[发明专利]基于改进ResNext的混凝土表面粗糙度检测方法

说明书

本发明公开了一种基于改进ResNext的混凝土表面粗糙度检测方法；该方法包括以下步骤：（1）数据准备；（2）数据增强；（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混凝土表面粗糙度的检测模型；（4）数据迁移；（5）模型训练：将数据增强后的图像数据、预训练的权重文件加载到建立的模型中，进行模型的训练；（6）粗糙度检测。本发明方法利用深度可分离卷积减少了网络的参数，减少了对计算机算力的消耗；通过迁移学习，提高了分类准确率，加快了学习效率；检测模型具有鲁棒性；实现操作简便，检测精度高。

技术领域

本发明涉及计算机图像处理领域，具体地说是一种基于改进ResNext和迁移学习的混凝土表面粗糙度检测方法。

背景技术

钢筋混凝土叠合板在装配式混凝土结构中应用较为广泛。叠合板作为预制构件在连接过程中存在大量的接缝，接缝的性能将对结构的整体安全产生重要的影响，而结合处表面的粗糙度对接缝性能的影响最为显著。为了确保装配式建筑的安全，有必要对钢筋混凝土表面粗糙度进行准确的测量。目前常见的混凝土表面粗糙度测量方法有：灌砂法、机械探针法、激光扫描发以及数字图像处理等方法。灌砂法易受天气的影响且只适合于水平的表面。机械探针法操作复杂并且无法现场操作。激光扫描法有着非接触式、精确性和数据可视化等优势，但设备昂贵同样更适合于实验室测量。随着计算机视觉的发展，通过数字图像处理法提取图像中的有效信息构建与粗糙度的关系函数实现有效测量。但异常环境和各种未知因素对测量准确率有较大影响。

发明内容

本发明的目的就是为了克服上述现有技术的缺陷，提供了一种基于改进ResNext和迁西学习的混凝土表面粗糙度检测方法，基于深度学习中的卷积神经网络自提取图像特征，通过注意力机制CBAM(Convolutional Block Attention Module)结合空间和通道信息进行自适应的特征优化，利用深度可分离卷积替换普通卷积减少网络的参数，减少了对计算机算力的消耗。通过数据量充足、容易获取标签且和该任务相似的任务来迁移学习，提高了分类准确率，加快了学习效率。本发明方法操作简便、对待测面无要求，具有鲁棒性。

本发明的目的可以通过以下技术方案来实现。

一种基于迁移学习、注意力机制和深度可分离卷积与ResNext融合的混凝土表面粗糙度的检测方法，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

为了让有限的数据产生更多的数据，在增加训练样本数量的同时，提升模型的鲁棒性。对原始图像进行旋转、高斯模糊、光照增强和削弱等。

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

将步骤2处理好的数据和步骤4预训练的权重文件加载到步骤3建立的模型中，并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。模型的输出为全连接层+softmax层，可以通过最大概率获取预测的类别。同时，可以利用每个类别粗糙度的加权平均值来估计表面粗糙度。