[发明专利]基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法

权利要求书

1.一种基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，包括以下步骤：

获取高铁桥梁表观裂缝图片数据集，从所述图片数据集中选择候选数据集，并从所述候选数据集中选择当前子集；

采用随机抽样的方式从所述候选数据集中选取多个样本作为新的训练样本，对所述训练样本进行标记，添加到训练集中；

使用所述训练集更新裂缝识别的深度神经网络模型，计算所述深度神经网络模型在相邻两次迭代训练过程中对所述图片数据集预测结果的相对损失；

若连续在多次迭代中所述图片数据集预测结果的相对损失小于第一容许值，所述深度神经网络模型收敛；

保存所述深度神经网络模型，并使用所述深度神经网络模型进行高铁桥梁表观裂缝识别。

2.根据权利要求1所述的基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，若所述深度神经网络模型未满足收敛条件，采用上一次迭代中所述深度神经网络模型对所述当前子集的预测标签作为真实标签，采用当前迭代的所述深度神经网络模型预测所述当前子集的预测标签；

根据所述真实标签、所述预测标签和网络的损失函数计算两次迭代中所述当前子集预测结果的相对损失，判断所述当前子集是否满足收敛条件；

当连续若干次迭代中所述当前子集预测结果的相对损失小于第二容许值，所述当前子集满足收敛条件，将所述当前子集从所述候选数据集中删除，以缩小主动学习的搜索范围；

采用深度神经网络模型预测所述候选数据集的样本，基于预测结果的信息熵计算候选数据集样本的不确定性，以更新所述候选数据集的样本的不确定性。

3.根据权利要求2所述的基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，在判断所述当前子集是否满足收敛条件之后，包括步骤：

若当前子集未满足收敛条件，基于预测结果的信息熵计算候选数据集样本的不确定性，以更新所述候选数据集的样本的不确定性。

4.根据权利要求1所述的基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，计算所述深度神经网络模型在相邻两次迭代训练过程中对所述图片数据集预测结果的相对损失，包括步骤：

采用上一次迭代中所述深度神经网络模型对所述图片数据集的预测标签作为真实标签，采用当前迭代的所述深度神经网络模型预测所述图片数据集的预测标签，然后根据所述真实标签、所述预测标签和所述深度神经网络模型的损失函数计算两次迭代中数据集的相对损失。

5.根据权利要求4所述的基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，所述深度神经网络模型的损失函数包括Dice Loss损失函数和交叉熵损失函数两个部分；

其中Dice Loss损失函数定义为：

式中，和/分别为预测和真实的像素分类，N为像素总数；

交叉熵损失函数的定义为：

x为输入也是深度神经网络模型的最后一层的输出，class为像素真实的标签索引值；

所述深度神经网络模型的损失函数为：

loss＝loss_CE+loss_Dice。

6.根据权利要求2或3所述的基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法，其特征在于，基于预测结果的信息熵计算候选数据集样本的不确定性，包括：

基于信息熵的不确定性计算公式为：

p(S_i)为像素被预测为i类的概率，n为类别总数，N为样本图片的像素总数。