CN115439657B 一种基于改进残差结构的桥梁病害智能识别方法 （浙江大学）

US2020258218A1,2020.08.13一种基于改进残差结构的桥梁病害智能识本发明提供一种基于改进残差结构的桥梁害识别的新型神经网络ResNet+，优化了网络之2步骤一：获取桥梁病害的历史图片数据集，所述数据集中包步骤四：构建ResNet+卷积神经网络，并用步骤三得到的训练所述ResNet+卷积神经网络是在ResNet神经网络的基础上，在单个残差块内利用类残素值在图片中的位置将其转换成像素矩阵，然后输入步骤四获得的ResNet+卷积神经网络在单个残差块内利用类残差连接取代残差块之间的单个3x3卷积核的1)将用于病害图片数据降维的1x1大小的卷积核的输出特征按照通道数n均分为s组，2)将原来残差卷积核也按照通道数均分为s组，每4)将每组对应的输出进行通道拼接，输入最后一层的用于病害图片数据升维还原的述步骤三中对初始数据集中的图片进行数据增强采用Cutmix数据增强算法，计算公式如AB为随机抽取的两张原始桥梁病害的图像所构成的像素矩阵，M为系数矩阵,3述ResNet+卷积神经网络的主体包括16个残差块，每个残差块包括一个用于病害图片数据conv1层的输出通道数为64，输出大小为256x256和128x128，卷积类型为7x7conv,conv2_x层的输出通道数为64，输出大小为128x128，卷积类型为3x3maxpool,最后一层的输出通道数为1024，输出大小为16x16，卷积类型为averagepool,4[0004]其中基于深度学习的损伤识别方法在桥梁结构健康检测领域已经取得了一定的[0012]所述ResNet+卷积神经网络是在ResNet神经网络的基础上，在单个残差块内利用5由像素值在图片中的位置将其转换成像素矩阵，然后输入步骤四获得的ResNet+卷积神经[0015]求=Moxa+(1-M)oxp[0019]在单个残差块内利用类残差连接取代残差块之间的单个3x3卷积核的具体步骤如[0020](1)将用于病害图片数据降维的1x1大小的卷积核的输出特征按照通道数n均分为卷积操作Convi()，记yi为卷积操作Convi()的输出，则从第二组开始，每一次卷积操作[0024](4)将每组对应的输出进行通道拼接，输入最后一层的用于病害图片数据升维还6[0037]S2:将S1中所拍摄到的图片传入计算机，根据拍摄获取的具体构件情况将其注明7W×H为行数为H、列数为W且元素值在0到1之间的矩阵；为数据增强之后的像素矩[0043]S4:根据图形成像原理，将S2中的原始数据和S3中获取的增强数据副本转换成R、[0045](1)首先根据每张初始数据图片中的桥梁病害信息给定对应每个像素矩阵的目标[0047](3)求出ResNet+神经网络最终输出结果与目标分类标签的差值作为损失函数输[0048](4)记损失函数输出的容许值为α,如果最终输出与目标分类标签的差值超过α大小的卷积核用于病害图片数据降维，三个ResNet+残差卷积核用于病害图片数据特征提[0054]ResNet+神经网络在ResNet神经网络原有残差块的基础上改进了残差块的结构，8[0056]b.接着，对于残差卷积核前部的1X1卷积层的输出特征，假设其通道数为n，[0068]利用Cutmix数据增强算法对处理过后的病害图片与原图片的对比如图2所示。数[0072](1)首先根据每张初始数据图片中的桥梁病害信息给定对应每个像素矩阵的目标9[0074](3)求出ResNet+神经网络最终输出结果与目标分类标签的差值作为损失函数输[0075](4)记损失函数输出的容许值为α,如果最终输出与目标分类标签的差值超过α