基于频空协同与时间步自适应解耦的结构损伤裂纹智能分割方法
本发明涉及数字图像处理、计算机视觉、自动化无损检测与结构健康监测(structural health monitoring, shm)交叉,具体涉及一种基于复小波频空双域协同与状态空间模型时间步自适应解耦的结构损伤裂纹高精度智能分割方法。
背景技术:
1、各类基础设施(如路面、桥面)与大型工业结构件在长期的服役过程中,受动静态交变疲劳载荷、剧烈温湿度冲击、风雨侵蚀及化学腐蚀等复杂恶劣环境的交替作用,其表面及其局部次表面极为容易产生微米级结构损伤和疲劳裂纹。这类表面裂纹通常具有早期隐匿萌生、中期急速扩展并引发突然性破坏断裂的动力学特点。一旦裂纹未能在初期被精准识别与监测,将对交通路网的运营安全、桥梁的承载稳定性以及整体结构的力学性能造成毁灭性隐患。
2、传统的结构无损检测手段主要依靠超声检测、涡流检测、射线探伤以及渗透探伤等物理化学仪器,或依赖人工肉眼巡检。然而,这类人工或半自动化点检方式通常需要封路、搭设脚手架或设备停机,并由专业质检人员手动执行逐点扫描,不仅设备体积庞大、检测周期长、维护成本昂贵,且极易受限于人为疲劳因素出现漏检与误检。近年来,随着高分辨率工业ccd相机、红外热像仪以及无人机、爬行智能巡检机器人的普及,基于非接触式计算机视觉与深度学习的地面、桥面及各类结构件表面损伤裂纹智能筛查成为了现代化工程与工业检测的核心发展方向。
3、然而,将深度学习视觉算法直接应用于高复杂度的实际场景裂纹分割时,在算法落地机理和特征建模层面依然面临着极大的行业背景痛点和技术困境:第一,微小尖端拓扑断裂问题:不同于理想条件下的宽阔缝隙,实际承载结构(如桥面或金属构件)受力损伤往往由一根较长的宏观主应力裂纹向外发散出极其细微的尖端疲劳微细网状裂纹。现有的主流分割网络由于广泛依赖连续下采样池化或普通的多尺度金字塔级联(fpn),微小裂纹尖端仅占据图像全宽度的1-3个像素位。经过层层下采样后,高频细微局部信息被深度池化操作彻底平滑,导致网络预测出的裂纹掩膜出现明显的“尖端拓扑断开”、“断续网状碎裂”甚至“细微缝隙丢失消失”现象,无法准确反映结构疲劳演化的真实物理连贯状态。第二,复杂环境背景与各向同性噪声干扰:实际作业现场所处的环境极为复杂,检测图像中充斥着各类非裂纹样态的干扰噪声,包括:路面的刹车胎痕与修补灌缝、桥面板拼接合缝、金属结构件表面的螺栓阴影、焊缝痕迹、机油润滑液流淌痕迹、维保造成的表面机械划痕,以及复合材料或混凝土自身固有的粗糙编织纹理等。从空间图像梯度的基础物理本质来看,这类接缝、划痕、油污或材质纹理表现为强烈的“各向同性散射噪声(isotropic noise)”——其空间灰度突变率与真正裂纹极其相似。现有基于 cnn、transformer 或常规 cnn 结合transformer 的模型,大多利用参数纯黑盒拟合空间局部语义,缺乏对待测目标的物理几何结构偏置,导致网络经常将纵横交错的拼缝或紧固件阴影误判为危险裂纹,引发大量虚假报警,严重制约了自动化系统在工程运维现场的实际可操作度。第三,多尺度动力学演化与离散化步长冲突:为了兼顾“宏观全局拓扑长程感知”与“微观细节高频定位”,近年来部分模型尝试采用双分支或多通道拆解网络。然而现有双分支结构通常采用直接对等截断(如按通道索引简单前后对半分割)或利用固定参数的并行卷积进行粗放分离,这种做法不仅耗费庞大计算资源,而且忽视了不同特征标记在空间演化中固有的动力学速率差异。特别是当前最前沿的线性复杂度状态空间模型(mamba ssm)在捕获长序列视觉图像时,其核心离散化物理步长参数决定了状态量的遗忘和更新速度。若强行使用粗放的注意力池化拼接而忽视该参数所隐含的“积分演化速率”,多尺度的高频局部突变极易被深层次低频背景强语义稀释覆盖,不仅无法有效修复断裂细缝,反而会在多尺度上采样重建过程中诱发严重的锯齿与模糊失真。
