[发明专利]基于空间金字塔空洞卷积网络的桥梁裂缝检测方法

权利要求书

1.一种基于空间金字塔空洞卷积网络的桥梁裂缝检测方法，其特征在于，构建并训练空间金字塔空洞卷积网络，实时的检测桥梁裂缝图像，该方法的具体步骤包括如下：

(1)构造空间金字塔空洞卷积网络：

(1a)搭建一个由主网络和子网络并联组成的空间金字塔空洞卷积网络；

所述主网络由输入层和第1个卷积层组成；

所述子网络由四个分支并联组成：分支1由主网络的输入层与第1个空洞卷积层组成；分支2由主网络的输入层与第2个空洞卷积层组成；分支3由主网络的输入层与第3个空洞卷积层组成；分支4由主网络的输入层与池化层组成；

(1b)设置空间金字塔空洞卷积网络的各层参数如下：

将输入层的特征映射图数目设置为1024；

将四个卷积层的特征映射图数目均设置为512，卷积核的大小依次设置为1×1、3×3、3×3、3×3，第2个卷积层、第3个卷积层和第4个卷积层的空洞率设置依次为为6、12、18；

将池化层下采样滤波器尺寸设置为2×2；

(2)生成训练数据集、标签数据集、测试数据集：

(2a)实时采集至少1000张桥梁裂缝图像，且每张都均有桥梁裂缝，将所采集的图片组成空间金字塔空洞卷积网络数据集，从空间金字塔空洞卷积网络数据集中随机提取70％的图片组成训练数据集，剩余的30％图片组成测试数据集；

(2b)对训练数据集中的每一张桥梁裂缝图像中的裂缝像素进行人工标注，生成标注图像，组成标签数据集；

(3)对待检测的桥梁裂缝图像进行预处理：

(3a)利用梯度计算方法，对桥梁裂缝图像在横向和纵向做卷积核操作，计算每个像素点的梯度值，并根据横向和纵向的梯度值，计算梯度方向角度，将所有梯度值组成一个梯度图像；

(3b)对桥梁裂缝图像矩阵和特征矩阵进行归一化，将图像中的元素值归一化到[0，1]之间，得到归一化的图像；

(4)训练空间金字塔空洞卷积神经网络：

将训练数据集输入到空间金字塔空洞卷积神经网络，采用梯度下降方法，不断调整优化网络训练参数，直到空间金字塔空洞卷积神经网络损失值小于预先设定值0.3，得到训练好的空间金字塔空洞卷积神经网络；

(5)对测试数据集进行检测：

将测试数据集输入到训练好的空间金字塔空洞卷积神经网络，从桥梁裂缝图像中提取裂缝像素。

2.根据权利要求1所述的基于空间金字塔空洞卷积网络的桥梁裂缝检测方法，其特征在于，步骤(3a)中所述梯度计算方法的具体步骤如下：

第一步：分别计算桥梁裂缝图像的x方向与y方向梯度；

第二步：按照下式，计算桥梁裂缝图像的梯度：

其中，G^表示裂缝图像像素点的梯度值，G_x表示裂缝图像像素点的横向差值，G_y表示裂缝图像像素点的纵向差值，表示开根号操作；

第三步：按照下式，计算桥梁裂缝图像的梯度角度：

其中，θ^表示裂缝图像像素点梯度的方向角度值，arctan表示反正切操作，G_x表示裂缝图像像素点的横向差值，G_y表示裂缝图像像素点的纵向差值。

3.根据权利要求1所述的基于空间金字塔空洞卷积网络的桥梁裂缝检测方法，其特征在于，步骤(3b)中所述对桥梁裂缝图像矩阵和特征矩阵进行归一化的具体步骤如下：

第一步，分别求出桥梁裂缝图像矩阵和特征矩阵每一通道的最大值和最小值；

第二步，桥梁裂缝图像矩阵每一通道的所有元素均减去该通道像素最小值，再除以该通道像素最大值减像素最小值，得到归一化后的桥梁裂缝图像矩阵；

第三步，采用与第二步相同的方法，得到归一化的特征矩阵。

4.根据权利要求1中所述的基于空间金字塔空洞卷积网络的桥梁裂缝检测方法，其特征在于，步骤(4)中所述梯度下降方法的步骤如下：

第一步，在[10000,12000]的范围，任意选取一个值作为金字塔空洞卷积网络的迭代次数，将5层金字塔空洞卷积网络的所有9472个参数值均设置成高斯随机数，所述高斯随机数的均值为0.0001，方差设置为1.00，学习速率设置为0.005；

第二步，从金字塔空洞卷积的训练数据集中随机选取10张图像

第三步，按照下式，计算所有训练数据集损失值的平均值：

其中，L表示所有训练数据集损失值的平均值，Σ表示求和操作，i表示训练数据集中每一幅图像的序号，i＝1,2,3,4，y_i表示训练数据集每一幅图像的期望输出，y_{i_}表示训练数据集每一幅图像训练的实际输出；

第四步，按照下式，更新金字塔空洞卷积网络中每一个参数：

其中，表示金字塔空洞卷积网络中第x个参数更新后的值，θ_x表示金字塔空洞卷积网络中第x个参数更新前的值，表示求导操作；

第五步，判断当前迭代次数是否等于设定的金字塔空洞卷积网络的迭代次数，若是，则执行第六部，否则，执行第二步；

第六部，得到训练好的金字塔空洞卷积网络。