欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024117224499
申请人: 长安大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于探地雷达和Swin Transformer优化的轻量化裂缝贯通程度检测方法,其特征在于,包括如下步骤:步骤1,采集探地雷达数据,并进行预处理和特征提取

利用探地雷达设备对沥青路面进行扫描,收集路面以下的雷达信号数据;对原始雷达数据进行处理;从预处理后的数据中提取出有助于裂缝检测的关键信息;

步骤2,构建多特征融合的数据集;

将探地雷达信号的瞬时振幅、瞬时相位和瞬时频率特征图像进行组合,形成多特征融合的数据集;然后对数据集进行扩充和标注,完成探地雷达贯通裂缝多特征融合数据集的构建;

步骤3,设计基于SwinTransformer优化的二阶段贯通裂缝检测模型(3a)优化网络的整体框架

在骨干网络引入Swin Transformer,在主干网络后引入FPN网络,结合Mask R-CNN的优势将ROI pooling替换为ROIAlign对二阶段检测网络加以改进;

(3b)FPN多尺度融合模块设计

通过自顶向下特征提取网络,生成深度和尺度都不同的特征图,使用上采样方式动态调整最深层特征图的分辨率,将相邻两层不同尺度的特征图进行融合,利用融合后含有浅层网络位置信息和深层网络语义信息的特征图进行目标检测;

(3c)ROI池化方式优化

通过双线性插值法计算出四个位置的值后,通过Maxpooling得到相同大小的ROI输出;

(3d)Smooth L1损失函数优化

边界框位置损失函数采用Smooth L1函数,Smooth L1损失函数结合了L1损失函数和L2损失函数;

步骤4,设计基于SwinTransformer-YOLOv8优化的一阶段贯通裂缝检测模型(4a)融合Swin Transformer网络

将YOLOv8和Swin Transformer融合,在YOLOv8的Backbone部分中,引入SwinTransformer网络;

(4b)加权双向特征融合网络

先让深层特征不断上采样与底层特征融合,上采样结束之后,再从底层特征下采样与深层特征融合,并且在两条特征提取路径之间增加两条横向连接路径,将主干网络中各阶段生成的特征图与待测特征图进行融合;

(4c)Swin Transformer-YOLOv8模型整体架构

YOLOv8融合了Swin Transformer,并且引入了加权双向特征金字塔(BiFPN);

步骤5,根据步骤3和步骤4中的模型架构对训练集和测试集数据进行训练、预测。

2.根据权利要求1所述的基于探地雷达和SwinTransformer优化的轻量化裂缝贯通程度检测方法,其特征在于,所述步骤1中,探地雷达数据包括裂缝的位置和深度;

预处理包括零偏校正、FIR滤波、信号增益调整处理;

特征提取包括振幅信息、频率信息和相位信息。

3.根据权利要求1所述的基于探地雷达和SwinTransformer优化的轻量化裂缝贯通程度检测方法,其特征在于,所述步骤2中,使用随机裁剪、镜像翻转、对比度增强的方法对数据集进行扩充,最后对8个数据集进行标注,完成探地雷达贯通裂缝多特征融合数据集的构建。

4.根据权利要求1所述的基于探地雷达和Swin Transformer优化的轻量化裂缝贯通程度检测方法,其特征在于,所述步骤3中,L1、L2损失函数如下:其中f(xi)和yi分别表示第i个样本的预测值及相应真实值,n为样本的个数。

5.根据权利要求1所述的基于探地雷达和Swin Transformer优化的轻量化裂缝贯通程度检测方法,其特征在于,所述步骤3中,Smooth L1其公式如下:该函数是一个分段函数,在[-1,1]之间是L2损失,解决L1在0处有折点问题,在[-1,1]区间以外是L1损失,解决离群点梯度爆炸问题,所以能从以下两个方面限制梯度,一是当预测值与真实值误差过大时,梯度值不至于过大;二是当预测值与真实值误差很小时,梯度值足够小。

6.根据权利要求1所述的基于探地雷达和SwinTransformer优化的轻量化裂缝贯通程度检测方法,其特征在于,所述步骤5采用的具体方法为:采用步骤2构建的贯通裂缝多特征数据集;

步骤3采用SGD优化器作为基础迭代器,weight_decay权重衰减因子为0.0001、momentum动量因子为0.9,使用单GPU进行训练,batchsize在原网络和改进网络中都设置为4,相对应的初始学习率分别设置为0.001;在训练过程中,模型先加载了在公开数据集ImageNet上训练的Swin Transformer的初始化权重文件,设置的训练总迭代轮数为100;

步骤4采用SGD优化器作为基础迭代器,初始学习率设置为0.001、weight_decay权重衰减因子为0.0005、momentum动量因子为0.937;使用单GPU进行训练,batchsize设置为4,综合训练速度以及原图像大小,训练总迭代次数设置100轮;

步骤3和步骤4都分别使用准确率、平均精度、平均精度均值、P-R曲线作为评价指标来衡量模型的性能;

在步骤三中对得到的原信号、单特征和多特征融合的数据集,使用基于SwinTransformer优化的二阶段网络结构进行训练。

7.根据权利要求6所述的基于探地雷达和SwinTransformer优化的轻量化裂缝贯通程度检测方法,其特征在于,所述准确率表示在所有模型检测结果中正确检出的占比,召回率表示在所有真实标注框中被正确检出的占比,如下式所示:其中TP表示模型识别正确,即正确检测到裂缝的个数;FP表示模型识别错误,即误检到裂缝的个数;FN表示将正样本判定为负样本,即漏检的裂缝个数;P和R在某些场景下都可以衡量模型的检测效果,但这两个指标是成反比的,因此需要使用AP去综合P和R指标对模型进行泛化的评价。

8.根据权利要求6所述的基于探地雷达和Swin Transformer优化的轻量化裂缝贯通程度检测方法,其特征在于,所述平均精度(AP)值是由P-R曲线与坐标轴所围成的面积计算得来,P-R曲线的面积越大,模型性能越好,公式如下:

9.根据权利要求6所述的基于探地雷达和Swin Transformer优化的轻量化裂缝贯通程度检测方法,其特征在于,所述平均精度均值(mAP)则是最能展示目标检测模型性能的评价指标,mAP计算的是数据集中所有类别AP的平均值,计算公式如下所示:其中n表示数据集中所有类别,mAP包含mAP@0.5、mAP@0.75和mAP@0.5:0.95这三种评价标准;mAP@0.5和mAP@0.75分别指IoU=0.5和IoU=0.75时的mAP值,mAP@"0.5:0.95"是指在IoU从0.5到0.95以0.05为步长变化时,每个IoU对应mAP值的平均值。

我要求购
我不想找了,帮我找吧
您有专利需要变现?
我要出售
智能匹配需求,快速出售