4、针对上述严峻的技术瓶颈,亟需研发一种面向复杂场景的多目标表面裂纹(涵盖地面、桥面及各类工程结构件等)智能检测系统,实现对极其微弱断裂细缝的连贯拓扑修复和超高精度无失真分割。
技术实现思路
1、本发明提供一种基于频空协同与时间步自适应解耦的结构损伤裂纹智能分割方法,从数字图像处理基础物理先验和状态空间模型动力学演化第一性原理出发,从根本上解决地面、桥面以及各类结构件在复杂工况检测中背景各向同性噪声干扰大、微细疲劳裂纹易断连以及多尺层融合混叠失真等难题。
2、本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
3、根据本发明的第一方面,提供一种基于频空协同与时间步自适应解耦的结构损伤裂纹智能分割方法,所述方法包括:
4、步骤1,获取待测结构表面的视觉图像,对视觉图像进行预处理,得到图像特征;
5、步骤2,将所述图像特征输入双域频空协同感知与修复块,提取空间形态学边界先验与方向双树复小波先验,执行各向同性噪声过滤以及跨域边缘断续连通修复,输出频空协同增强特征;
6、步骤3,将所述频空协同增强特征输入状态解耦通道对齐块的二维状态空间自适应扫描单元执行四向物理偏置扫描,提取状态演化动力学时间步参数;利用时间步参数的激活排序结果作为通道分类器,自适应将特征通道解耦为全局上下文分支与微观细节分支;
7、步骤4,全局上下文分支与微观细节分支利用状态驱动动态通道对齐器消除解耦操作带来的通道空间乱序漂移,得到对齐后的全局上下文表征、对齐后的微观细节表征;将对齐后的全局上下文表征送入十字解耦多向条形与局部自注意力单元捕获裂纹主导延伸拓扑,得到全局上下文增强表征;将对齐后的微观细节表征经由恒等快捷通路零卷积直穿输出,得到微观细节保持表征;
8、步骤5,将所述全局上下文增强表征和所述微观细节保持表征送入双分支解耦金字塔解码器,分别维持自顶向下的全局上下文多尺度解码金字塔、微观细节多尺度解码金字塔;在金字塔层级连接处,采用余弦相似度门控融合块逐级消除跨尺度混叠噪声;利用5维物理方差-均值统计张量构建物理统计自适应组合器,对解码得到的末端上下文表征、末端细节表征执行决策合并;经动态特征采样、末端双域频空协同感知与修复块锐化处理,输出高精锐度裂纹分割图。
9、在一些示例性实施方式中,所述步骤1中对图像样本进行预处理,得到图像特征;具体包括:
10、获取结构损伤表面的图像,对原始图像进行归一化缩放处理并划分切片序列;采用核尺寸为、步长为的切片嵌入卷积层执行空间下采样,映射为通道维度为的特征张量,再经由多层级联主干特征提取网络完成深度表征提取,得到所述图像特征;其中,为结构损伤表面的图像的分辨率大小。
11、在一些示例性实施方式中,所述步骤2具体包括:
12、步骤2.1,对于输入特征图,在双域频空协同感知与修复块的空间形态学边界先验模块中分别采用窗口尺寸为与的池化窗口计算平均平滑边缘差分与,以及计算黑帽突变边缘差分与;由可学习的多尺度平衡权参数经 softmax归一化后加权融合,并经过通道瓶颈映射得到空域形态学边界注意图;其中,表示批次,表示通道数,表示高度,表示宽度;
13、步骤2.2,在双域频空协同感知与修复块的方向双树复小波先验模块中对输入特征实施双树复小波一阶正交变换,获取对应于空域偏角六个特定方向的高频复数响应分量,计算其实部和虚部的模长矩阵;沿方向轴实施最大值筛选池化,经插值与非线性激活得到频域方向小波注意图;其中,表示极小正实数常数;
