[发明专利]基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法

权利要求书

1.基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法，其特征在于包括以下步骤：

步骤一：制备不同集料粒径的透水混凝土试样；

步骤二：对步骤一制备的透水混凝土试样进行CT扫描，得到试件的CT切片图像，作为原始数据集；

步骤三：对原始数据集进行标准化预处理，形成标准化原始数据集；

步骤四：对标准化原始数据集进行标注，形成带真值的标准数据集；

步骤五：对步骤四得到的带真值的标准数据集进行增强处理，增强后的数据集作为透水混凝土数据集，将透水混凝土数据集分割为训练集，验证集和测试集；

步骤六：构建实验平台；

步骤七：提出改进的R-UNet深度学习模型，在训练集上采用多尺度方式对改进的R-UNet深度学习模型进行训练，同时在验证集上进行验证，得到最优模型；

步骤八：提出确定图像亮度的正常范围的算法；

步骤九：判断图像的亮度，对亮度异常的图像采用融合图像算法对分割后的图像进行融合；

步骤十：将测试集中的图像输入到最优模型中进行孔隙智能识别与分割，得到孔隙数目、每个孔的面积、孔隙直径、孔隙率，同时给出评价结果。

2.根据权利要求1所述基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法，其特征在于：还包括步骤十：选取步骤五的透水混凝土数据集之外的CT图像，输入到最优模型中进行孔隙智能识别与分割，得到孔隙数目、每个孔的面积、孔隙直径，孔隙率。

3.根据权利要求1所述基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法，其特征在于：所述步骤四中，在Labelme软件中，首先，对原始图像放大，然后由一名专家尽可能地贴合孔隙边缘进行多边形点标注，最后，还原成原始尺寸保存数据；同时，为进一步提高标注精度，由另一名专家检查和审核标注结果，通过审核后作为标准集；

用Labelme软件进行标注的真值，自动生成掩模图和对应的二值图。

4.根据权利要求1所述基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法，其特征在于：所述步骤五中，针对R-UNet框架使用的数据集增强方式包括：色彩增强、高斯噪声、水平镜像、图像放大、图像旋转、剪切变换，然后，采用重叠策略进行无缝切割分成小块。

5.根据权利要求1所述基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法，其特征在于：所述步骤七中，改进的R-UNet深度学习模型的构建如下：

R-UNet网络结构使用ResNet-34残差模块作为下采样阶段中的网络特征提取的基本单元进行下采样，能够有效地加深网络，接着对图像进行上采样，实现分辨率还原；同时，去掉网络的平均池化和全连接层，并改变UNet网络模型的特征通道数，且将UNet网络结构的每一个子模块分别替换为具有残差连接和密集连接的模块，并将同层的编码器与解码器直接连接；

在模型训练中采用二分类交叉熵损失函数和Dice损失函数构成的混合损失函数：

通过使用二分类交叉熵损失函数进行曲线平滑，通过使用Dice损失函数解决类别不均衡问题，混合损失函数如公式(3)所示：

L_bd＝α*L_bce+β*L_dice (3)

其中，α为二分类交叉熵损失函数L_bce的系数，β为Dice损失函数L_dice的系数。

6.根据权利要求1所述基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法，其特征在于：所述步骤七中，多尺度方式，即预先定义几种不同输入尺度的图像，每次训练时从多个尺度中智能随机选取一种尺度，将输入图像缩放到该尺度并送入网络中。