基于DINO的表面裂纹弱监督语义分割方法

本发明涉及混凝土检测，尤其涉及一种基于dino的表面裂纹弱监督语义分割方法。

背景技术：

1、表面裂纹是混凝土结构中最常见的缺陷之一，它可以发生在混凝土设施的各个阶段，包括施工、运行、大修和加固等；建筑材料的裂纹大大影响了基础设施工程项目的功能和安全，包括道路、桥梁和隧道；利用计算机视觉和深度学习从裂纹中提取特征信息进行综合评估，是检测人员评估设施结构性能的有效工具；该领域的许多研究都集中在表面裂纹的分类和分割上，但大多数已发表的研究都采用了监督学习的方法对裂纹图像进行检测和分割；使用监督学习对裂纹图像进行检测和分割，往往需要花费大量的时间对裂纹进行人工注释，以确保深度学习模型训练的有效性；研究人员需要花很多精力为裂纹创建语义分割标签，这就违背了使用深度学习技术的初心；为了减少人工标注的工作量，在裂纹检测和分割领域，半监督或弱监督学习被用作完全监督学习的替代方法；

2、与其他应用中采用的语义分割方法不同，如交通场景或医学图像分割，裂纹的拓扑结构表现出自相似性和局部相似性；基于这种相似性，在对原始裂纹图像进行分块后，每个图像块仍然保留着与原始图像相似的拓扑特征；

3、因此，最近的研究提出了各种基于分块的弱监督裂纹分割；然而，这些弱监督方法产生的伪标签存在裂纹完整性差和背景噪声过大的问题，导致模型的预测精度随之下降；出现这样的问题可能是因为被分割成小块的裂纹图像在放大裂纹的拓扑特征的同时，也放大了背景杂波的结构特征，使得深度学习模型在分类时准确性降低，阻碍了类激活图对裂纹的定位；

技术实现思路

1、本发明的目的在于提供一种混凝土检测拆除装置及使用方法，以解决了上述背景技术中提出的技术问题。

2、为了解决上述的技术问题，本发明采用了如下技术方案：

3、一种基于d ino的表面裂纹弱监督语义分割方法，步骤如下：

4、将结构裂纹数据集中裂纹图像用于dino迁移学习并得到crack-d ino；提取crack-dino中的教师网络作为裂缝特征提取器，将教师网络中的最后一层注意力模块可视化为裂纹特征图；

5、通过二值化去除裂纹特征图中的噪声并保留裂纹特征得到裂纹定位图；

6、通过densecrf处理裂纹定位图，获得一个细粒度的裂纹分割掩码作为伪标签，替代人工制作的标签。

7、作为本发明提供的所述的一种基于dino的表面裂纹弱监督语义分割方法的一种优选实施方式，采用基于vit-s-16的裂纹d ino对结构裂缝数据集中裂纹图像进行裂缝特征提取。

8、作为本发明提供的所述的一种基于dino的表面裂纹弱监督语义分割方法的一种优选实施方式，所述通过二值化去除裂纹特征图中的噪声并保留裂纹特征得到裂纹定位图，二值化公式如下：

9、

10、

11、

12、其中，m*n为图像大小，l为阈值，0≤l为背景；l≤255为对象，l遍历整个像素空间[0，255]以找到最佳阈值；当阈值为l时，属于背景的像素数为属于物体的像素点的数量为背景像素点占整个图像的比例为背景的平均灰度值为物体像素点占整个图像的比例为物体的平均灰度值为

13、作为本发明提供的所述的一种基于dino的表面裂纹弱监督语义分割方法的一种优选实施方式，通过均值场近似推理进行迭代学习，进而在学习中收敛并产生一个精确的分割结果，均值场近似推理表达式如下：

14、

15、其中，qi是第i个像素属于类别的概率；l表示第i个像素的类别；l′表示第j个像素的类别,μ(l,l′)表示只有两个像素属于相同类别下，能量才能相互传导；ψu(xi)是裂纹定位图；μ(l,l′)的值在l＝l′时为1，否则为0；

16、zi，是归一化因子，可以扩展为：

17、

18、其中，是所有类别的集合；k是高斯核的数量；ω是线性组合权重；k(m)(fi,fj)是第m个高斯核；qj(l′)是最后一次迭代的输出，其初始化为

19、可以毫无疑义的看出，通过本申请的上述的技术方案，必然可以解决本申请要解决的技术问题。

20、同时，通过以上技术方案，本发明至少具备以下有益效果：

21、本发明提供的一种基于di no的表面裂纹弱监督语义分割方法，利用迁移学习微调自监督模型dino，以低成本方式提升dino对于裂纹特征的识别准确性，从而得到出裂纹定位图，还利用了全连接条件随机场(densecrf)，增加了伪标签的精度，从而实现裂纹精细分割；

22、预训练di no对结构性裂纹数据集进行迁移学习，这增强了它对裂纹拓扑结构的感知能力，从而过滤掉了裂纹定位图中的一些背景噪音；

23、在将裂纹定位图与传统的数字图像处理技术相结合以获得伪标签后，伪标签再被训练到各种深度学习模型中以获得裂纹分割图。

技术特征：

1.一种基于dino的表面裂纹弱监督语义分割方法，其特征在于，步骤如下：

2.根据权利要求1所述的一种基于dino的表面裂纹弱监督语义分割方法，其特征在于，采用基于vit-s-16的裂纹dino对结构裂缝数据集中裂纹图像进行裂缝特征提取。

3.根据权利要求1所述的一种基于dino的表面裂纹弱监督语义分割方法，其特征在于，所述通过二值化去除裂纹特征图中的噪声并保留裂纹特征得到裂纹定位图，二值化公式如下：

4.根据权利要求1所述的一种基于dino的表面裂纹弱监督语义分割方法，其特征在于，通过均值场近似推理进行迭代学习，进而在学习中收敛并产生一个精确的分割结果，均值场近似推理表达式如下：

技术总结
本发明涉及混凝土检测技术领域，尤其涉及一种基于DINO的表面裂纹弱监督语义分割方法。步骤如下：将结构裂纹数据集中裂纹图像用于DINO迁移学习并得到Crack‑DINO；提取Crack‑DINO中的教师网络作为裂缝特征提取器，将教师网络中的最后一层注意力模块可视化为裂纹特征图；通过二值化去除裂纹特征图中的噪声并保留裂纹特征得到裂纹定位图；利用全连接条件随机场方法结合裂纹定位图得到裂缝分割图即伪标签。本发明提供的一种基于DINO的表面裂纹弱监督语义分割方法，利用迁移学习微调自监督模型DINO，以低成本方式提升DINO对于裂纹特征的识别准确性，从而得到出裂纹定位图，还利用了全连接条件随机场(DenseCRF)，增加了伪标签的精度，从而实现裂纹精细分割。

技术研发人员：廖宁生,杨雲翔,闫河,朱秘,彭波
受保护的技术使用者：重庆理工大学
技术研发日：
技术公布日：2024/1/13