买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆交通大学

摘要：本发明公开了一种基于深度学习的桥梁拉索表观缺陷分割方法，涉及桥梁健康检测和机器视觉技术领域。具体包括：构造基于样本增强的桥梁拉索表观缺陷样本图像数据集；构建基于改进实例分割网络YOLACT++的桥梁拉索表观缺陷分割模型；将数据集划分为训练集和验证集，对缺陷分割模型进行训练和验证；将待检测的桥梁拉索表观缺陷图像输入到训练好的桥梁拉索表观缺陷分割模型中，获得桥梁拉索表观图像中的缺陷分割结果。本发明方法能够更快速、更准确地实现对复杂背景下桥梁拉索表观缺陷的分割，有效避免了光照不均、背景干扰、图像噪声等因素对缺陷分割的速度及准确性的影响。

主权项：1.一种基于深度学习的桥梁拉索表观缺陷分割方法，其特征在于，包括以下步骤：S1：将桥梁拉索表观缺陷图像集进行样本增强，生成拉索表观裂缝类缺陷样本图像，结合真实的桥梁拉索表观缺陷图像，经过进一步的人为筛选，构造桥梁拉索表观缺陷图像集；S2：对构造的桥梁拉索表观缺陷图像集进行标注，采用拆剪和插值算法统一拉索表观缺陷图像的尺寸，对拉索表观缺陷图像中的缺陷区域进行标注，得到能够用于训练模型的桥梁拉索表观缺陷样本图像数据集；S3：对基于实例分割网络YOLACT++的桥梁拉索表观缺陷分割模型进行改进，探明YOLACT++模型关键结构的特征传递机制，采用锚框生成机制优化、CBAM注意力机制融合和Mish激活函数更新，对桥梁拉索表观缺陷分割模型进行改进；S4：将桥梁拉索表观缺陷样本图像数据集划分为训练集和验证集，利用训练集对桥梁拉索表观缺陷分割模型进行训练，得到训练好的桥梁拉索表观缺陷分割模型，将验证集输入训练好的桥梁拉索表观缺陷分割模型中验证准确率，得到验证后的桥梁拉索表观缺陷分割模型；S5：将待处理的桥梁拉索表观缺陷图像输入到验证后的桥梁拉索表观缺陷分割模型，获得桥梁拉索表观图像中的缺陷分割结果；S1的具体步骤包括：S101：基于现有各类型拉索、圆柱类物品和同类桥梁结构的表观裂缝，获得裂缝类缺陷掩码数据；S102：将裂缝掩码数据经过几何变换、灰度调整和高级形变处理，实现裂缝掩码形态的多样化处理，得到增强后的裂缝类缺陷掩码数据；S103：采用随机化定位的方式，将增强后的裂缝类缺陷掩码数据与正常拉索表观图像进行融合处理后，生成桥梁拉索表观裂缝类缺陷样本图像；S104：对生成的裂缝类缺陷样本图像与真实的拉索表观缺陷样本图像进行汇总，经过人为筛选，构造桥梁拉索表观缺陷图像集；S3中的锚框生成机制优化方法为：对训练集样本中所有缺陷目标的宽高比值进行手动数据分箱，将其划分为三个箱；结合轮廓系数法分析并确定各数据箱的最佳聚类个数，得到各数据箱的宽高比值的最佳聚类个数分别为：2、1、2；基于已知的最佳聚类个数，采用K-means++算法对每个箱中的缺陷目标的宽高比值进行聚类，结合人为分析，明确桥梁拉索表观缺陷分割模型的锚框宽高比参数；S3中的CBAM注意力机制融合方式为：对于YOLACT++基准模型，在其骨干网络ResNet-50与FPN之间引入了3层CBAM注意力模块，具体融合于ResNet-50的C3、C4和C5层的特征输出，用于增强桥梁拉索表观缺陷分割模型的特征提取能力；其中，将经过CBAM注意力机制处理后的特征，作为特征金字塔网络FPN的P3、P4和P5层的输入；在FPN中，经过多尺度特征融合，使得模型能够适应目标缺陷不同尺度和大小的特性，从而增强桥拉索表观缺陷分割模型对缺陷区域的检测和识别能力；S3中的Mish激活函数为： 其中，x表示神经元的激活输入；对于YOLACT++基准模型的FPN和PredictionHead结构，使用Mish激活函数替换Relu激活函数；S5的具体内容为：桥梁拉索表观缺陷分割模型将待处理的桥梁拉索表观缺陷图像输入到ResNet-50网络中提取浅层语义特征图，利用CBAM注意力模块来加强模型对复杂图像中关键特征的感知能力，经过FPN结构将图像的浅层空间特征和高层语义特征图进行融合，采用优化后的锚框生成参数在FPN的输出上生成缺陷预测区域，将像素点的类别概率和分割掩码与特征向量相乘，经过进一步的特征学习与处理，得到桥梁拉索表观缺陷图像的缺陷分割结果。

全文数据：

权利要求：

百度查询： 重庆交通大学 一种基于深度学习的桥梁拉索表观缺陷分割方法