一种基于轻量级注意力机制的网状裂缝检测方法

技术特征：
1.一种基于轻量级注意力机制的网状裂缝检测方法，其特征在于：包括如下步骤：1）采集并筛选桥梁表面图像的数据集，并对数据集进行预处理，其中，所述数据集包括若干张桥梁表面的图片；2）将轻量级注意力机制引入u-net网络中，对网状裂缝信息进行加权，使得网络更加关注网状裂缝的像素信息；3）引入轻量级卷积模块，增加非线性因素，保持网络感受野和精确率的同时，减少计算成本量；4）引入池化叠加模块，减少网络的误差并叠加网状裂缝的像素信息，提升网状裂缝检测连续性。2.根据权利要求1所述的一种基于轻量级注意力机制的网状裂缝检测方法，其特征在于：步骤1）中，对数据集的预处理过程如下：a、使用labelimg软件对数据集中的图片的裂缝进行像素点标注；b、用立方卷积插值法数据集中的图片进行尺寸缩放，使数据集中的图片的尺寸均为1024
×
1024；c、对经过a和b处理过后的数据集进行数据扩充操作，分别从水平翻转、垂直翻转、水平和垂直翻转、旋转90
°
、旋转180
°
、旋转270
°
六个方面对其进行扩充；d、将扩充后的数据集按照8：2的比例划分为网络的训练集和验证集。3.根据权利要求1所述的一种基于轻量级注意力机制的网状裂缝检测方法，其特征在于：步骤2）中，轻量级注意力机制引入u-net网络具体操作如下：a、将轻量级注意力机制（eca）中的全局平均池化替换为自适应最大池化，通过自适应最大池化操作来获得邻域内裂缝像素的最大值；b、将替换后的轻量级注意力机制加入到u-net网络的跳跃层连接处，实现网络对网状裂缝的细节信息的提取。4.根据权利要求1所述的一种基于轻量级注意力机制的网状裂缝检测方法，其特征在于：步骤3）中，轻量级卷积模块中，编码-解码结构中的卷积核的卷积计算采用1
×
1卷积、3
×
3卷积、1
×
1卷积计算。5.根据权利要求1所述的一种基于轻量级注意力机制的网状裂缝检测方法，其特征在于：步骤4）中，引入池化叠加模块过程如下：a、对最后一层的输入特征图进行最大池化和平均池化操作，得到最大池化图集和平均池化图集；b、将得到的两个池化特征图相加，再重复步骤2）-3）；c、最终得到解码结构的第一层输入特征图。

技术总结
本发明公开了一种基于轻量级注意力机制的网状裂缝检测方法，包括如下步骤：1）采集并筛选桥梁表面图像的数据集，并对数据集进行预处理；2）将轻量级注意力机制引入U-Net网络中，对网状裂缝信息进行加权，使得网络更加关注网状裂缝的像素信息；3）引入轻量级卷积模块，增加非线性因素，保持网络感受野和精确率的同时，减少计算成本量；4）引入池化叠加模块，减少网络的误差并叠加网状裂缝的像素信息，提升网状裂缝检测连续性。本发明能够快速、准确检测出道路、桥梁的网状裂缝情况。桥梁的网状裂缝情况。桥梁的网状裂缝情况。


技术研发人员：蒋仕新 黄蝶 杨建喜 李昊 邓磊
受保护的技术使用者：重庆交通大学
技术研发日：2022.04.25
技术公布日：2022/7/29