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: 2025102524387
申请人: 华东交通大学
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:

1.一种混凝土道路裂缝识别方法,其特征在于,包括:构建基于改进DeepLabv3+的混凝土道路裂缝识别模型,所述混凝土道路裂缝识别模型包括编码器和与所述编码器直接连接的解码器;所述编码器包括深度卷积网络层以及改进的空洞空间金字塔池化模块;所述解码器包括双线性上采样模块、1×1卷积模块以及3×3卷积模块,其中,所述改进的空洞空间金字塔池化模块包括:动态多分支特征提取模块,所述动态多分支特征提取模块包括1×1卷积模块、膨胀率分别为6、12、18的3×3膨胀卷积模块、全局平均池化模块和动态非对称空洞卷积模块,其中,所述动态非对称空洞卷积模块通过引入动态感受野调节因子,根据输入特征图中裂缝分布的方向性特征,自适应调整水平方向的膨胀率和垂直方向的膨胀率,表达式为:,

,

式中,为水平方向的基础膨胀率,、均为调节系数,为输入特征图在水平方向上的方差,为垂直方向的基础膨胀率,为输入特征图在垂直方向上的方差;

膨胀率为6的3×3卷积模块的输入特征由深层特征和1×1卷积模块的输出特征组成;

膨胀率为12的3×3卷积模块的输入特征由深层特征和膨胀率为6卷积模块的输出特征组成;

膨胀率为18的3×3卷积模块的输入特征由深层特征和膨胀率为12卷积模块的输出特征组成;

裂缝形状敏感注意力模块,所述裂缝形状敏感注意力模块结合方向性梯度和边缘信息对膨胀率分别为6、12、18的3×3膨胀卷积模块、全局平均池化模块和动态非对称空洞卷积模块的输出特征进行加权调整,其中,所述裂缝形状敏感注意力模块的注意力权重计算式为:,

式中,为通道权重,为Sigmoid 函数,、分别为特征图F在水平方向和垂直方向上的梯度,为权重矩阵,用于融合梯度特征与原始特征;

获取混凝土道路裂缝图像,并对所述混凝土道路裂缝图像进行标注和预处理,得到混凝土道路裂缝数据集;

将所述混凝土道路裂缝数据集输入至所述混凝土道路裂缝识别模型中,基于结合边缘增强和几何适应性的复合损失函数对所述混凝土道路裂缝识别模型的模型参数进行优化,训练生成所述混凝土道路裂缝识别模型的权重,得到目标裂缝识别模型;

将实时混凝土道路裂缝图像输入至所述目标裂缝识别模型中,所述目标裂缝识别模型输出得到初步识别结果,并通过伪检测剔除与漏检修复算法优化所述初步识别结果,得到最终识别结果。

2.根据权利要求1所述的一种混凝土道路裂缝识别方法,其特征在于,所述将实时混凝土道路裂缝图像输入至所述目标裂缝识别模型中,所述目标裂缝识别模型输出得到初步识别结果包括:根据所述深度卷积网络层提取所述实时混凝土道路裂缝图像的三个不同尺度的浅层特征信息与一个深层特征信息,所述深度卷积网络层为轻量化网络结构;

三个不同尺度的浅层特征信息经过所述双线性上采样模块处理为相同尺寸的特征图后合并,并通过所述1×1卷积模块压缩通道,生成第一特征图;

所述改进的空洞空间金字塔池化模块通过多尺度膨胀卷积对深层特征信息进行处理,并经过双线性上采样模块进行上采样得到第二特征图;

将所述第一特征图与所述第二特征图进行融合,融合后经过所述3×3卷积模块提取特征,并通过所述1×1卷积模块调整通道,利用双线性上采样模块将预测结果还原至与实时混凝土道路裂缝图像相同的尺寸,得到初步预测结果。

3.根据权利要求1所述的一种混凝土道路裂缝识别方法,其特征在于,所述复合损失函数包括基础分割损失子函数、边缘增强损失子函数和几何适应性损失子函数;

所述复合损失函数的表达式为:

,

式中,为基础分割损失子函数,、均为平衡权重参数,为边缘增强损失子函数,为几何适应性损失子函数。

4.根据权利要求3所述的一种混凝土道路裂缝识别方法,其特征在于,所述基础分割损失子函数的表达式为:,

式中,为第个像素点的真实标签,为第个像素点的预测值,为像素点总数;

所述边缘增强损失子函数的表达式为:

,

式中,为基于边缘像素的动态权重;

所述几何适应性损失子函数的表达式为:

,

,

式中,为几何权重,为控制几何特性权重的参数,为裂缝宽度的非线性函数,为第个裂缝区域的像素位置。

5.根据权利要求1所述的一种混凝土道路裂缝识别方法,其特征在于,所述通过伪检测剔除与漏检修复算法优化所述初步识别结果,得到最终识别结果包括:提取初步识别的裂缝区域中多维几何特征,其中, 、、以及,为面积,为周长,为二值图像中坐标为像素的像素值,1表示裂缝,0表示背景,为区域的边界, ,为裂缝区域的边界上的某一个像素点的横坐标和纵坐标,,为裂缝区域的边界上与邻接的另一个像素点的横坐标和纵坐标,为形状因子,为外接椭圆离心率,为外接椭圆的长轴,为外接椭圆的短轴;

