基于DenseNet的桥梁钢索断裂检测方法和系统与流程

技术特征：
1.一种基于densenet的桥梁钢索断裂检测方法，其特征在于，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。2.根据权利要求1所述的基于densenet的桥梁钢索断裂检测方法，其特征在于，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。3.根据权利要求2所述的基于densenet的桥梁钢索断裂检测方法，其特征在于，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。4.根据权利要求1所述的基于densenet的桥梁钢索断裂检测方法，其特征在于，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。5.根据权利要求4所述的基于densenet的桥梁钢索断裂检测方法，其特征在于，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。6.根据权利要求4所述的基于densenet的桥梁钢索断裂检测方法，其特征在于，增长率k为：k=2
m-1
k0，其中，m为密度块的指数，为常数。7.根据权利要求4所述的基于densenet的桥梁钢索断裂检测方法，其特征在于，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。8.根据权利要求7所述的基于densenet的桥梁钢索断裂检测方法，其特征在于，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。9.根据权利要求7所述的基于densenet的桥梁钢索断裂检测方法，其特征在于，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。10.一种基于densenet的桥梁钢索断裂检测系统，其特征在于，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如权利要求1-9任意一项所述的基于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。

技术总结
本发明涉及一种基于DenseNet的桥梁钢索断裂检测方法和系统，属于桥梁数据检测技术领域。本发明采用的DenseNet-Group网络模型在原DenseNet网络模型的基础上，通过将输入特征划分为多个卷积组，每个组产生自己的输出，从而降低计算成本。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。采用桥梁钢索断裂检测模对由获取的图像进行识别与分类，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。全。全。


技术研发人员：张超 张波
受保护的技术使用者：科大天工智能装备技术（天津）有限公司
技术研发日：2022.03.11
技术公布日：2022/4/15