融合多尺度扩张率的D-UNet裂缝图像分割方法

文档序号:33713375发布日期:2023-04-01 01:51阅读:100来源:国知局
融合多尺度扩张率的D-UNet裂缝图像分割方法
融合多尺度扩张率的d-unet裂缝图像分割方法
技术领域
1.本发明涉及图像处理与人工智能,特别是一种融合多尺度扩张率的d-unet裂缝图像分割方法。


背景技术:

2.基础设施建筑是我国经济社会发展的重要支柱,有着十分重要的战略意义。尤其是进入21世纪以来,我国已然成为基建大国并快速向着基建强国迈出步伐。我国不仅在传统的交通领域推进建设,在一些新型基础设施建设上也取得了举世瞩目的成就。因此,保证工程质量成了一个非常重要的环节。裂缝在工程中是一种客观存在的危害,例如影响工程的美观以及破坏工程结构的完整性进而影响工程的安全性,其带来的工程风险极其显著。因此,对于工程中的裂缝需要提前进行检测并加以措施预防其产生的其他后果。
3.传统的裂缝检测方法由人工直接进行肉眼观测或者借助专业的测绘工具进行检测。但这种检测方式通常会因检测人员的主观意识引起检测结果的误差,并且不适用于工作量较大的工程。


技术实现要素:

