午夜毛片免费看,老师老少妇黄色网站,久久本道综合久久伊人,伊人黄片子

一種基于深度學(xué)習(xí)的隧道病害識(shí)別方法、設(shè)備及介質(zhì)

文檔序號(hào):39725726發(fā)布日期:2024-10-22 13:24閱讀:4來(lái)源:國(guó)知局
一種基于深度學(xué)習(xí)的隧道病害識(shí)別方法、設(shè)備及介質(zhì)

本發(fā)明涉及圖像處理,具體涉及一種基于深度學(xué)習(xí)的隧道病害識(shí)別方法、設(shè)備及介質(zhì)。


背景技術(shù):

1、隧道作為一種重要的地下巖土工程,其在漫長(zhǎng)運(yùn)行期內(nèi)始終處于多種復(fù)雜環(huán)境因素的影響之下。相關(guān)環(huán)境因素包括圍巖壓力、鄰近施工干擾、溫度影響及地下水侵入等。這些因素的共同作用會(huì)導(dǎo)致隧道襯砌出現(xiàn)各種病害,常見表觀病害包括裂縫、滲漏水、防火涂層脫落。隧道病害不僅會(huì)減少隧道使用壽命,還會(huì)對(duì)隧道的結(jié)構(gòu)穩(wěn)定性和安全運(yùn)行造成嚴(yán)重影響,進(jìn)而可能危及公眾的生命和財(cái)產(chǎn)安全。

2、目前,隧道外觀病害的檢測(cè)采用先進(jìn)技術(shù)手段主要有:

3、一篇申請(qǐng)?zhí)枮?02410332734?.3的中國(guó)發(fā)明,名稱為一種基于深度學(xué)習(xí)的公路隧道表觀裂縫檢測(cè)方法,屬于圖像數(shù)據(jù)處理技術(shù)領(lǐng)域,包括構(gòu)造數(shù)據(jù)集;構(gòu)造包含lka層、sca層的s-lka網(wǎng)絡(luò);選取一目標(biāo)檢測(cè)網(wǎng)絡(luò),用s-lka網(wǎng)絡(luò)替換骨干網(wǎng)絡(luò)中的c3模塊,得到一基于s-lka注意力的目標(biāo)檢測(cè)網(wǎng)絡(luò),并用數(shù)據(jù)集訓(xùn)練得到目標(biāo)識(shí)別模型;從公路和隧道表面獲取待識(shí)別的裂縫圖像,輸入目標(biāo)識(shí)別模型中進(jìn)行目標(biāo)識(shí)別。

4、但是該發(fā)明的技術(shù)方案不能充分利用上下文信息以捕獲隧道病害的全局特征,導(dǎo)致病害圖像的識(shí)別準(zhǔn)確率難以進(jìn)一步提高,且該算法推理時(shí)間較長(zhǎng)、檢測(cè)速度較慢。

5、綜上所述,急需一種基于深度學(xué)習(xí)的隧道病害識(shí)別方法、設(shè)備及介質(zhì)解決現(xiàn)有技術(shù)中的問(wèn)題。


技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的在于提供一種基于深度學(xué)習(xí)的隧道病害識(shí)別方法、設(shè)備及介質(zhì),具體技術(shù)方案如下:

2、一種基于深度學(xué)習(xí)的隧道病害識(shí)別方法,包括如下步驟:

3、s1:構(gòu)造數(shù)據(jù)集,獲取隧道表面包含病害的圖像,并對(duì)其中病害進(jìn)行標(biāo)注,所有帶標(biāo)注的病害的圖像構(gòu)成數(shù)據(jù)集;

4、s2:構(gòu)造目標(biāo)檢測(cè)網(wǎng)絡(luò),選取yolox作為基礎(chǔ)識(shí)別網(wǎng)絡(luò),yolox包括骨干網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)和檢測(cè)頭,采用輕量視覺變換網(wǎng)絡(luò)替換yolox中的骨干網(wǎng)絡(luò),采用幻影融合結(jié)構(gòu)替換yolox網(wǎng)絡(luò)中的跨階段局部網(wǎng)絡(luò)結(jié)構(gòu),在特征融合網(wǎng)絡(luò)中,在上采樣后以及在下采樣后加入通道空間混合注意力模塊,得到目標(biāo)檢測(cè)網(wǎng)絡(luò);

