基于改进轻量型CNN与迁移学习的裂缝自动检测方法

技术特征：
1.基于改进轻量型cnn与迁移学习的裂缝自动检测方法，其特征在于，包括：对采集的裂缝图像进行语义分割处理，去除图像背景噪声干扰；构建mobilenetv3-large模型，在mobilenetv3-large模型中嵌入cbam模块，并对嵌入cbam模块的mobilenetv3-large模型进行训练，得到训练好的mobilenetv3-large-cbam模型；将语义分割处理后的裂缝图像输入训练好的mobilenetv3-large-cbam模型中进行识别，并输出识别结果。2.如权利要求1所述的基于改进轻量型cnn与迁移学习的裂缝自动检测方法，其特征在于，所述cbam模块包括通道注意力模块和空间注意力模块。3.如权利要求1所述的基于改进轻量型cnn与迁移学习的裂缝自动检测方法，其特征在于，所述对采集的裂缝图像进行语义分割处理，包括：采用vgg16-u-net对采集的裂缝图像进行语义分割处理。4.如权利要求1所述的基于改进轻量型cnn与迁移学习的裂缝自动检测方法，其特征在于，所述对嵌入cbam模块的mobilenetv3-large模型进行训练，包括：将采集的裂缝数据集分为训练集、验证集和测试集三个部分，使用训练集对嵌入cbam模块的mobilenetv3-large模型进行训练。5.如权利要求4所述的基于改进轻量型cnn与迁移学习的裂缝自动检测方法，其特征在于，所述对嵌入cbam模块的mobilenetv3-large模型进行训练，包括：使用验证集验证模型在训练过程中识别裂缝的准确率。6.如权利要求4所述的基于改进轻量型cnn与迁移学习的裂缝自动检测方法，其特征在于，所述使用训练集对嵌入cbam模块的mobilenetv3-large模型进行训练之后，包括：使用测试集对训练后的模型进行性能测试，对性能最好的模型进行保存。7.如权利要求1所述的基于改进轻量型cnn与迁移学习的裂缝自动检测方法，其特征在于，所述对嵌入cbam模块的mobilenetv3-large模型进行训练，包括：在训练过程中采用迁移学习的fine-tuning技术对模型进行泛化能力加强。8.基于改进轻量型cnn与迁移学习的裂缝自动检测装置，其特征在于，包括：语义分割单元，用于对采集的裂缝图像进行语义分割处理，去除图像背景噪声干扰模型训练单元，用于构建mobilenetv3-large模型，在mobilenetv3-large模型中嵌入cbam模块，并对嵌入cbam模块的mobilenetv3-large模型进行训练，得到训练好的mobilenetv3-large-cbam模型；裂缝识别单元，用于将语义分割处理后的裂缝图像输入训练好的mobilenetv3-large-cbam模型中进行识别，并输出识别结果。9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的基于改进轻量型cnn与迁移学习的裂缝自动检测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行如权利要求1-7中任一项所述的基于改进轻量型cnn与迁移学习的裂缝自动检测方法。

技术总结
基于改进轻量型CNN与迁移学习的裂缝自动检测方法，包括：对采集的裂缝图像进行语义分割处理，去除图像背景噪声干扰；构建模型，在模型中嵌入CBAM模块，并对嵌入CBAM模块的模型进行训练，得到训练好的模型；将语义分割处理后的裂缝图像输入训练好的模型中进行识别，并输出识别结果；本申请可将裂缝与从复杂的图片背景的中快速分离出来，有效降低图像背景噪声的影响，利用迁移学习微调技术提高了模型泛化能力，在满足轻量化的前提下，集成损伤函数，提高模型的识别效率和准确率，提升网络提取复杂裂缝图像特征的能力；还可以实现移动端的集成，对实现裂缝自动化检测和识别具有实际的工程应用价值。应用价值。应用价值。


技术研发人员：陈柳洁 姚皓东 傅继阳
受保护的技术使用者：广州大学
技术研发日：2022.01.21
技术公布日：2022/4/29