4.发明目的:本发明的目的是提供一种融合多尺度扩张率的d-unet裂缝图像分割方法,从而解决传统的人工检测方式带来的准确度的误差问题,以及大量的检测带来的人员疲乏导致的检测效率低的问题。
5.技术方案:本发明所述的一种融合多尺度扩张率的d-unet裂缝图像分割方法,包括以下步骤:
6.(1)对裂缝数据集进行预处理操作:对数据集的每张图像进行过滤,消除噪声对模型训练的影响,然后对处理完的图像进行通道的调整,将图像全部转为单通道。
7.步骤(1)将训练集的图像进行中值滤波的去噪,消除噪声的干扰后进行通道数的调整。将训练集的全部图像转换为单通道以此压缩训练时的计算量。
8.(2)将原始unet的编码器中双重卷积进行替换,在每一个编码器中,将第二个卷积利用不同扩张率的空洞卷积进行替换。
9.步骤(2)中是本发明的核心步骤。根据空洞卷积的等价卷积核大小计算公式替换传统卷积:
10.n=k+(k-1)*(d-1)
11.式中,k为传统卷积核大小,d为设置空洞卷积时的超参数扩张率;利用空洞卷积在不增加参数量的情况下能够扩大感受野的优势,进而替换编码器中双重卷积的第二个卷积;空洞卷积后得到的特征图大小为:
12.o=[n+2p-k-(k-1)*(d-1)]/s+1
[0013]
式中,n为等价的空洞卷积核大小,p为填充数,k为传统卷积核大小,d为设置空洞卷积时的超参数扩张率,s为步长;对于unet的编码阶段,采用不同扩张率的空洞卷积,能够
更好的得到裂缝特征,从而提升训练效果;由于靠近输入层,所以第一个编码器第二层使用传统卷积进行提取特征;接下来的编码器中第二层依次使用不同扩张率的空洞卷积替换原始的卷积。
[0014]
(3)在下采样的时候,将最大池化的方式替换为利用带有步长的卷积进行下采样。
[0015]
步骤(3)替换了原始unet中池化的方式。由于最大池化在压缩计算量的时候,丢失了细节信息。因此将最大池化替换为带有步长的卷积。即使卷积层携带一定的参数量,可以通过模型训练优化丢失的细节信息。
[0016]
(4)下采样的特征图需要进行对应的四次上采样操作恢复图像的初始分辨率;每次上采样的方式选择双线性插值。
[0017]
步骤(4)利用双线性插值进行上采样操作。由于双线性插值对于原图像的虚拟点周围的像素值共同决定目标中的一个像素值,缩放效果相比于最邻近插值更好,速度比双三次插值快,属于相对平衡了速度和效果的上采样方式。
[0018]
(5)在解码阶段,对于每一个解码器中的双重卷积,同样将第二个卷积替换为不同扩张率的空洞卷积。
[0019]
所述步骤(5)具体为:
[0020]
将解码器中的第二层卷积依次替换为不同扩张率的空洞卷积;得益于空洞卷积在不增加参数量的情况下可以扩大感受野的优势,能够充分恢复下采样过程中丢失的细节信息;空洞卷积的感受野通过公式得出:
[0021]
rfi=rf
i-1
+(n-1)
×si-1
[0022]
式中,rfi为当前层的感受野,rf
i-1
为前一层的感受野,n为卷积核大小,s
i-1
为当前层之前所有层的步长乘积,通过以下公式计算得出:
[0023][0024]
式中,stridei为第i层卷积使用的步长。
[0025]
(6)将输出图像调整为单通道以迎合二分类的分割任务:对于裂缝和背景进行处理,将最后的输出图像调整为单通道,即在最后的卷积层中设置输出通道数为1。
[0026]
(7)将训练的权重加载到模型中进行测试集的检测,以此评价模型的分割效果。
[0027]
一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的一种融合多尺度扩张率的d-unet裂缝图像分割方法。
[0028]
一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种融合多尺度扩张率的d-unet裂缝图像分割方法。
[0029]
有益效果:与现有技术相比,本发明具有如下优点:
[0030]
1、本发明提供了融合多尺度扩张率的d-unet裂缝图像分割方法,在分割领域提供了新的解决方案。针对裂缝分割任务存在的特点对已有的分割模型进行了优化。对实际工程中应用本模型具有指导意义。
[0031]
2、本发明利用原始unet作为基础的主干网络进行优化,对其编码器和解码器进行卷积替换。替换的空洞卷积更加有利于特征的提取。对于下采样时图像的分辨率下降有着
一定的辅助作用。
[0032]
3、本发明的最终结果是对工程中的裂缝图像进行分割检测,若结合高性能服务器的训练,以及数据集标签的质量等其他实验因素,可提升最终模型的训练效果以及分割效果。
附图说明
[0033]
图1是本发明的整体流程示意图。
[0034]
图2是本发明编码器结构示意图。
[0035]
图3是本发明解码器结构示意图。
[0036]
图4是本发明分割模型结构示意图。
具体实施方式
[0037]
下面结合附图对本发明的技术方案作进一步说明。
[0038]
如图1所示,一种融合多尺度扩张率的d-unet裂缝图像分割方法,步骤如下:
[0039]
(1)对训练集进行预处理,利用中值滤波进行去噪。对于裂缝图像而言,中值滤波可以有效处理离散的点噪声。预处理过后的图像可以有效提高训练的效果。
[0040]
(2)如图2所示,将unet中的编码器全部替换为带有空洞卷积的双重卷积。靠近输入层的编码器不进行更换。从第二个编码器开始,依次将编码器的第二层卷积替换为扩张率为3、5、7、9的空洞卷积进行特征提取。
[0041]
(3)如图4所示,在训练的过程中,使用步长为2的卷积代替原有的最大池化,从而可以在训练过程中学习到原有的最大池化丢失的相关特征。
[0042]
(4)如图4所示,在上采样的过程中,利用双线性插值进行上采样,以此来恢复图像的分辨率以及恢复图像在下采样的过程中丢失的细节信息。上采样与下采样的次数需保持一致,方可恢复图像输入时的原始尺寸。
[0043]
(5)如图3所示,在解码阶段的操作和编码阶段保持一致,利用不同扩张率的空洞卷积替换原来的解码器中的第二层卷积。解码器的第二层扩张率依次为9、7、5、3,从而保持和编码器形成对称结构。输出层的解码器依旧使用传统卷积。
[0044]
(6)如图4所示,本发明的工作是对裂缝的分割检测,因此最后的输出图像为单通道的图像,包括了裂缝和背景。因此最后的卷积层输出通道需要设置为1以此完成二分类的任务。
[0045]
(7)训练结束,加载权重进行模型检测裂缝图像的测试集工作,此阶段是衡量模型的训练效果和性能的最终环节。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1