14、步骤2.3,利用空域形态学边界注意图和频域方向小波注意图进行前置调制,通过深度可分离卷积提取微观局部特征以及通过空洞膨胀卷积提取宏观走向特征;将微观局部特征和宏观走向特征拼接后通过跨域单向非对称注入算子映射至空域:,连接修补断裂细节;将其送入二次形态学模块精加工获得修补了断联微细裂缝的纯净特征。最后生成基于宏观走向特征的自适应空间软门控掩码,通过双域残差叠加重构输出频空协同增强特征:;其中,表示经二次形态学精微提取后的特征。
15、在一些示例性实施方式中,所述步骤3具体包括:
16、步骤3.1,在状态空间选择性自适应扫描过程中,提取系统动力学离散化微分方程导出的伴随时间步参数,对其施加非负激活函数;其中,表示长度,表示维度;
17、步骤3.2,在特征长序列每个空间索引标记处,沿通道维度对的数值执行降序排列得出重排索引集;根据设定的分流阈值比例,将排序前个对应大时间步数值的通道划分至全局上下文索引集,将排序后剩余对应小时间步数值的通道划分至局部细节索引集;根据两组索引集利用gather函数从原张量中无损抽取解耦互补双分支表征:与。
18、在一些示例性实施方式中,所述步骤4具体包括:
19、步骤4.1,针对任意解耦子支路输入及其对应索引图,状态驱动动态通道对齐器融合可学习空间位置秩嵌入向量与仿射参数:;其中,、为可学习参数;为系统动力学离散化微分方程导出的伴随时间步参数;其中,表示排序后挑选出的特征维度;
20、步骤4.2,构建全零初始化的全尺寸特征映射画布,利用底层散布写回操作scatter依据稀疏乱序索引图将调变后的特征归位写入绝对物理通道对齐孔径;结合全局共享的通道语义词典矩阵执行投影映射,得到语义齐整的对齐特征与;
21、步骤4.3,将上下文表征送入十字解耦多向条形与局部自注意力单元,其多头总数按规则拆分为水平条形多头、垂直条形多头及局部网格多头,分别叠加可动态插值的水平一维相对位置偏置与垂直一维位置偏置捕获纵横主导力学缝隙;将细节表征送入恒等快捷通路零卷积直穿输出。
22、在一些示例性实施方式中,所述步骤5具体包括:
23、步骤5.1,对于双分支解码器的上下文金字塔和细节金字塔的第层高分辨率张量与下一层级低分辨率张量,将经转置反卷积上采样匹配得到;在余弦相似度门控融合块中,分别通过通道softmax生成全局通道级门控图,同时逐像素计算空间余弦相似度矩阵与l1绝对差分矩阵;通过拼接卷积及可学习因子生成空间相似性冲突识别门控掩码及,执行双重自适应消噪融合;其中,表示极小正实数常数;分别代表第层高分辨率张量的高和宽;
24、步骤5.2,将经逐级融合得到的末端上下文表征与末端细节表征沿通道维度分别计算空间分布,拼接构建5维物理特征统计张量;将其送入物理统计自适应组合器的多层感知机输出决策门控权重,执行双分支智能互补合并:;
25、步骤5.3,将融合结果通过可学习采样偏移量驱动的动态上采样算子无损放大至全分辨率尺寸,送入末端双域频空协同感知与修复块精加工插值边缘,经分类层输出最终的高精锐度裂纹图。
26、一种基于频空协同与时间步自适应解耦的结构损伤裂纹智能分割系统,包括:
27、图像采集与预处理模块:用于获取待测结构表面的高分辨率图像,完成浮点归一化及切片嵌入映射;
28、频空协同与时间步解耦特征提取模块:利用双域频空协同感知与修复块进行小波各向同性噪声过滤与边缘断续修复,并利用状态解耦通道对齐块进行状态动力学时间步降序解耦结合状态驱动动态通道对齐器提取全局上下文与微观细节独立表征;
