[发明专利]基于深度卷积神经网络的图像裂缝分割方法

摘要

本发明公开了一种基于深度卷积神经网络的图像裂缝分割方法，包括将原始图像输入深层卷积神经网络，经卷积、池化和激活层学习特征，获得特征图；对特征图进行上采样得到与原始图像大小相同的特征图；对与原始图像大小相同的特征图进行softmax预测，获得对应位置所属类别，从而实现裂缝区域分割。本发明可学习由低到高的多层次特征，可快速实现高精度的裂缝区域分割，尤其适用于桥梁结构裂缝检测。

主权项

基于深度卷积神经网络的图像裂缝分割方法，其特征是：所采用的深度卷积神经网络包括5个卷积阶段，其中，第一个卷积阶段包括卷积层Conv1_1和卷积层Conv1_2，卷积层Conv1_1和卷积层Conv1_2分别使用64个卷积核；第二个卷积阶段包括卷积层Conv2_1和卷积层Conv2_2，卷积层Conv2_1和卷积层Conv2_2分别使用128个卷积核；第三个卷积阶段包括卷积层Conv3_1、卷积层Conv3_2和卷积层Conv3_3，卷积层Conv3_1、卷积层Conv3_2和卷积层Conv3_3分别使用256个卷积核；第四个卷积阶段包括卷积层conv4_1、卷积层conv4_2和卷积层conv4_3，卷积层conv4_1、卷积层Conv4_2和卷积层Conv4_3分别使用512个卷积核；第五个卷积阶段包括卷积层Conv5_1、卷积层Conv5_2和卷积层Conv5_3，卷积层conv5_1、卷积层conv5_2和卷积层conv5_3分别使用512个卷积核；卷积层conv1_2、卷积层conv2_2、卷积层conv3_3和卷积层conv4_3后均依次紧跟批标准化层、非线性激活层、池化层；其他卷积层后均依次紧跟批标准化层、非线性激活层；将卷积层conv1_1后紧跟的批标准化层、非线性激活层记为第一批标准化层、第一非线性激活层；将卷积层conv1_2后紧跟的批标准化层、非线性激活层、池化层记为第二批标准化层、第二非线性激活层、第一池化层；将卷积层conv2_1后紧跟的批标准化层、非线性激活层记为第三批标准化层、第三非线性激活层；将卷积层conv2_2后紧跟的批标准化层、非线性激活层、池化层记为第四批标准化层、第四非线性激活层、第二池化层；将卷积层conv3_1后紧跟的批标准化层、非线性激活层记为第五批标准化层、第五非线性激活层；将卷积层conv3_2后紧跟的批标准化层、非线性激活层记为第六批标准化层、第六非线性激活层；将卷积层conv3_3后紧跟的批标准化层、非线性激活层、池化层记为第七批标准化层、第七非线性激活层、第三池化层；将卷积层conv4_1后紧跟的批标准化层、非线性激活层记为第八批标准化层、第八非线性激活层；将卷积层conv4_2后紧跟的批标准化层、非线性激活层记为第九批标准化层、第九非线性激活层；将卷积层conv4_3后紧跟的批标准化层、非线性激活层、池化层记为第十批标准化层、第十非线性激活层、第四池化层；将卷积层conv5_1后紧跟的批标准化层、非线性激活层记为第十一批标准化层、第十一非线性激活层；将卷积层conv5_2后紧跟的批标准化层、非线性激活层记为第十二批标准化层、第十二非线性激活层；将卷积层conv5_3后紧跟的批标准化层、非线性激活层、池化层记为第十三批标准化层、第十三非线性激活层；原始图像从卷积层conv1_1输入；第一个卷积阶段中，原始图像顺次经卷积层conv1_1、第一批标准化层、第一非线性激活层、卷积层conv1_2、第二批标准化层、第二非线性激活层输出第一特征图；第一特征图经第一池化层后输入第二个卷积阶段，顺次经卷积层conv2_1、第三批标准化层、第三非线性激活层、卷积层conv2_2、第四批标准化层、第四非线性激活层输出第二特征图；第二特征图经第二池化层后输入第三个卷积阶段，顺次经卷积层conv3_1、第五批标准化层、第五非线性激活层、卷积层conv3_2、第六批标准化层、第六非线性激活层、卷积层conv3_3、第七批标准化层、第七非线性激活层输出第三特征图；第三特征图经第三池化层后输入第四个卷积阶段，顺次经卷积层conv4_1、第八批标准化层、第八非线性激活层、卷积层conv4_2、第九批标准化层、第九非线性激活层、卷积层conv4_3、第十批标准化层、第十非线性激活层输出第四特征图；第四特征图经第四池化层后输入第四个卷积阶段，顺次经卷积层conv5_1、第十一批标准化层、第十一非线性激活层、卷积层conv5_2、第十二批标准化层、第十二非线性激活层、卷积层conv5_3、第十三批标准化层、第十三非线性激活层输出第五特征图；对第一特征图、第二特征图、第三特征图、第四特征图、第五特征图分别经过卷积层Conv1、卷积层Conv2、卷积层Conv3、卷积层Conv4、卷积层Conv5，Conv1、卷积层Conv2、卷积层Conv3、卷积层Conv4、卷积层Conv5的输出特征图分别经去卷积层Deconv2、Deconv3、Deconv4、Deconv5依次进行去卷积、上采样，获得与原始图像大小相同的特征图；将五个与原始图像大小相同的特征图通过连接层融合，连接层的输出依次通过卷积层Conv‑1‑2降维、通过softmax函数获得各像素对应的裂缝和非裂缝的预测概率，记为融合预测概率，从而实现原始图像的图像裂缝分割；将第二非线性激活层、去卷积层Deconv2、Deconv3、Deconv4、Deconv5的输出记为侧边输出；所述的深度卷积神经网络采用如下方法进行训练：采集训练样本集将训练样本集输入深度卷积神经网络，其中，Ir表示第r张训练样本，Gr为Ir对应的人工标注，统计各训练样本中非裂缝像素和裂缝像素的数量，分别记为C0和C1；以损失代价值最小作为目标优化深度卷积神经网络的参数，所述的损失代价函数为：L(I,G,W)＝Lside(I,G,W,w)+Lfuse(I,G,W)其中：Lside(I,G,W,w)表示侧边损失代价，Δ=-1|I|Σk=1|I|{ω0logPr(G(k)=0|I(k);W,w(m))}+ω1logPr(G(k)=1|I(k);W,w(m))}]]>ω0和ω1是类平衡权值，ω0＝1，ω1＝C0/C1；I(k)和G(k)是分别指I和G的第k个像素对应的值，logPr(*)指softmax函数；Lfuse(I,G,Q)表示融合损失代价，Lfuse(I,G,W)=-1|I|Σk=1|I|{ω0logPr(G(k)=0|I(k);W)}+ω1logPr(G(k)=1|I(k);W)}.]]>