[发明专利]基于改进ResNext的混凝土表面粗糙度检测方法

权利要求书

1.一种基于改进ResNext和迁移学习的混凝土表面粗糙度检测方法，其特征在于，包

括如下步骤：

步骤1：数据准备

采集混凝土的粗糙面表面的图像，通过Freestyle 3D扫描设备获取粗糙面的真实粗糙度值，对采集的图片按照真实的粗糙度值标注为不同类别的样本，并按比例划分训练数据集和验证数据集；

步骤2：数据增强

对原始图像进行旋转、高斯模糊、光照增强和削弱，进行数据增强，增加训练样本数量；

步骤3：模型搭建

基于ResNext50网络、CBAM注意力机制模块和深度可分离卷积构建一个轻量级的混凝土表面粗糙度的检测模型；

步骤4：数据迁移

在步骤3搭建的改进ResNext网络中，利用样本数量庞大的混凝土裂缝数据集做预训练，得到模型权重文件；

步骤5：模型训练

利用步骤2数据增强后的图像作为输入，通过步骤4预训练后的权重文件对步骤3中网络模型参数做初始化，接着选择不同超参数进行模型的训练；

步骤6：粗糙度检测

每一张图片通过步骤5训练得到的模型进行检测，模型的输出层为全连接层+softmax层，通过最大概率获取预测的类别；同时，利用每个类别粗糙度的加权平均值来估计表面粗糙度。

2.根据权利要求1所述的检测方法，其特征在于，步骤1中，按照真实的粗糙度数值，

将样本分为：一级、二级和三级，对应关系如下：粗糙度数值＜1.5mm，一级，粗糙度特征为光滑；粗糙度数值≥1.5mm且＜3.0mm，二级，粗糙度特征为粗糙；粗糙度数值≥3.0mm，三级，粗糙度特征为非常粗糙。

3.根据权利要求1所述的检测方法，其特征在于，步骤1中，将样本按照8：2-9：1的比例划分为训练数据集和验证数据集。

4.根据权利要求1所述的检测方法，其特征在于，步骤3中，构建混凝土表面粗糙度的检测模型的具体步骤包括：ResNext网络结构通过级联具有相同拓扑结构的层来实现，每一层都执行拆分，转换，合并的策略；将ResNext中的7*7的普通卷积和ResNext残差模块中的分组卷积分别替换为深度可分离卷积，以减少模型参数量，降低模型的复杂度；后将注意力机制CBAM模块，添加在ResNext网络的每个残差模块结构的卷积输出后，对ResNext网络进行自适应特征优化，得到融合了ResNext、CBAM注意力机制和深度可分离卷积的改进ResNext网络。

5.根据权利要求1所述的检测方法，其特征在于，步骤5中，超参数包括学习率、损失函数、批量样本数量和优化器。

6.根据权利要求5所述的检测方法，其特征在于，初始的学习率为0.0001，批量样本数量为16，损失函数为多分类交叉熵损失函数，优化器为Adam。

7.根据权利要求1所述的检测方法，其特征在于，步骤6中，利用每个类别粗糙度的加权平均值来估计表面粗糙度，计算过程如下：

其中，为图像预测为级的概率，为粗糙面为级的平均粗糙度。