[发明专利]一种基于FPN结构的大坝裂缝检测算法

说明书

本发明公开一种基于FPN结构的大坝裂缝检测算法，属于目标检测领域算法。具体步骤：(1)、采集大坝裂缝样本和相似的裂缝样本，扩大样本数量；(2)、将FPN结合多种目标检测算法和特征提取网络，实验结果进行对比；(3)、使用ROI Align代替ROI Pooling，避免量化取整导致的精度损失；(4)、设计一个从下向上的网络结构，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；(5)、将其中的NMS函数替换为Soft‑NMS函数，优化算法对密集物体检测的检测效果；(6)、针对小目标设计新的anchor大小，比例和数量。本发明对小裂缝的识别准确率要更高，可以更好地检测出图片中的小裂缝。

技术领域

本发明涉及目标检测领域，具体涉及一种基于FPN(特征金字塔网络)结构的改进目标检测算法，并应用于大坝裂缝的检测。

背景技术

我国水资源丰富，拥有数量众多的水库大坝，这些大坝保卫着人民的生命财产安全；然而，随着时间、气候、温度等因素的变化，大坝表面会产生裂缝，威胁大坝安全。因此，及时有效地检测出裂缝的存在是保护大坝安全的重要手段。

基于机器学习的大坝裂缝检测方法，可以快速准确地检测出大坝存在的裂缝，而这种方法需要许多的训练样本，且要求训练样本与测试样本同分布。为满足以上要求，本文采用了迁移学习的方法，收集了大量的与大坝裂缝相近的样本，进行预训练，解决大坝裂缝样本不足的问题。

FPN(Feature Pyramid Networks)，特征金字塔网络。原来多数的目标检测算法都是只采用顶层特征做预测，但低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略；另外虽然也有些算法采用多尺度特征融合的方式，但是一般是采用融合后的特征做预测，而FPN不一样的地方在于预测是在不同特征层独立进行的；FPN是一个特征金字塔，具有很好的泛化能力，可以被利用到很多深度学习网络中，用于目标检测、实例分割等。

Faster R-CNN算法(更快的基于区域的卷积网络算法)是机器学习中，目标检测领域广泛使用的算法；Faster R-CNN利用RPN(区域候选网络)来产生候选区域，通过RPN产生的Region Proposal(候选区域)映射到特征图中再作为ROI Pooling(感兴趣区域池化)池化层的输入；RPN通过标注来学习预测跟真实边界框更相近的提议区域，从而减小提议区域的数量同时保证最终模型的预测精度；该算法准确度高，容易实现，容易迁移，在目标检测的问题上表现很好。

发明内容

针对上述问题，本发明提供了一种基于FPN结构的大坝裂缝检测算法，实现一种对小目标识别准确率较高的算法，将其用于检测大坝裂缝，提高小裂缝的识别准确率。

本发明的技术方案是：一种基于FPN结构的大坝裂缝检测算法，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用(ROI Align)代替感兴趣区域池化(ROIPooling)，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(NMS)函数替换为缓和的非极大值抑制(Soft-NMS)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(anchor)大小，比例和数量；