CN119515879A 建筑剪力墙的裂缝识别分析方法及系统 （中国水利水电第九工程局有限公司）

摄和图像标准化处理，得到标准化图像数据矩得到局部裂缝特征矩阵和全局裂缝特征矩阵并2对所述标准化图像数据矩阵进行多模型退化处理和多角度图像组合，将所述目标增强图像数据输入卷积去噪自编码器进行噪声分离，得到将所述去噪特征图像矩阵输入动态图卷积神经网络进行局部特将所述融合特征矩阵输入孪生度量学习网络进行特征度量和裂缝分对建筑剪力墙的表面进行图像拍摄，获取视角包括正向90度、左侧45度对所述多角度原始图像集进行区域分割，得到目标监测区域图像，并对所述统一尺寸图像进行光照补偿，得到光照归一化图像，并将所述滤波处理图像划分为多个图像块，并对每个图根据运动模糊退化模型对所述标准化图像数据矩阵中的多个标准化角度图像进行退基于所述运动模糊退化矩阵进行高斯噪声添加，将噪声均值设为0，标准差在0.01_对所述高斯噪声退化矩阵进行光照变化处理，通过对每个标准化角将所述光照变化退化矩阵输入几何变形处理模块，对每个标准化3对所述多重退化图像集进行多角度图像融合，将同一剪力墙区域将所述目标增强图像数据输入卷积去噪自编码器中特征提取子将所述第一层特征图输入所述特征提取子网络的第二残差块进行处理将所述第二层特征图输入所述特征提取子网络的第三残差块，其中第对所述第三层特征图进行通道注意力计算，得到通道权重向量，并将将所述空间权重图与所述通道加权特征图进行空间维度的广播乘法将所述上采样特征图与对应编码阶段的跳跃连接特征进行通道维度拼对所述局部特征集进行K近邻图构建，设置K值为16，基于余弦相似度计将所述动态邻接矩阵输入边缘特征计算模块，计算中心节点与其K个近邻节点之间的4对所述边缘特征矩阵进行图注意力计算，通过注意力向量与特征变换矩阵的乘积运将所述注意力权重矩阵与所述边缘特征矩阵进行加权聚合运算，对每个节点的K个邻对所述局部聚合特征进行全局图卷积运算，构建完全图结构，每个节点建立连接，通过两层图卷积层进行全局信息交互，卷积核大小为1×1，输出通道数为对所述局部裂缝特征矩阵和所述全局裂缝特征矩阵进行特征融合，得到融合特征矩通过金字塔第一层分别对所述局部裂缝特征矩阵和所述全局裂缝特征矩阵进行特征分别将所述初始局部特征图和所述初始全局特征图输入上对所述上采样局部特征图和所述上采样全局特征图进行特征融合，得到融合特征图，并将所述融合特征图输入通道注意力模块，首先通过全局平均池化将特征压缩为1×1×对所述通道增强特征进行非局部注意力计算，得到空间增强特征，对所述多尺度特征组中的四个分支特征进行通道维将所述融合特征矩阵输入孪生度量学习网络的双分支中的第一个卷积对所述第一层卷积特征依次输入第二个卷积块至第六个卷积块，第二5将所述融合特征矩阵输入孪生度量学习网络的双分支中的第二个卷积对所述第一分支目标特征和第二分支目标特征分别进行全局上下文注意力计将所述第一增强特征和所述第二增强特征输入双流度量模块，第一流计算欧氏距离，对所述优化后的距离矩阵进行密度聚类分析，首先计算每个样本点的对所述初始类别划分结果进行精细分类，计算各类别中心与样本拍摄模块，用于对建筑剪力墙的表面进行多组合模块，用于对所述标准化图像数据矩阵进行多模型退化处理和多角度图像组合，分离模块，用于将所述目标增强图像数据输入卷积去噪自编码器提取模块，用于将所述去噪特征图像矩阵输入动态图卷积神经网络进分类模块，用于将所述融合特征矩阵输入孪生度量学习网络进行特征度量和裂缝分6标准化图像数据矩阵；对所述标准化图像数据矩阵进行多模型退化处理和多角度图像组7征提取子网络的第二残差块进行处理，其中第二残差块包含两个网络的第三残差块，其中第三残差块包含两个串联的3x3卷道加权特征图，然后将所述通道加权特征图输入空间注意力模块8全局裂缝特征矩阵，并对所述局部裂缝特征矩阵和所述全局裂缝特征矩阵进行特征融合，节点间的相似性矩阵，取相似度最高的K个节点作为中心节点的邻域点，得到动态邻接矩立连接，通过两层图卷积层进行全局信息交互，卷积核大小为1x1，输出通道数为[512,意力模块，首先通过全局平均池化将特征压缩为1x1x256的向量，然后通过两个全连接特征金字塔聚合模块，所述特征金字塔聚合模块包含四个9积分支与所述第一个卷积分支的结构完全相同，采用与第一个卷积分支共享的权重参数，根据运动模糊退化模型对所述标准化图像数据矩阵中的多个标准化角度