29、自适应双金字塔融合与重构模块:建立各自独立的上下文与细节特征解码金字塔,由余弦相似度门控融合块逐级连接消噪,并通过融合 5 维物理方差/均值统计特征量的物理统计自适应组合器智能重构输出高精锐度裂纹掩膜。
30、根据本发明的第二方面,提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的基于频空协同与时间步自适应解耦的结构损伤裂纹智能分割方法。
31、根据本发明的第三方面,提供一种计算机程序产品,其上存储有计算机程序,计算机程序被处理器执行时实现上述的第一方面所述的基于频空协同与时间步自适应解耦的结构损伤裂纹智能分割方法。
32、根据本发明的第四方面,提供一种电子设备,包括:
33、处理器;以及
34、存储器,用于存储所述处理器的可执行指令;
35、其中,所述处理器配置为经由执行所述可执行指令时实现上述第一方面所述的基于频空协同与时间步自适应解耦的结构损伤裂纹智能分割方法。
36、与现有技术相比,本发明具有以下有益效果:
37、1、本发明打破纯深度卷积网络对空间局部的盲目拟合,将双树复小波变换(dt-cwt)的多方向连续拓扑特征作为强物理归纳偏置。真实的结构应力裂纹具有明确的长程线状连续拓扑,而表面接缝、油污、修补灌缝及复合材料或混凝土编织干扰表现为各向同性散点或高频散落响应。本发明提取六向高频复数幅值并在方向轴取最大值,直接降维剥离环境噪声;进一步利用单向跨域注入(freqspatial)机制,以宏观方向连贯特征直接牵引引导微观局部边缘,使因局部光照或早疲劳尖端导致的断裂数像素裂纹获得“方向连通指引”,在复杂背景下展现出极其强悍的抗干扰与保断连能力。
38、2、本发明利用了mamba状态空间模型中时间步参数与视觉特征表达深度间的物理映射关系:大加速状态衰减遗忘,天然适合快速聚拢长程全视野全局语义(context);小演化平缓,天然适合锁存瞬态局部高频边界(detail)。网络摒弃粗暴的人工硬拆分,自适应依据每个token处的排序分流,使得全局捕获分支与微细细节分支获得最适宜的特征供给;同时创造性构建了动态通道对齐器(sdca),运用可学习秩嵌入、时间步仿射门控与底层 scatter散布写回运算,将可变长度的排序张量无缝归还至原始物理位置并实施共享词典映射,从根本上解决通道解耦引起的空间特征错位弊端。
39、3、针对智能巡检终端对低功耗高帧率的苛刻需求,本发明对解耦分支实施了差异化的物理强化策略。对全局上下文通道,构建十字解耦多向条形与局部协同注意力(cdmsla),以几何解耦的一维长条偏置聚焦基础设施与工程构件的纵横主结构受力方向(如桥梁纵横梁、道路走向、大型工字钢主应力轴等);对局部细节通道,鉴于小自身已高度富含突变边缘信息,直接构建恒等快捷映射(identity shortcut)通路,不消耗任何卷积计算算力且杜绝二次卷积对超细纹理的平滑模糊化。
40、4、现有解码器在多尺度上采样叠加时易出现分辨率冲突。本发明在级联连接处引入跨尺度余弦相似度与绝对幅值差门控融合块(csgblock),智能识别特征退化冲突区;在最后融合输出处,创新性提出由5维空间方差及均值张量驱动的自适应决策组合器(psac)。网络像人类质检专家一般具备“自省决策功能”:在方差极大的局部区域判定为损伤几何突变,全力赋予细节特征极高加权以维持边缘锐利度;在均值平坦且方差极小的背景处赋予上下文高权压制杂波。结合末端无损动态上采样(dysample)与终极小波形态学锐化,生成的裂纹边缘精准锐利。
41、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com