[发明专利]一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法

说明书

本发明涉及一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法。包括：（1）采用无人机采集建筑裂缝图像构建裂缝数据集；（2）对裂缝图像采用直方图均衡化、双边滤波与图像中心随机裁剪等方法进行数据预处理和数据增强；（3）建立基于注意力机制和深度残差神经网络相结合的建筑裂缝识别模型；（4）采用梯度加权类激活热图算法对图象识别的结果分层进行可视化展示，按照可视化的结果调整网络结构以及网络参数，搭建并调优最终模型；（6）运用调优后的模型对实际现场中的图像进行检测。本发明可以快速准确地识别裂缝，且可以有效地打破神经网络在识别过程中的黑盒子机制，为网络结构的调整提供可视化的依据。

技术领域

本发明涉及计算机图像处理技术领域，具体涉及一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法。

背景技术

在工程建设过程中，建筑物的质量与安全检查是极为重要的环节。其中，建筑物外墙裂缝的检测尤为重要。它不仅会影响建筑物的功能和美观,而且会使得结构安全度降低、抗震性能变差,因此快速准确地检测识别出建筑裂缝是当前结构健康检测领域亟待解决的问题。

目前，建筑裂缝检测识别常采用人工定期检查的方法。但是该方法存在极大的主观性，检查耗时耗力，其成本高、工作效率低下。另外，部分高耸或结构较为复杂的建筑物不利于检查员肉眼观测，容易产生裂缝漏检误检的可能。

近年来，基于图像处理技术的裂缝识别方法得到了较多的关注，但裂缝图像内的阴影、较低对比度产生的噪声会导致以边缘检测法为代表的常规图像处理方法检测准确率较低。当前，基于深度神经网络的智能化裂缝识别模型得到了广泛的研究。然而，现有的裂缝检测深度神经网络模型识别准确率并不高，同时也无法克服神经网络模型的黑盒子机制，另外无法分层可视化看到网络中每一层的识别结果，也将导致难以确定最优的网络模型，因此当前的裂缝深度学习模型也大多基于经验进行设计。

发明内容

本发明的目的在于克服现有方法存在的问题，提供一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法，不仅可以提升识别准确率，而且可以破除传统神经网络进行裂缝识别的黑盒子机制，并有助于网络模型的可视化搭建。此外该方法基于无人机采集的图像，采用所发明的智能算法能够快速准确地识别出建筑外墙裂缝，减少了人工检查成本，极大提高了检测效率。

为实现上述目的，本发明的技术方案是：一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法，包括如下步骤：

步骤S1、利用无人机采集预定数量的建筑外墙图片，将采集的图片分别标注为有无裂缝两类样本，构建训练数据集；

步骤S2、采用包括直方图均衡化、双边滤波、中心随机裁剪的方式对建筑外墙图片进行预处理和数据增强；

步骤S3、建立基于注意力机制的深度残差神经网络裂缝识别模型；

步骤S4、将步骤S2处理好的数据放入步骤S3建立的模型中进行训练，得到初步的建筑裂缝识别模型；

步骤S5、采用梯度加权类激活热图算法，对各卷积层可视化，依据各卷积层对特征图的敏感区域的可视化结果，调整网络结构与网络参数，再重新训练模型，得到最优的建筑裂缝识别模型；

步骤S6、利用无人机新采集的建筑外墙图片构建检测数据集，采用直方图均衡化和双边滤波对其进行图像预处理，将预处理后的图片传入到最优的建筑裂缝识别模型中；对建筑外墙图片进行裂缝识别和模型分层可视化，并将图片识别结果和模型分层可视化结果进行输出。