计算每个特征的归一化得分并结合加权系数得到综合得分,表达式为:,

式中,为综合得分,为特征数量,为区域的第i个特征的值,为特征的权重,为特征i的标准差,为特征i的均值;

若,则剔除伪检测区域,为综合得分的阈值;

基于优化张量分解的漏检修复,构造稀疏邻接张量,表达式为:,

式中,为两点间的欧几里得距离,为两点间的角度,表示第i和第j个裂缝连通区域的邻接关系,,为裂缝区域和的质心坐标,为距离阈值,为角度阈值,为T的第一维长度,表示张量的行数,为T的第二维长度,表示张量的列数,表示实数域;

将张量 通过非负张量分解分解为低秩形式,表达式为:,

式中,为分解的秩,为用于描述张量在第一个维度上特性的第k个因子向量, 为张量的外积操作,为用于描述张量在第二个维度上特性的第k个因子向量,为用于描述张量在第三个维度上特性的第k个因子向量;

定义目标函数,通过优化稀疏性和平滑性约束恢复连接区域,所述目标函数的表达式为:,

式中,和分别为稀疏性和平滑性的约束权重系数,为L2 范数,用于约束平滑性,为Frobenius 范数,为L1 范数,用于约束稀疏性,为的梯度,,,为张量分解中的因子向量,分别对应张量T的三个维度;

通过优化得到的重建张量表示可能的裂缝连接区域,重建张量的表达式为:,

式中,为表示向量的第i个元素,为表示向量的第j个元素;

将映射回图像空间,生成连接后的裂缝图像,表达式为:,

式中,为两点间的连线操作;

融合伪检测剔除后的裂缝图像和重建区域,输出最终检测结果,表达式为:,

式中,为最终融合裂缝图像。

6.一种混凝土道路裂缝识别系统,其特征在于,包括:构建模块,配置为构建基于改进DeepLabv3+的混凝土道路裂缝识别模型,所述混凝土道路裂缝识别模型包括编码器和与所述编码器直接连接的解码器;所述编码器包括深度卷积网络层以及改进的空洞空间金字塔池化模块;所述解码器包括双线性上采样模块、1×1卷积模块以及3×3卷积模块,其中,所述改进的空洞空间金字塔池化模块包括:动态多分支特征提取模块,所述动态多分支特征提取模块包括1×1卷积模块、膨胀率分别为6、12、18的3×3膨胀卷积模块、全局平均池化模块和动态非对称空洞卷积模块,其中,所述动态非对称空洞卷积模块通过引入动态感受野调节因子,根据输入特征图中裂缝分布的方向性特征,自适应调整水平方向的膨胀率和垂直方向的膨胀率,表达式为:,

,

式中,为水平方向的基础膨胀率,、均为调节系数,为输入特征图在水平方向上的方差,为垂直方向的基础膨胀率,为输入特征图在垂直方向上的方差;

膨胀率为6的3×3卷积模块的输入特征由深层特征和1×1卷积模块的输出特征组成;

膨胀率为12的3×3卷积模块的输入特征由深层特征和膨胀率为6卷积模块的输出特征组成;

膨胀率为18的3×3卷积模块的输入特征由深层特征和膨胀率为12卷积模块的输出特征组成;

裂缝形状敏感注意力模块,所述裂缝形状敏感注意力模块结合方向性梯度和边缘信息对膨胀率分别为6、12、18的3×3膨胀卷积模块、全局平均池化模块和动态非对称空洞卷积模块的输出特征进行加权调整,其中,所述裂缝形状敏感注意力模块的注意力权重计算式为:,

式中,为通道权重,为Sigmoid 函数,、分别为特征图F在水平方向和垂直方向上的梯度,为权重矩阵,用于融合梯度特征与原始特征;

获取模块,配置为获取混凝土道路裂缝图像,并对所述混凝土道路裂缝图像进行标注和预处理,得到混凝土道路裂缝数据集;

优化模块,配置为将所述混凝土道路裂缝数据集输入至所述混凝土道路裂缝识别模型中,基于结合边缘增强和几何适应性的复合损失函数对所述混凝土道路裂缝识别模型的模型参数进行优化,训练生成所述混凝土道路裂缝识别模型的权重,得到目标裂缝识别模型;

识别模块,配置为将实时混凝土道路裂缝图像输入至所述目标裂缝识别模型中,所述目标裂缝识别模型输出得到初步识别结果,并通过伪检测剔除与漏检修复算法优化所述初步识别结果,得到最终识别结果。

7.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。

8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至5任一项所述的方法。