基于DenseNet的桥梁钢索断裂检测方法和系统与流程

基于densenet的桥梁钢索断裂检测方法和系统
技术领域
1.本发明涉及桥梁数据检测技术领域，特别是涉及一种基于densenet的桥梁钢索断裂检测方法和系统。


背景技术：

2.桥梁钢索是桥梁的重要承重部件之一，桥梁钢索的安全对于整个桥梁以及人民的安全起着至关重要的作用。由于大自然会对桥梁钢索带来损伤，长期的损伤积累会造成严重的人员及财产等损失，所以对桥梁钢索断裂进行精确检测，及时发现断裂以便进行维护，避免出现严重事故，是一个亟待解决的问题。


技术实现要素：

3.为解决现有技术存在问题，本发明提供了一种基于densenet的桥梁钢索断裂检测方法和系统。
4.为实现上述目的，本发明提供了如下方案：一种基于densenet的桥梁钢索断裂检测方法，包括：构建桥梁图像数据集；建立densenet-group网络模型；采用所述桥梁图像数据集训练所述densenet-group网络模型，获得初始模型；采用余弦型学习速率对所述初始模型进行训练，根据计算输入通道对所述初始模型的输出通道的重要度进行自适应剪枝，获得桥梁钢索断裂检测模型；将待检测桥梁的图像数据输入至所述桥梁钢索断裂检测模型中，得到桥梁钢索的检测结果。
5.优选地，所述构建桥梁图像数据集，具体包括：获取桥梁钢索的整体画面图像和局部画面图像，形成原始图像数据集；对所述原始图像数据集中的图像进行标注；对标注后的所述原始图像数据集进行预处理，形成桥梁图像数据集。
6.优选地，所述对标注后的所述原始图像数据集进行预处理，形成桥梁图像数据集，具体包括：通过gamma数据增强的方式对所述原始图像数据中标注后的图像的图像灰度进行归一化处理，得到归一化图像；对所述归一化图像进行旋转增强，得到增强图像；采用所述增强图像形成桥梁图像数据集。
7.优选地，所述建立densenet-group网络模型，具体包括：在原始densenet网络模型的基础上使用分组卷积机制，将原始densenet网络模型中的卷积核分为g个大小相同的卷积组，得到初始densenet-grout网络模型；在所述初始densenet-grout网络模型的每一层网络中添加k个新的特征图，得到
densenet-group网络模型；其中，k为增长率。
8.优选地，所述在原始densenet网络模型的基础上使用分组卷积机制，将原始densenet网络模型中的卷积核分为g个大小相同的卷积组，具体包括：定义一个标准卷积的滤波权值为o
×r×w×
h的4d张量；其中，o表示标准卷积的输出通道数量，r表示标准卷积的输入通道数量，w表示标准卷积的宽度，h表示标准卷积的高度；将o
×r×w×
h的4d张量转化为o
×
r的矩阵f，并将卷积核分为g个大小相同的卷积组。
9.优选地，增长率k为：k=2
m-1
k0，其中，m为密度块的指数，为常数。
10.优选地，所述采用所述桥梁图像数据集训练所述densenet-group网络模型，获得初始模型，具体包括：采用公式确定所述densenet-group网络模型中输入特征的重要度；其中，为第g组卷积组的第i个输出的第j个输入的权值，y为重要度；根据所述重要度对所述输入特征进行剪枝，得到所述初始模型。
11.优选地，在根据所述重要度对所述输入特征进行剪枝，得到所述初始模型的过程中，使用l1正则化诱导稀疏性。
12.优选地，采用余弦型学习速率对所述初始模型进行训练，具体包括：将所述初始模型中所述重要度低于阈值的通道重填为0后，确定所述初始模型中每个参数组的学习速率为：；；其中，η
max
表示每个参数组的最大学习速率，t
cur
表示epoch数，t
max
表示最大交互次数，η
min
表示每个参数组的最小学习速率，η
t
表示当前时刻每个参数组的学习速率，η
t 1
表示下一时刻每个参数组的学习速率；采用每个参数组的学习速率对所述初始模型进行训练。
13.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于densenet的桥梁钢索断裂检测方法中，采用的densenet-group网络模型在原densenet网络模型的基础上划分卷积组，通过将输入特征划分为多个组，每个组产生自己的输出，从而降低计算成本，更轻量地部署到桥梁钢锁断裂检测系统中。除此之外，还采用指数型增长率，将更大比例的参数放在densenet-group网络模型的后面几层得到桥梁钢索断裂检测模型，大大提高计算效率。采用由获取的图像进行识别与分类得到的桥梁钢索断裂检测模对，能够在桥梁钢索损伤早期识别出并反馈给到维修人员，及时地对桥梁钢索进行维修，避免损伤的积累进而产生更加严重的损失，更为重要的是保证了检测工人的安全。
14.此外，对应于上述提供的基于densenet的桥梁钢索断裂检测方法，本发明还提供
了一种基于densenet的桥梁钢索断裂检测系统，该系统包括：处理器和存储器；所述处理器与所述存储器连接；所述存储器中存储有实施上述提供的基于densenet的桥梁钢索断裂检测方法的计算机软件程序；所述处理器用于调取和执行所述计算机软件程序。
15.因本发明提供的基于densenet的桥梁钢索断裂检测系统实现的技术效果与上述提供的基于densenet的桥梁钢索断裂检测方法实现的技术效果相同，故在此不再进行赘述。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1为本发明提供的基于densenet的桥梁钢索断裂检测方法的流程图；图2为本发明实施例提供的densenet-group网络模型图；图3为本发明实施例提供的基于densenet的桥梁钢索断裂检测方法的实施流程简图；图4为本发明实施例提供的基于densenet的桥梁钢索断裂检测系统的结构示意图。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.本发明的目的是提供一种基于densenet的桥梁钢索断裂检测方法和系统，以能够对桥梁钢索断裂进行精确检测，进而避免严重事故的发生。
