[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

说明书

本申请提供了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，包括步骤：获取高铁桥梁表观裂缝图片数据集，从图片数据集中选择候选数据集，并从候选数据集中选择当前子集；采用随机抽样的方式从候选数据集中选取多个样本作为新的训练样本，对训练样本进行标记，添加到训练集中；使用训练集更新裂缝识别的深度神经网络模型，计算相邻两次迭代训练过程中深度神经网络模型对图片数据集预测结果的相对损失；若连续多次迭代中图片数据集预测结果的相对损失小于容许值，则判定深度神经网络模型收敛；保存深度神经网络模型，并使用深度神经网络模型进行高铁桥梁表观裂缝识别。本申请能够解决现有技术中高速铁路桥梁表观裂缝识别主动学习中的抽样局部最优的技术问题，提高裂缝识别的效率和精度。

技术领域

本发明涉及深度学习技术领域，具体涉及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。

背景技术

大跨高速铁路(高铁)桥梁在长期服役过程中会发生性能退化，导致桥梁结构的安全性能降低，严重威胁到人们的生命和财产安全。进行高铁桥梁状态评估，可以有效地识别桥梁的性能退化程度、提前预防灾害的发生，是保障高铁桥梁安全运营的重要手段。表面开裂是桥梁结构损坏的重要早期指标，进行表观裂缝的识别是高铁桥梁状态评估的重要任务。

传统的人工检测方法成本高昂，且人工高空作业存在安全隐患，难以高效进行在大范围的高铁桥梁检测。近年来，基于深度学习的计算机视觉技术得到了飞速的发展，并成功应用到结构表观裂缝识别等领域，可以极大地促进高铁桥梁表观裂缝识别自动化实施。然而，用于表观裂缝计算机视觉识别的深度学习模型需要大量的带标签裂缝数据集进行训练，才能达到足够的识别精度。在实际工程中，建立庞大的训练数据集通常都比较困难，对数据集进行标签的成本比较昂贵。相比传统的训练方法，主动学习方法可以利用相当少的训练数据训练深度学习模型，却能得到足够高的识别精度。然而，现有的基于表达和基于不确定性的主动学习方法，未能较好地平衡主动学习过程中的探索和利用，容易出现抽样局部最优问题，导致主动学习的效率较低，造成了训练数据集的浪费。

发明内容

本发明的目的在于克服上述技术不足，提供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，能够解决现有技术中高速铁路桥梁表观裂缝识别主动学习中的抽样局部最优的技术问题，提高高速铁路桥梁表观裂缝识别的效率和精度。

为达到上述技术目的，第一方面，本发明的技术方案提供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，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，计算在相邻两次迭代训练过程中所述深度神经网络模型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。

与现有技术相比，本发明的有益效果包括：

本发明目提供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，根据样本的不确定性，采用整体到局部的策略，从高铁桥梁表观裂缝数据集中选择子集和训练样本，训练裂缝识别的深度神经网络模型；采用相邻两次迭代中模型对图片数据集的预测结果计算相对损失，由此进行模型收敛和子集收敛判别。本发明根据子集收敛衡量深度神经网络模型的全局预测精度，自适应地缩小抽样范围，平衡主动学习过程中的探索和利用；根据模型收敛作为主动学习的终止条件，能有效提高高速铁路桥梁表观裂缝识别的效率和精度。