CN115035065B 基于深度学习的道路裂缝检测方法 （常州大学）_第1页
CN115035065B 基于深度学习的道路裂缝检测方法 （常州大学）_第2页
CN115035065B 基于深度学习的道路裂缝检测方法 （常州大学）_第3页
CN115035065B 基于深度学习的道路裂缝检测方法 （常州大学）_第4页
CN115035065B 基于深度学习的道路裂缝检测方法 （常州大学）_第5页
已阅读5页，还剩19页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明公开了一种基于深度学习的道路裂利用边缘细化模块取代所述编码部分中传统的述U-Net网络的底部设计基于注意力机制的多尺集和验证集加载到所述改进U-Net网络进行训练的模型对所述测试集中的道路裂缝图片进行测2利用边缘细化模块取代所述编码部分中传统的双层卷积结构，每层包含3个边缘细化步骤A1：输入所述边缘细化模块的特征x∈RH×W×C在经过1×1卷积后被均匀的分为n个i;步骤A4：通过残差连接将所述通道注意力CAM模块输出特征与原始输入所述边缘细化所述基于注意力机制的多尺度融合模块的工步骤B1：将编码部分的前两层编码层输出的特征图分别经3f步骤B2：将融合特征图与编码器的最后一层编码层输5表示最后一层编码层的输出；fφφγ14[0003]当前的裂缝检测方法主要有基于数字图像处理的裂缝检测方法和基于深度学习[0009]利用边缘细化模块取代所述编码部分中传统的双层卷积结构，每层包含3个边缘[0010]将训练集和验证集加载到所述改进U-Net网络进行训练和验证，保存效果最好的[0011]用所述效果最好的模型对所述测试集中的道路裂缝图片进行测试，得到测试结5[0026]步骤A4：通过残差连接将所述通道注意力CAM模块输出特征与原始输入所述边缘6φγ[0055]1、本发明在编码部分使用边缘细化模块来替换传统的双层卷积，提高了改进U-7[0060]图2为本发明的基于深度学习的道路裂缝检测方法的一实施例的边缘细化模块的[0061]图3为本发明的基于深度学习的道路裂缝检测方法的一实施例的基于注意力机制[0062]图4为本发明基于深度学习的道路裂缝检测方法的一实施例的融合优化模块的结致提取图像特征过程中会损失图像的细节信息。为了提高网络对裂缝细节信息的提取能8i层输出的特征图尺度为原始图像尺寸的1/2i，例将前两层编码层输出的含有大量细节的低层语义信息与最后一层编码层输出的高层全9φγ是从融合优化模块(FO)输出或从所述多尺度融合模块输出，其中由第i个融合优化模块FOi(i＝1,2,3)输出,从多尺度融合模块输出

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论