20.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
21.分类算法是深度学习神经网络算法中重要的一个分支，其主要目的是帮助人类进行大量的数据分类等任务。分类算法能够在较短的时间内将大量的数据进行分类，高效得解决数据量大繁琐等带来的巨大工作量的问题，同时深度学习神经网络能够识别出人类肉眼无法识别的特征，能够更好的在物体产生变化的时候将其检测出，早发现早维护，避免出现重大损失。基于densenet-group的深度学习分类算法首先采用图像处理的方法对不同程度的桥梁钢索断裂图像进行预处理，对不同光照强度可能会对结果造成影响的干扰进行去除，获取到归一化后的图像数据，并将该标签数据作为输入对densenet-group分类网络进行过训练，训练结束保存模型权重，用于在之后使用该网络进行分类任务时对网络进行权重定义。
22.基于上述技术思想，如图1所示，本发明提供的基于densenet的桥梁钢索断裂检测
group网络模型收敛，使得densenet-group网络模型可以准确地对桥梁钢锁断裂状况的八种标签进行分类。至此基于densenet-group的初始桥梁钢索断裂检测分类模型训练结束。
30.具体的，训练过程中，评估输入特征的重要度，逐步为每组滤波器组筛选出相对不重要的输入特征子集。
31.例如，定义f1~fg表示上述滤波器群组的滤波器权值，每个fg的大小为，其中fg表示某一滤波器群组对应的滤波器权值。其中，o表示输出通道的数量，r表示输入通道的数量，g表示分配的滤波器组（即卷积组）的数量。
32.定义为第g组滤波器组的第i个输出的第j个输入的权值。需要注意的是，输出特征没有隐式排序，所以这种随机分组不会对网络层的质量产生负面影响。
33.具体地，定义为评估输入特征重要度的函数，其中，为第g组滤波器组的第i个输出的第j个输入的权值。
34.其中，y的值越小，表示输入特征的重要度越低，优先剪枝。
35.进一步，为减少权值剪枝对检测精度的负面影响，使用l1正则化诱导稀疏性。
36.具体地，使用group-lasso正则化矩阵进行训练，目标函数为。
37.步骤103：采用余弦型学习速率对初始模型进行训练，根据计算输入通道对初始模型的输出通道的重要度进行自适应剪枝，获得桥梁钢索断裂检测模型。训练的过程可以为：步骤1031：采用余弦型学习速率对初始模型进行训练，平滑地降低学习率以提高分类准确率。
38.设置每个参数组的学习速率：；。
39.其中，η
max
表示初始学习速率，设置η
min=
η
t
，t
cur
是sgdr中自上次重启以来的epoch数，t
max
表示最大交互次数。
40.步骤1032：采用每行权重绝对值之和计算每个输入特征图对后层特征图的重要度，确定冗余通道，并对冗余通道进行自适应剪枝。
41.优先地，采用随机梯度下降更新权重，最小batch为64，权重衰减为1e-4
，牛顿动量为0.7。训练的最大训练轮数(epoch)为200，学习率初始化为0.01。
42.具体地，在第30个epoch进行第一次剪枝，剪枝数为输入特征图的20% ,第60个epoch进行第二次通道剪枝,在第一次基础上再剪枝30%，总共剪枝输人通道的50%，第100个epoch进入网络的优化阶段。
43.经过上述操作后，获得最终的基于densenet-group的桥梁钢索断裂检测分类模型。
44.在构建好桥梁钢索断裂检测模型后，将步骤100中的测试集输入到桥梁钢索断裂检测模型中，对八种桥梁钢索断裂情况和桥梁钢索完好情况进行分类，得到测试好的桥梁钢索断裂检测模型。
45.步骤104：将待检测桥梁的图像数据输入至桥梁钢索断裂检测模型中，得到桥梁钢索的检测结果。即将待检测桥梁的图像数据输入至测试好的桥梁钢索断裂检测模型中得到桥梁钢索的检测分类结果。
46.基于上述描述，本发明提供的基于densenet的桥梁钢索断裂检测方法的整体实施流程简化过程如图3所示。
47.对应于上述提供的基于densenet的桥梁钢索断裂检测方法，本发明还提供了一种基于densenet的桥梁钢索断裂检测系统，如图4所示，该系统包括：处理器400和存储器401。
48.处理器400与存储器401连接。存储器401中存储有实施上述提供的基于densenet的桥梁钢索断裂检测方法的计算机软件程序。处理器400用于调取和执行计算机软件程序。
49.目前桥梁钢索断裂的检测方式多需人工检测，容易对检修人员带来危险，本发明的检测方法在原densenet的基础上加入了群卷积学习模块，通过将输入特征划分为多个组，每个组产生自己的输出，从而降低计算成本，更好地利用特征通道，大大提升检测准确率，更轻量地部署到桥梁钢锁断裂检测系统中。除此之外，采用指数型增长率，将更大比例的参数放在模型的后面几层，大大提高计算效率。可以高效地识别桥梁钢索断裂，甚至在桥梁钢索断裂的早期将其识别出，使桥梁钢索能够及时地被维护，同时也解决了人工检测给检测人员带来的安全等问题，为后续桥梁钢索断裂检测提供了新方向。
50.实验结果如表1所示：表1 实验结果表由此可见，使用本发明提供的基于densenet-group的桥梁钢索断裂检测方法和系统对桥梁钢索进行检测精度高、速度快，效率高，节约人力物力，为智慧城市提供了新的思路。
51.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
52.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。