[发明专利]基于注意力机制优化网络的结构构件损伤识别方法及系统

权利要求书

1.基于注意力机制优化网络的结构构件损伤识别方法，其特征在于，包括以下步骤：

S1、使用高分辨率语义分割模型RefineNet作为网络框架，并在高分辨率语义分割模型RefineNet的下采样过程中嵌入卷积块注意模块CBAM，得到RefineNet-AM网络架构；

S2、在特定数据集上训练所述RefineNet-AM网络架构；

S3、将指定的结构构件图像输入至训练好的RefineNet-AM网络架构中，以对图像中的结构组件进行分类。

2.根据权利要求1所述的基于注意力机制优化网络的结构构件损伤识别方法，其特征在于，所述高分辨率语义分割模型RefineNet的上采样过程是通过双线性插值方法或反向传播学习方法。

3.根据权利要求1所述的基于注意力机制优化网络的结构构件损伤识别方法，其特征在于，所述RefineNet-AM网络架构包括上采样和下采样，在下采样过程中，通过卷积块注意模块CBAM得到了四个阶段的原始高级特征图，每个阶段的特征图经过链式剩余池化块CRP和剩余卷积单元RCU得到该阶段的高级特征图像，且每个阶段都包含前一阶段的高级特征图；在上采样过程中，通过双线性插值方法得到通道数恒定、高宽两倍的特征图，以与前一阶段的特征图融合。

4.根据权利要求3所述的基于注意力机制优化网络的结构构件损伤识别方法，其特征在于，第一阶段的上采样过程是将特征图像的通道号转换为几个目标类别，再将高度和宽度转换为标签图像的大小，具体包括：首先、通过卷积层和max-pooling层从原始图像中获得特征图；然后、通过CBAM生成四个阶段的原始特征图像，每个阶段的原始特征图像依次经过不同的块，得到最终的高级特征图像，前几个阶段生成图像的低级特征，后几个阶段生成图像的高级语义，每个阶段将前一阶段的图像特征与上采样阶段进行融合，最后得到图像的语义分割图；最后、整合后三个阶段的特征图像进行上采样，得到与原始图像大小相同的预测图像，并与标签图像进行比较，以进行学习和训练。

5.根据权利要求3所述的基于注意力机制优化网络的结构构件损伤识别方法，其特征在于，所述链式剩余池化块CRP用于融合具有多个窗口大小的特征映射，该链式剩余池化块CRP由多个池化块组成，每个块由一个最大池化层和一个卷积层组成。

6.根据权利要求1所述的基于注意力机制优化网络的结构构件损伤识别方法，其特征在于，所述卷积块注意模块CBAM用于收集图像不同区域和通道的重要特征，所述卷积块注意模块CBAM包括通道注意模块和空间注意模块，输入的特征图像首先经过通道注意模块，生成特征图像在不同通道上的权重，然后与特征图像相乘，生成处理后的特征图像，并将生成处理后的特征图像为输入，通过空间注意模块生成特征图像不同区域的权重，再生成处理后的特征图像。

7.根据权利要求6所述的基于注意力机制优化网络的结构构件损伤识别方法，其特征在于，所述通道注意模块利用最大池化层和平均池化层对特征图像的空间信息进行聚合，得到代表最大池化特征和平均池化特征的两条消息，作为共享多层感知器的输入，得到两个输出特征向量，合并后得到特征图不同通道上的权值；特征图依次经过所述空间注意模块的平均池化层和最大池化层，再通过标准卷积层连接平均池化特征和最大池化层，生成空间注意权重矩阵。

8.一种根据权利要求1-7任意一项所述的基于注意力机制优化网络的结构构件损伤识别方法的系统，其特征在于，包括：

网络架构模块，用于使用高分辨率语义分割模型RefineNet作为网络框架，并在高分辨率语义分割模型RefineNet的下采样过程中嵌入卷积块注意模块CBAM，得到RefineNet-AM网络架构；

训练模块，用于在特定数据集上训练所述RefineNet-AM网络架构；

分类模块，用于将指定的结构构件图像输入至训练好的RefineNet-AM网络架构中，以对图像中的结构组件进行分类。