[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

说明书

本发明公开了一种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。包括：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。本发明采用沿下采样过程的所有可用信息，并使用远程剩余连接实现高分辨率预测。在RefineNet的下采样过程中嵌入CBAM，在提取图像特征的过程中赋予图像的重要区域更多的权重，在特定数据集上训练所提出的RefineNet‑AM，以像素级的精度对图像中的结构组件进行分类，如非桥梁、板、梁、柱、非结构组件、轨道、轨枕和其他组件。

技术领域

本发明涉及机器学习技术领域，更具体地说，特别涉及一种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。

背景技术

土木基础设施状况评估是结构健康监测的一个重要领域。传统的目测方法是由专业检验员进行，需要相关的标准才能做出准确的判断。然而，传统的评估方法存在时间长、费用高、专业性强、主观性强等问题。

利用计算机视觉(Computer Vision，CV)技术的民用基础设施状况评估方法正在蓬勃发展。该方法将图像和视频数据转换为更容易做出判断的信息，从而大大减少了人力物力的投入。此外，机器学习(ML)可以自动训练端到端模型，提取输入图像的高级特征，具有更好的泛化能力和出色的预测效果。Bao和Li充分总结了用于结构健康监测的机器学习范式。Xu等采用无监督深度学习方法基于准静态响应进行桥梁状态评估，使静态监测数据变得有用，为结构健康监测开辟了一个新的领域。目前基于卷积神经网络(ConvolutionalNeural Network,CNN)的部件识别和损伤识别方法主要分为三类：分类、目标检测和语义分割。Alipour等人使用残差卷积神经网络检测混凝土和沥青中裂缝的存在。Cha等人提出了一种CNN的深度网络架构，用于检测图片中是否存在裂缝。Wang等人使用密集连接卷积网络(DenseNets)来识别结构的损伤状态。Gao等人引入了基于训练好的VGGNet(VisualGeometry Group)的迁移学习(Transfer Learning,TL)，预训练了部件类型识别、剥落状态检查、损伤等级评估和损伤类型确定四项识别分类任务。Cha等人提出了一种基于快速区域卷积神经网络(Fast R-CNN)的计算机视觉识别方法，用于检测多种类型的结构损伤。Xu等人提出了一种基于快速区域的改进卷积神经网络，用于钢筋混凝土的多类型地震损伤检测。

除了上述分类和对象检测任务外，CNN架构还可以应用于语义分割领域。基于语义分割的方法的优点之一是将图像作为输入，对图像的每个像素进行分类，从而对图像中的成分和损伤进行精细的标注。Zhang等人提出了一种改进的U-Net来检测像素级裂缝。Xu等人利用改进的FCNN(Fusion Convolutional Neural Network，融合卷积神经网络)从包含扰动信息的图像中识别桥梁钢箱梁表面疲劳裂纹。Pozzer等人实现了不同的语义分割深度学习模型来检测不同类型损伤的监测过程，并比较了不同模型的性能。Narazaki等人研究了全卷积网络(Fully Convolutional Networks,FCN)和SegNet两种语义分割算法在结构梁、柱、板识别中的应用。Hoskere等人使用FCN进行多任务损伤分割。Ye等人提出了一种剪枝FCN来自动检测裂缝。