[发明专利]一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法

权利要求书

1.一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法，其特征在于，包括如下步骤：

步骤1，获取大坝裂缝数据集，包括大坝裂缝的真实图片和与之对应的标签图片，利用图像数据增强技术对大坝数据集进行扩充，得到大坝裂缝样本集；

步骤2，构建SC-SAM注意力机制的深度学习分割网络模型；具体如下：

所述深度学习分割网络模型包括特征提取的收缩路径和上采样的扩展路径；

其中，特征提取的收缩路径具体为：对于模型的输入，在第1层使用两次卷积操作，对第1层输出的特征图进行最大池化后进入第2层，在第2层使用两次卷积操作，对第2层输出的特征图进行最大池化后进入第3层，在第3层使用两次卷积操作，对第3层输出的特征图进行最大池化后进入第4层，在第4层使用两次卷积操作，对第4层输出的特征图进行最大池化后进入第5层，在第5层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；

上采样的扩展路径具体为：对经第5层EC-SAM注意力模块输出的特征图进行上采样后进入第6层，将第4层输出的特征图与经第5层EC-SAM注意力模块输出的特征图拼接后作为第6层的输入，在第6层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第6层EC-SAM注意力模块输出的特征图进行上采样后进入第7层，将第3层输出的特征图与经第6层EC-SAM注意力模块输出的特征图拼接后作为第7层的输入，在第7层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第7层EC-SAM注意力模块输出的特征图进行上采样后进入第8层，将第2层输出的特征图与经第7层EC-SAM注意力模块输出的特征图拼接后作为第8层的输入，在第8层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块；对经第8层EC-SAM注意力模块输出的特征图进行上采样后进入第9层，在第9层使用三次卷积操作后，模型输出结果；

其中，在第1层至第8层使用的卷积操作，选取的卷积核大小均为3*3，步长均为1；在第9层使用的三次卷积操作中，前两次选取的卷积核大小均为3*3，步长均为1，最后一次选取的卷积核大小为1*1；最大池化选取的卷积核大小均为2*2，上采样使用的是反卷积操作，且反卷积选取的卷积核大小均为2*2，第1层至第8层采用的过滤器的个数依次为64、128、256、512、1024、512、256、128，第9层采用的过滤器个数分别为64和2；

步骤3，将大坝裂缝样本集分为训练集和测试集，利用训练集对步骤2构建的带SC-SAM注意力机制的深度学习分割网络模型进行训练，得到训练好的模型；

步骤4，根据训练好的模型，将测试集输入训练好的模型中进行测试，得到大坝裂缝测试结果。

2.根据权利要求1所述基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法，其特征在于，所述步骤4后面还包括步骤5，将步骤4得到的大坝裂缝测试结果与测试集所对应的标签图片中的裂缝位置进行对比，计算评价指标，对测试结果进行评价。

3.根据权利要求2所述基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法，其特征在于，所述评价指标，公式如下：

其中，f(p,r)表示评价指标，β²取值为0.3，p为正确率，r为召回率。

4.根据权利要求1所述基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法，其特征在于，步骤1所述图像数据增强技术包括旋转、平移、投影变换、缩放、翻转和像素填充。

5.根据权利要求1所述基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法，其特征在于，步骤2所述在第5层使用两次卷积操作，在两次卷积操作之后加上EC-SAM注意力模块具体为：

EC-SAM注意力模块包括通道注意力机制和空间注意力机制；

其中，通道注意力机制具体为：对于经第5层两次卷积操作后输出的特征图，采用全局平均池化生成第一通道特征图，同时对经第5层两次卷积操作后输出的特征图，采用全局最大池化生成第二通道特征图，对第一通道特征图和第二通道特征图使用add操作进行融合，再使用激活函数后与经第5层两次卷积操作后输出的特征图进行结合，得到通道注意力特征图；

空间注意力机制具体为：对通道注意力特征图在通道纬度上进行平均池化即将所有通道的空间特征相加取平均，得到一个二维的特征，对通道注意力特征图在通道纬度上进行最大池化即选择出特征值最大的通道的空间特征，得到另一个二维的特征，将上述两个二维的特征进行拼接，拼为通道数为2的特征图，使用二维卷积核对该特征图进行卷积操作，得到特征图上与裂缝对应的空间单元的权重，并与通道注意力特征图进行结合，得到新的特征图。