[发明专利]一种基于FPN结构的大坝裂缝检测算法

权利要求书

1.一种基于FPN结构的大坝裂缝检测算法，其特征在于：其操作步骤具体如下：

步骤(1.1)、采集大坝裂缝样本，加入与大坝裂缝相似的裂缝样本，扩大样本的数量；

步骤(1.2)、将FPN结合多种目标检测算法和特征提取网络的实验结果进行对比；

步骤(1.3)、使用感兴趣区域校准代替感兴趣区域池化，避免量化取整导致的精度损失，准确标注目标的位置；

步骤(1.4)、在经过FPN结构后得到{P2,P3,P4,P5,P6}五个不同尺度的特征图，设计一个从下向上的网络结构，结合{P2,P3,P4,P5,P6}特征图的内容，使得图片的低层特征传递到高层特征的距离缩小，减少传递过程中低层特征信息的损失；

步骤(1.5)、将其中的非极大值抑制函数替换为缓和的非极大值抑制函数，优化算法对密集物体检测的检测效果；

步骤(1.6)、针对小目标设计新的锚盒大小，比例和数量；

步骤(1.7)、利用裂缝数据集训练改进后的算法，对得到的模型测试，通过实验，进行训练和测试，改进算法参数，使之能够准确地检测裂缝位置，减少对小裂缝的漏选；

步骤(1.8)、将改进的算法应用于大坝裂缝的检测。

2.根据权利要求1所述的一种基于FPN结构的大坝裂缝检测算法，其特征在于：在步骤(1.2)中，所述的多种目标检测算法和特征提取网络包括：

(1.2.1)、实验中用于对比的目标检测算法有：SSD、YOLO、Faster R-CNN；

(1.2.2)、实验中用于对比的特征提取网络有：VGG、ResNet_v1_50、ResNet_v1_101。

3.根据权利要求1所述的一种基于FPN结构的大坝裂缝检测算法，其特征在于：在步骤(1.3)中，所述感兴趣区域校准实现的流程如下：

(1.3.1)、遍历每一个候选区域，保持浮点数边界；

(1.3.2)、将候选区域划分为k*k个单元，每个单元的边界保持浮点数；

(1.3.3)、在每个单元中计算固定四个坐标位置，用双线性内插的方法计算这四个位置的值；

(1.3.4)、进行最大池化操作；

感兴趣区域校准的反向传播公式如下：

其中，x_i表示池化前特征图上的像素点，y_rj表示池化后的第r个候选区域的第j个点，其中x_i*(r,j)是一个浮点数的坐标位置，d(.)表示两点之间的距离，Δh和Δw表示x_i与x_i*(r,j)横纵坐标的差值。

4.根据权利要求1所述的一种基于FPN结构的大坝裂缝检测算法，其特征在于：所述步骤(1.4)中，从下向上的网络结构实现过程如下：

(1.4.1)、在经过FPN结构后得到{P2,P3,P4,P5,P6}五个不同尺度的特征图，所述P6到P2依次构成了从下向上的网络结构；

(1.4.2)、N2＝P2；

(1.4.3)、对N2进行3*3卷积，再和P3横向链接得到N3；

(1.4.4)、对N3进行3*3卷积，再和P4横向链接得到N4；

(1.4.5)、对N4进行3*3卷积，再和P5横向链接得到N5；

(1.4.6)、对N5进行最大池化得到N6；

(1.4.7)、用{N2,N3,N4,N5,N6}特征图作为RPN的输入。

5.根据权利要求1所述的一种基于FPN结构的大坝裂缝检测算法，其特征在于：在步骤(1.7)中，对改进的算法进行训练时，其总损失函数为：

总损失＝正则化总损失+区域候选网络总损失+快速的基于区域卷积网络总损失；

(1.7.1)、正则化总损失等于所有正则化损失之和；

(1.7.2)、区域候选网络总损失和快速的基于区域卷积网络总损失包括分类损失和回归损失：区域候选网络总损失＝区域候选网络回归损失+区域候选网络分类损失，快速的基于区域卷积网络总损失＝快速的基于区域卷积网络回归损失+快速的基于区域卷积网络分类损失，分类和回归公式如下：

其中，分类损失公式为：i为整数，p_i为锚盒预测为目标的概率；为样本标签的概率；是目标和非目标两个类别的对数损失：

其中回归损失公式为：是一个向量，表示锚盒，区域候选网络训练阶段预测的偏移量；是与t_i相同维度的向量，表示锚盒,区域候选网络训练阶段相对于真实框实际的偏移量：R表示Smooh L1函数，σ＝3，P^*有物体时为1，没物体时为0，意味着只用前景才计算损失，背景不计算损失。