[发明专利]基于多注意力机制的磨损表面损伤深度估计方法及系统

权利要求书

1.基于多注意力机制的磨损表面损伤深度估计方法，其特征在于，包括以下步骤：

S1、以ResNet-50编码层中的四层卷积块为主干，结合两层Conv-ReLU的卷积块构建磨损表面基础特征提取层；

S2、结合U-Net结构架构和磨损表面特性，基于步骤S1构建的磨损表面基础特征提取层构建损伤区域分割分支网络及深度信息估计分支网络，将损伤区域分割分支网络及深度信息估计分支网络融合作为磨损表面深度估计模型；

S3、基于损伤区域分割网络及深度信息估计网络构建深度信息均方误差损失、损伤检测交叉熵损失、边缘检测均方误差损失以及结构一致性损失函数，并通过加权方式得到步骤S2构建的磨损表面深度估计模型的损失函数；

S4、获取二维磨损表面图像，制作对应的损伤区域标记图及深度图；选择具有典型损伤区域的磨损表面图像作为训练样本，以步骤S3构建的损失函数作为优化目标，采用适应性矩估计法训练步骤S2构建的磨损表面深度估计模型，以单张磨损表面图像作为训练好的磨损表面深度估计模型的输入，得到磨损表面的损伤区域分割结果图及深度信息结果图。

2.根据权利要求1所述的基于多注意力机制的磨损表面损伤深度估计方法，其特征在于，步骤S1具体为：

S101、构建两个标准结构为Conv-ReLU的卷积块，实现对磨损表面图像的初级特征提取；

S102、提取ResNet-50特征提取网络中的Res1、Res2、Res3及Res4共4层卷积块作为磨损表面的高级语义特征提取块，结合步骤S101中两个Conv-ReLU卷积块建立基础特征提取网络，实现磨损表面图像的基础特征提取。

3.根据权利要求2所述的基于多注意力机制的磨损表面损伤深度估计方法，其特征在于，步骤S101中，构建两个标准结构为Conv-ReLU的卷积块具体为：

第一个卷积块和第二个卷积块采用结构为Conv-ReLU的卷积块做初步的图像特征提取，每个卷积块包含两层卷积操作；第一个卷积块每层采用3个3×3大小的卷积核及步长stride＝1进行卷积操作，接着采用ReLU激活函数进行特征非线性化映射，得到F0特征图；第二个卷积块每层采用64个3×3大小的卷积核及步长分别为stride＝2、stride＝1进行卷积操作，接着采用ReLU激活函数进行特征非线性化映射，得到F1特征图，最终输出64通道的特征图给后续四个卷积块。

4.根据权利要求1所述的基于多注意力机制的磨损表面损伤深度估计方法，其特征在于，步骤S2中，采用结构为Conv-BN-ReLU及Convtransp-BN-ReLU的卷积块建立损伤区域分割分支网络，提取与二维磨损表面大小相对应的损伤区域分割结果图；基于U-Net网络架构建立深度信息估计分支网络，估计损伤区域的深度信息。

5.根据权利要求4所述的基于多注意力机制的磨损表面损伤深度估计方法，其特征在于，建立损伤区域分割分支网络具体为：

由结构为Conv-BN-ReLU及Convtransp-BN-ReLU的卷积层串联；对于第一个结构Conv-BN-ReLU，先通过3×3大小的卷积核及步长stride＝1进行卷积操作，接着采用BN批归一化操作，对特征进行归一化处理，加速网络收敛，最后采用ReLU激活函数进行特征非线性化映射，得到抑制噪声后的特征图；对于第二个结构Convtransp-BN-ReLU，其与结构Conv-BN-ReLU的差异在于采用了3×3大小的Convtransp反卷积操作，且步长stride＝2，最终实现将输入的特征图放大2倍；再将特征图与来自基础特征提取层的特征图进行级联；最后采用结构为Conv-ReLU的卷积块实现将32个通道的P0特征图映射至3维通道的损伤区域分割图。