图像进行退化处个标准化角度图像进行透视变换和尺度变换，透视变换角度在_10度到10度范围内随机采去噪自编码器中特征提取子网络的第一残差块，其中第一残差残差块进行处理，其中第二残差块包含两个串联的3x述通道加权特征图输入空间注意力模块，通过7x7卷积层生成空间权重图，所述7x7卷积个全连接层，第一个全连接层输出维度为16，第二个全连接层输出维度为256，中间通过积分支包含6个卷积块，第一个卷积块包含3x3卷个卷积块至第六个卷积块，第二个卷积块至第六个卷积块的输出通道数分别为128、256、点间的马氏距离，设置分类阈值为类内距离均值的2倍标准差，对类别归属进行确认和调对不同类型和程度的裂缝均表现出较强的泛缝区域和墙体其他区域之间形成更为明显的对比，使得裂缝的边界更加易于识别和分割。然后对每个标准化角度图像的像素值进行高斯分布噪声的叠加，得到高斯噪声退化矩阵。区域在不同视角下采集的退化图像及其对应的标签进行组合拼接，得到目标增强图像数残差块中，第一残差块包含两个串联的3x3卷积层，第一卷[0028]104、将去噪特征图像矩阵输入动态图卷积神经网络进行局部特征和全局特征提[0029]通过金字塔的第一层分别对局部裂缝特征矩阵和全局裂缝特征矩阵进行特征提[0031]具体的，将融合特征矩阵输入到孪生度量学习网络的双分支中的第一个卷积分得到第二分支的目标特征。对第一和第二分支的目标特征分别进行全局上下文注意力计性地将动态图卷积神经网络应用于裂缝特征提取，通过局部特征和全局特征的联合学习，于阈值的方法或者利用卷积神经网络(如U_Net)进行语义过下式进行尺寸变换：;;;;;其中，I,表示二值化后的标签图像。将对比度增强图像和二值化标签图像进行整根据运动模糊退化模型对标准化图像数据矩阵中的多个标准化角度图像进行退基于运动模糊退化矩阵进行高斯噪声添加，将噪声均值设为0，标准差在0.01_用以模拟不同方向的运动效果。模糊角度的随机选取是为了让退化图像具备更多样的模;;;;;;;中第一残差块包含两个串联的3x3卷积层，第一卷积含两个串联的3x3卷积层，第一卷积层的输出通道数为128，第二卷积层的输出通道数为;;;其中，的大小为1X1xcnx64。然后将匹配后的输入特征与F2相加得;;;;;从而得到第二层特征图Ft,2。将第二层特征图Ft,2输入到特征提取子网络的第三残差块中进行处理。第三残差块同样包含两个串联的3X3卷积层，;;再经过第二个3X3卷积层得到输出特征：;经过第二个3X3卷积层得到输出特征：;在这一层，采用短路连接方式，将输入特征Four.z与残差块输出进;;将通道权重向量与第三层特征图Four.s进行通道;;;;;;。将动态邻接矩阵输入边缘特征计算模块，计算中心节点与其K个近邻节点之间的对边缘特征矩阵进行图注意力计算，通过注意力向量与特征变换矩阵的乘积运将注意力权重矩阵与边缘特征矩阵进行加权聚合运算，对每个节点的K个邻域特点建立连接，通过两层图卷积层进行全局信息交互，卷积核大小为1x1，输出通道数为;;态邻接矩阵根据节点特征的相似性动态地选择邻域，从而更加灵活地适应裂缝的复杂形;;其中，softmax函数用于将注意力得分归一化为概率值，表示注意力向量的转;其中，N(i)表示节点i的邻域节点集合。通;接，以实现全局信息的交互。全局图卷积通过两层图卷积层来实现，卷积核大小同样为特征表示为：;通过金字塔第一层分别对局部裂缝特征矩阵和全局裂缝特征矩阵进行特征提取，输入特征金字塔聚合模块，特征金字塔聚合模块包含四个其中，Fiocai和Fgobal分别表示输入的局部裂缝特征矩阵和全局裂缝特征矩阵，练过程，最后经过ReLU激活函数处理得到上采样局部特征图和上采样全局特征;将融合特征图输入到通道注意力模块中，通过全局平均池化将特征图压缩为;;;;空间增强特征输入到特征金字塔聚合模块中。特征金字塔聚合模块包含四个并行的3x3;;通过最近邻插值法对多层级特征集合进行上采样，以使得所有特征的分辨率一积分支包含6个卷积块，第一个卷积块包含3;其中，p1)表示第一层卷积特征，是第一个卷积块的卷积核权重，大小为;通过这六个卷积块的逐层提取，能够有效捕捉裂缝特征在不同空间尺度上的变络能够进行可靠的相似性度量。分别对第一分支目标特征Fbraneh1和第二分支目标特征;算表示为：;;;;;;;组合模块202，用于对标准化图像数据矩阵进行多模型退化处理和多角度图像组提