5、所述輕量視覺變換網(wǎng)絡(luò)包括輕量可視化結(jié)構(gòu)和倒殘差瓶頸結(jié)構(gòu);

6、所述輕量可視化結(jié)構(gòu)包括依次設(shè)置的第一卷積層、第二卷積層、展開結(jié)構(gòu)層、transformer層以及堆疊結(jié)構(gòu)層;

7、所述倒殘差瓶頸結(jié)構(gòu)包括兩個(gè)第三卷積層和一個(gè)第四卷積層,依次設(shè)置為第三卷積層、第四卷積層和第三卷積層;

8、所述幻影融合結(jié)構(gòu)包括兩個(gè)部分,一部分通過(guò)幻影卷積后直接輸出特征層,另一部分通過(guò)幻影卷積后,再經(jīng)過(guò)多次疊加處理,且每次疊加處理后均會(huì)輸出特征層;兩個(gè)部分的卷積結(jié)束后,幻影融合結(jié)構(gòu)通過(guò)一次幻影卷積將上述得到的特征層進(jìn)行特征融合,得到最后的有效特征層;

9、所述混合注意力模塊包括通道注意力模塊和空間注意力模塊;

10、s3:采用數(shù)據(jù)集訓(xùn)練所述目標(biāo)檢測(cè)網(wǎng)絡(luò),得到目標(biāo)識(shí)別模型;

11、s4:從隧道表面獲取待檢測(cè)的病害圖像,輸入目標(biāo)識(shí)別模型中進(jìn)行目標(biāo)識(shí)別。

12、優(yōu)選的,在輕量可視化結(jié)構(gòu)中,所述第一卷積層為3×3卷積層或者3×3的逐層卷積,所述第二卷積層為1×1卷積層;

13、所述第一卷積層和第二卷積層用于對(duì)輸入圖像進(jìn)行局部特征提取,所述展開結(jié)構(gòu)層用于將特征層劃分為多個(gè)2×2大小的像素塊,并將每個(gè)像素塊中對(duì)應(yīng)位置的像素關(guān)聯(lián)起來(lái);transformer層用于進(jìn)行自注意力操作,實(shí)現(xiàn)特征提??;堆疊結(jié)構(gòu)層用于還原特征層的大小。

14、優(yōu)選的,在倒殘差瓶頸結(jié)構(gòu)中,所述第三卷積層為1×1卷積層,所述第四卷積層為3×3的深度可分離卷積;

15、通過(guò)一個(gè)第三卷積層擴(kuò)大通道數(shù),然后采用第四卷積層進(jìn)行特征提取,最后采用另外一個(gè)第三卷積層還原通道數(shù),實(shí)現(xiàn)深度可分離卷積。

16、優(yōu)選的,所述幻影卷積的過(guò)程如下:

17、首先采用一個(gè)1×1卷積進(jìn)行特征整合,生成特征層的特征濃縮,整合特征層通道數(shù)為最終輸出通道數(shù)的一半,然后利用逐層卷積得到特征濃縮的相似特征圖,再將這些相似特征圖和特征濃縮進(jìn)行疊加,最終得到幻影卷積的輸出特征層。

18、優(yōu)選的,在混合注意力模塊中,通道注意力模塊的過(guò)程如下:

19、原始特征層輸入后,首先通過(guò)一個(gè)5×5的卷積核進(jìn)行特征提取,得到第一特征層,然后分別通過(guò)不同大小的卷積核進(jìn)行特征提取,得到不同尺度上的特征信息,進(jìn)而得到第二特征層、第三特征層和第四特征層,再將第一特征層、第二特征層、第三特征層和第四特征層進(jìn)行相加,并利用一個(gè)1×1的卷積進(jìn)行特征整合,得到第五特征層,將第五特征層與原始特征層進(jìn)行相乘得到基于通道注意力的輸出特征層。

20、優(yōu)選的,在混合注意力模塊中,空間注意力模塊的過(guò)程如下:

21、輸入原始特征圖,所述原始特征圖依次通過(guò)全局最大池化和平均池化沿空間注意力通道方向進(jìn)行特征整合,生成的空間注意力特征層會(huì)在通道維度上進(jìn)行堆疊,所有的空間注意力特征層通過(guò)一個(gè)卷積層生成最終的空間注意力圖,通過(guò)將空間注意力圖與原始特征圖進(jìn)行相乘,得到基于空間注意力的輸出特征層。

22、優(yōu)選的,所述骨干網(wǎng)絡(luò)為五層結(jié)構(gòu),包括第一層、第二層、第三層、第四層和第五層;

23、第一層包括一個(gè)倒殘差瓶頸結(jié)構(gòu);

24、第二層包括三個(gè)倒殘差瓶頸結(jié)構(gòu);

25、第三層包括一個(gè)倒殘差瓶頸結(jié)構(gòu)和兩個(gè)輕量可視化結(jié)構(gòu);

26、第四層包括一個(gè)倒殘差瓶頸結(jié)構(gòu)和四個(gè)輕量可視化結(jié)構(gòu);

27、第五層包括一個(gè)倒殘差瓶頸結(jié)構(gòu)和三個(gè)輕量可視化結(jié)構(gòu)。

28、優(yōu)選的,所述標(biāo)注包括位置標(biāo)注和類別標(biāo)注。

29、另外,本發(fā)明還包括一種計(jì)算機(jī)設(shè)備,包括存儲(chǔ)器和處理器;

30、所述存儲(chǔ)器用于存儲(chǔ)可在處理器上運(yùn)行的計(jì)算機(jī)程序;

31、所述處理器用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上述的隧道病害識(shí)別方法的步驟。

32、另外,本發(fā)明還包括一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì),所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序,所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述的隧道病害識(shí)別方法的步驟。

33、應(yīng)用本發(fā)明的技術(shù)方案,具有以下有益效果:

34、1)本發(fā)明構(gòu)造了輕量視覺變換網(wǎng)絡(luò),并用其替換yolox中的主干網(wǎng)絡(luò),其中的輕量可視化結(jié)構(gòu)和倒殘差瓶頸結(jié)構(gòu)可以有效地融合vit(vision?transformer)的全局感知能力和cnn(convolutional?neural?network)的局部特征提取優(yōu)勢(shì),能夠同時(shí)捕捉圖像中的細(xì)節(jié)特征和全局上下文,提高了對(duì)復(fù)雜場(chǎng)景的理解能力,從而提高檢測(cè)精度,達(dá)到更好的任務(wù)效果。本發(fā)明解決了現(xiàn)有算法不能充分利用上下文信息以捕獲病害的全局特征,導(dǎo)致病害圖像的識(shí)別準(zhǔn)確率難以進(jìn)一步提高的問(wèn)題。

35、2)本發(fā)明構(gòu)建了幻影融合結(jié)構(gòu)并替換yolox中的csplayer(cross-stage?partialnetwork)結(jié)構(gòu),有效降低了卷積塊的參數(shù);另外,采用多次堆疊處理也提高了特征層之間的信息交流。本發(fā)明解決了現(xiàn)有算法網(wǎng)絡(luò)推理時(shí)間較長(zhǎng)、檢測(cè)速度較慢等問(wèn)題。

36、3)本發(fā)明將通道注意力和空間注意力結(jié)合使用構(gòu)建了混合注意力模塊,充分利用兩種注意力機(jī)制的優(yōu)勢(shì),增強(qiáng)模型對(duì)圖像內(nèi)容的理解,進(jìn)而提高模型的綜合性能。本發(fā)明解決了現(xiàn)有算法的通道注意力機(jī)制可能會(huì)忽略空間維度上的重要信息,空間注意力可能忽視全局信息,影響對(duì)整體特征理解等問(wèn)題。

37、除了上面所描述的目的、特征和優(yōu)點(diǎn)之外,本發(fā)明還有其它的目的、特征和優(yōu)點(diǎn)。下面將參照?qǐng)D,對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。

當(dāng)前第1頁(yè)1 2 
網(wǎng)友詢問(wèn)留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1