CN118230060B 一种隧道裂缝检测方法及系统 （西南交通大学）

2针对多个分割头的特征图，在不同分割头的输出上增加通道注骨干网络包括下采样层，下采样层的输出端连接两个相互并联的分割头、轻量级特征提取块、融合模块均依照与下采样层第n个融合模块的卷积运算模块的输出端与第n个分n个分割头的输出端分别与加和运算模块的输入端连接，加和运算模块的的输出端与3训练模块：用以，构建隧道裂缝检测模型，并利用原始4[0002]隧道在城市基础设施中扮演着至关重要的角色，作为交[0004]现有研究隧道衬砌裂缝识别中使用的大多数语义分割算法都是基于卷积神经网高裂纹检测精度方面的鲁棒性和瓶颈不足的问题。一些基于Transformer的神经网络虽然5利用上下文语义信息，在提高裂纹检测精度方面的鲁棒性和瓶颈不足的问题。一些基于6[0038]n个分割头的输出端分别与加和运算模块的输入端连接，加和运算模块的的输出[0043](1)提高了检测精度与准确性：通过引入多头轻量级语义分割模型和CBAM注意力7[0045](3)有效的注意力机制改善识别能力：引入的CBAM注意力机制优化了特征融合过[0047]图1为本发明的多头结构和注意力融合的轻量化隧道裂缝检测模型的结构示意[0054]针对背景技术指出的当前隧道衬砌裂缝检测技术面临的问题1，本发明将以轻量级的骨干网络Seaformer(Squeeze-enhancedAxialTransformer，挤压增强型轴向变压[0055]针对背景技术指出的当前隧道衬砌裂缝检测技术面临的问题2，我们选取了一个地在移动端应用。[0056]针对背景技术指出的当前隧道衬砌裂缝检测技术面临的问题3，本发明主要通过解决算法在不同环境下分割的适应性问题。同时，本方法通过Resize(调整大小)、[0059]使用专业相机或工业相机采集隧道衬砌表面图像，通过标注工具(AnyLabeling)8[0062]环境准备：本方法是基于现有分割框架MMSegmentation实现的，需要准备由不同模型参数进行特殊配置，如位置嵌入层(pos_emb)不进行权重衰减，某些层(head,[0070]特征提取和图像分割：使用轻量级模型SeaFormer的骨干网络和预训练权重文件分割头。通过这种方式使得我们的模型在Crack11k上的浮点数运算量相较于传统方法9所提出的模型引入了多头检测结构。这种结构能够在网络中建立多个分支，每个分支与[0077]针对多个分割头的特征图，我们引入了CBAM(ConvolutionalBlockAttention[0078]本发明提出的多头检测结构和CBAM注意力机制在裂缝语义分割任务中取得了显CrackSeg9k被细化以解决嘈杂的注释的存在，而后者由没有预处理的原始图像组成。中挑选的较为平滑表面上的裂缝，这些裂缝与隧道内衬砌表面裂缝十分相似。在数量上，均交并比与平均准确率。在Crack9k上我们的方法在分割重要评价指标mIoU上相较于现有评估模型大小(Params)和运算复杂度(GFLOPS)的参数中表现良好，在输入模型的图片为行实时分割。[0093]1.针对在裂缝分割中细小裂缝分割难的问题，我们提出了一种多级特征融合机的分割。[0112]步骤2：将预处理好的图片的进行一次3×3的卷积，再将结果输入到3×3的[0116]步骤6：将步骤5的结果输入到5×5的MobileNetV2块，步长2，再将结果输入到[0117]步骤7：将步骤6的结果输入到3×3的MobileNetV2块，步长2，再将结果输入到[0118]以上的步骤是通过SeaFormer层和MobileNetV2模块实现轻量且有效的特征提取的骨干网络，这两个模块是本方法能够做到轻量且高效的关键，其中的关键点主要是[0121]若1≤i≤n-1，第i个MobileNetV2+SeaFormer块的SeaFormer块分别与第i个融合[0123]步骤8：将步骤3输出的结果和步骤5输出的结果作为输入，输入到融合模块(FusionBlock)。融合模块的具体操作是将步骤3的结果输入到卷积层和batchnorm(批归[0133]本说明书中所有实施例公开的所有特征