一种基于SCSEOCUnet的混凝土裂缝分割方法与流程

本发明涉及土木工程与人工智能计算机视觉交互技术领域，具体涉及一种基于scseocunet的混凝土裂缝分割方法。

背景技术：

常用的传统数字图像处理方法包括边缘检测、阈值法、光谱分析法等，这些方法仅对特定情况下的数据集有效，在实际环境中，裂缝的检测易受环境因素干扰，如模糊、阴影、树叶、划痕等，这些噪声使得传统的方法检测误差大，模型泛化能力低。一些学者基于无人机进行桥梁裂缝的检测，提出了新的基于cnn的桥梁裂缝分类算法和目标检测算法，利用检测结果快速定位后再利用传统图像处理算法得到桥梁裂缝特征具体数值。然而这些方法均无法对像素级别的裂缝信息进行提取。

技术实现要素：

本发明的目的在于提供一种能够对像素级别的裂缝信息进行提取的混凝土裂缝分割方法。

本发明的技术方案是：一种基于scseocunet的混凝土裂缝分割方法，包括如下步骤：

s1：利用无人机获取带有裂缝的桥梁表面或者道路表面图片；

s2：对所获得裂缝进行标注，裂缝区域的像素值标记为1，非裂缝区域的像素值标记为0；

s3：将标记好的图片以及原始图片根据0.85:0.15的比例划分为训练集和验证集；

s4：构建空间-通道注意力机制scse模块，构建上下文推断oc模块形成scseocunet网络，对s3步得到的训练集进行训练，对验证集进行验证，并保存好训练的模型权重参数；

s5：利用训练好的模型，对新拍摄的图片进行识别处理，如存在裂缝则将裂缝区域分割出；若无裂缝则判定为正常图片。

进一步的技术方案，s4中，构建空间-通道注意力机制scse模块，构建上下文推断oc模块形成scseocunet网络，对s3步得到的训练集进行训练，对验证集进行验证，并保存好训练的模型权重参数，其中分为以下步骤：

s4.1构建空间-通道注意力机制scse模块，输入u进入网络之后，会进入两条支路：上面的支路为sc支路，该支路通过一个1×1卷积操作，得到一个长宽与输入u相同的权重矩阵，该矩阵与u相乘，得到在空间上重新校准的特征usc；下面的支路为se支路，该支路首先通过一个最大池化操作，得到一个通道数与输入u相同的权重矩阵，该矩阵再经过两个全连接层，第一个全连接层的神经元数量为通道数的一半，第二个全连接层数量等于通道数，经过激活函数，将经过第二全连接层还原到通道数的矩阵与u相乘，得到在通道方向上重新校准的特征use，最后，将沿着通道和空间重新校准的特征合并输出uscse；

s4.2对于网络的最后一层输出x，先利用3×3的卷积减少channel从2048到512记为y，在四个分支中分别用self-attention模块计算逐像素的attentionmap和objectcontext；第一个分支把全部特征图y作为输入，第二个分支把特征图分为2×2的子区域，每个子区域应用共享的transform，第三个和第四个分支把输入y分为3×3和6×6的子区域，每个子区域的变换不共享；最后将每个分支的结果沿着通道方向拼接，并用1×1的卷积增加x的维度与objectcontext的维度相等再进行拼接；

s4.3损失函数为diceloss函数，计算过程如下：

其中，ldice为dice损失，yi为第i个像素点的标签值，pi为第i个像素点的预测概率值，项本文设置为1。

本发明的有益效果：

1、本发明所述的方法能够准确识别裂缝并将裂缝区域分割出来，相较于传统的常用的传统数字图像处理方法如边缘检测、阈值法、光谱分析法，具有自适应性，无需根据环境设置不同的参数；

2、本发明相较于现有的深度学习网络，本发明提出的方法能够有效减少样本不平衡的影响，提高了分割精度，对于复杂的环境，更加稳定，鲁棒性强，可用于建筑的其他病害缺陷：如蜂窝麻面的分割中。

3、本发明基于经典的unet网络，提出scseocunet卷积神经网络模型提取混凝土表观的裂缝的方法。scseocunet网络的编码器采用了能保留更多细节信息的预训练的resnet34模型，并融合了空间-通道注意力机制scse模块、上下文推断oc模块来优化模型，实现了更高精度地提取图像中的裂缝信息。

附图说明

图1为本发明的流程示意图，

图2为本发明中scseocunet网络结构图。

具体实施方式

下面通过非限制性实施例，进一步阐述本发明，理解本发明。

如图1-2所示，本发明提供了一种基于scseocunet的混凝土裂缝分割方法，包括如下步骤：

s1：利用无人机获取带有裂缝的桥梁表面或者道路表面图片；

s2：对所获得裂缝进行标注，裂缝区域的像素值标记为1，非裂缝区域的像素值标记为0；

s3：将标记好的图片以及原始图片根据0.85:0.15的比例划分为训练集和验证集；

s4：构建空间-通道注意力机制scse模块，构建上下文推断oc模块形成scseocunet网络，对s3步得到的训练集进行训练，对验证集进行验证，并保存好训练的模型权重参数，具体步骤如下：

s4.1构建空间-通道注意力机制scse模块，输入u进入网络之后，会进入两条支路：上面的支路为sc支路，该支路通过一个1×1卷积操作，得到一个长宽与输入u相同的权重矩阵，该矩阵与u相乘，得到在空间上重新校准的特征usc；下面的支路为se支路，该支路首先通过一个最大池化操作，得到一个通道数与输入u相同的权重矩阵，该矩阵再经过两个全连接层，第一个全连接层的神经元数量为通道数的一半，第二个全连接层数量等于通道数，经过激活函数，将经过第二全连接层还原到通道数的矩阵与u相乘，得到在通道方向上重新校准的特征use，最后，将沿着通道和空间重新校准的特征合并输出uscse；

s4.2对于网络的最后一层输出x，先利用3×3的卷积减少channel从2048到512记为y，在四个分支中分别用self-attention模块计算逐像素的attentionmap和objectcontext；第一个分支把全部特征图y作为输入，第二个分支把特征图分为2×2的子区域，每个子区域应用共享的transform，第三个和第四个分支把输入y分为3×3和6×6的子区域，每个子区域的变换不共享；最后将每个分支的结果沿着通道方向拼接，并用1×1的卷积增加x的维度与objectcontext的维度相等再进行拼接；

s4.3损失函数为diceloss函数，计算过程如下：

其中，ldice为dice损失，yi为第i个像素点的标签值，pi为第i个像素点的预测概率值，项本文设置为1；

s5：利用训练好的模型，对新拍摄的图片进行识别处理，如存在裂缝则将裂缝区域分割出；若无裂缝则判定为正常图片。