[发明专利]一种深度学习网络模型的构建方法及应用

说明书

本发明公开了一种深度学习网络模型的构建方法及应用，属于视觉振动位移测量和计算机视觉领域。本发明的深度学习网络模型的构建方法利用CSPDarknet特征提取的骨干网络、注意力机制模块、PAFPN模块和头部定位模块构建深度学习网络模型。本发明构建了深度学习网络模型；进一步地，以高速视频中的桥梁柔性结构体作为振动位移测量的对象，将深度学习网络模型引入到视觉振动测量领域，并从多角度验证了深度学习方法在视觉振动测量方面的可行性，且该测量方式具有非接触、远距离、多点同步测量等优势。

技术领域

本发明涉及一种深度学习网络模型的构建方法，属于视觉振动位移测量和计算机视觉领域。

背景技术

在视觉测量领域中，传统的位移测量方法主要有目标检测算法和追踪算法，基于目标检测的模板匹配算法适用于目标与环境色差较大的单一场景测量，而常用的追踪算法受亚像素精度的影响在位移测量过程中会出现较大的误差，均不适用于在实际的复杂场景中应用。随着计算机硬件的更新迭代，使用深度学习网络模型进行结构体的视觉振动测量越来越普遍，但目前的大部分深度学习算法更加侧重于目标识别的准确性，而忽略定位的准确性和目标存在旋转的情况，且检测时用于匹配的水平矩形框也会因引入较多的背景信息而提高目标的误检率。另外，由于相机和检测对象会存在一定的倾斜，大跨度桥梁受扰动后会存在一定转动等情况，这都会进一步导致了预测精度不高的情况，这些都必将会影响深度学习算法的测量，进一步会影响结构体最终的振动位移测量。为了解决此类问题，有必要提出了一种新的深度学习网络模型的构建方法。

发明内容

本发明提供了一种深度学习网络模型的构建方法及应用，以用于构建深度学习网络模型，进一步用于振动结构体测量，以非接触的方式实现振动结构体中多目标检测及振动位移视觉测量。

本发明的技术方案是：一种深度学习网络模型的构建方法，利用CSPDarknet特征提取的骨干网络、注意力机制模块、PAFPN模块和头部定位模块构建深度学习网络模型。

所述CSPDarknet特征提取的骨干网络包括Focus模块、4个CBS模块、SPP模块、4个CSPLayer模块；在特征提取部分新增加一个浅层特征层输出，即通过特征提取模块获得S₁、S₂、S₃、S₄。

所述4个CSPLayer模块中Bottleneck模块的数量依次分别为1、3、3、1。

将骨干网络输出的特征图S₁、S₂、S₃、S₄经过注意力机制模块，获得特征图X₁、X₂、X₃、X₄。

PAFPN模块分为自顶向下和自底向上的双向融合过程；依据注意力机制模块输出的特征图X₁、X₂、X₃、X₄，通过自顶向下过程得到特征图C₁、C₂、C₃、C₄；依据C₁、C₂、C₃、C₄通过自底向上过程得到特征图P₁、P₂、P₃、P₄。