[发明专利]一种多尺度裂缝三维形态反演复现方法

权利要求书

1.一种多尺度裂缝三维形态反演复现方法，其特征在于：包括如下步骤：

1)获取若干混凝土结构的裂缝的二维图像；

2)基于deeplabv3+卷积神经网络提取二维图像的裂缝表面的二维特征信息；

3)建立基于deeplabv3+卷积神经网络的裂缝表面二维特征信息与其对应的声波散射信号映射关系；

4)根据步骤3)建立的裂缝表面二维特征信息与声波散射信息的关系，由步骤2)获得的二维特征信息得到与其对应的声波散射信号映射关系，利用全波形反演模型，得到裂缝的三维形态。

2.根据权利要求1所述的一种多尺度裂缝三维形态反演复现方法，其特征在于：步骤2)中，裂缝表面的二维特征信息的提取过程如下：

a、数据集预处理：利用标注工具对裂缝二维图像进行标注形成json文件，并将json文件转化为标签图片；将原始裂缝二维图像与其对应的标签图片进行翻转、旋转、裁剪和/或缩放处理，使裂缝二维图像和标签图片数据增强，最终形成裂缝二维图像数据集；

b、网络训练：将裂缝二维图像数据集输入到具有高效通道注意力机制的ECA模块的deeplabv3+卷积神经网络中，并对其进行训练，直至网络收敛后，得到最终得到裂缝语义分割网络；

c、网络预测：将裂缝二维图像输入到训练后的裂缝语义分割网络中，得到裂缝的语义分割图像，即裂缝表面的二维特征信息。

3.根据权利要求2所述的一种多尺度裂缝三维形态反演复现方法，其特征在于：deeplabv3+卷积神经网络中，ECA模块结构对输入进来的数据进行全局平均池化，再通过1D卷积进行学习，最后使用Sigmoid函数将值固定到0-1之间，获得输入特征层每一个通道的权值，再将该权值乘上原输入特征层，从而得到ECA模块输出数据。

4.根据权利要求1所述的一种多尺度裂缝三维形态反演复现方法，其特征在于：步骤3)中，二维特征信息与其对应的声波散射信号映射关系获取过程如下：

a、利用超声设备检测有限张裂缝二维图像所对应的混凝土实体的声波散射信息；

b、将上述有限张裂缝二维图像的裂缝表面的二维特征信息和声波散射信息融合输入形成神经网络的输入特征数据，并输入到多通道深度神经网络中；其中，多通道深度神经网络共有L+1层，其中第0层为多通道输入层，第1到L-1层为模型隐含层，第L层为输出层，相邻层通过前馈权值矩阵连接；

c、设置不同的L值来构建网络隐含层，并分别训练模型，获取最优的L值来确定最终的网络结构；

d、将其他裂缝二维图像的二维特征信息输入到神经网络中，得到与该二维特征信息对应的声波散射信息。

5.根据权利要求1所述的一种多尺度裂缝三维形态反演复现方法，其特征在于：步骤4)中，裂缝的三维形态的获取过程如下：

(1)初始化裂缝三维形态；

(2)根据波动方程计算出当前裂缝三维形态的声波散射信号；

(3)根据当前裂缝三维模型的声波散射信号与实际声波散射信号之差得出目标函数；

(4)判断目标函数是否收敛，如未收敛，则由L-BFGS算法更新当前裂缝三维形态，重复(2)、(3)、(4)步骤，直至目标函数收敛；

(5)输出裂缝三维形态。