渲染模块还包括MLP模块，
所述MLP模块用于对重点像素点进行多层感知机学习。
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长安大学，未经长安大学许可，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/202210434313.2/1.html，转载请声明来源钻瓜专利网。
