基于级联宽度神经网络桥梁裂缝分类识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111046936A(43)申请公布日2020.04.21(21)申请号201911236979.1(22)申请日2019.12.05(71)申请人湖北民族大学地址445000湖北省恩施土家族苗族自治州学院路39号(72)发明人郭黎卜慎慎廖宇姚红英李敏李润泽(74)专利代理机构北京同恒源知识产权代理有限公司11275代理人杨柳岸(51)Int.Cl.G06K9/62(2006.01)G06N3/02(2006.01)G06N20/00(2019.01)G06F30/13(2020.01)权利要求书2页说明书6页附图1页(54)发明名称基于级联宽度神经网络桥梁裂缝分类识别方法(57)摘要本发明涉及一种基于级联宽度神经网络桥梁裂缝分类识别方法，属于桥梁检测技术领域。该方法用于混凝土表面结构裂缝损伤自动分类的广义神经网络(CBNN)体系结构，这是一种新颖的神经网络集成，具有级联结构，可以通过广泛学习系统(BLS)进行表示学习。利用级联宽度神经网络它生成了有效且高效的框架来实现桥梁裂缝位置和裂缝属性的准确识别分类，充分探索了分类器集成的多级级联的优点，在测试准确性和训练时间上都能得到了较大的提升，从而更加准确有效的解决目前裂缝检测分类识别方面的不足。CN111046936ACN111046936A权利要求书1/2页1.基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：该方法包括以下步骤：Step1：构建桥梁裂缝仿真数据集；Step2：对现实生活中真实的裂缝数据集进行采集；Step3：构建级联宽度神经网络架构模型；Step4：利用Step1构建的桥梁裂缝仿真数据集对Step3所构建的级联宽度神经网络架构进行训练；Step5：将Step4训练所得到的裂缝参数作为级联宽度神经网络架构模型的初始化参数，利用Step2对现实生活中真实的裂缝数据集采集所构建的真实桥梁裂缝数据集对级联宽度神经网络架构进行训练；Step6：利用Step5训练所得到的级联宽度神经网络架构和初始化参数对采集到的桥梁裂缝图像进行裂缝的检测继而对其进行裂缝的分类识别。2.根据权利要求1所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述的Step1具体包括：Step11：构建桥梁裂缝仿真桥梁裂缝数据集Dataset1，即利用计算机生成一定数量的空白图像，再利用线条绘制等算法在空白图像上模仿绘制桥梁裂缝线和噪声；Step12：构建仿真桥梁裂缝数据集Dataset2，通过选取一定数量的路面影像，但是路面影像中要不包含裂缝，通过利用线条绘制算法在每一幅路面影像图像上模仿绘制裂缝线条。3.根据权利要求1所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述的Step4具体包括：Step41：利用Step11构建的仿真裂缝数据集Dataset1对Step3所构建的级联宽度神经网络架构模型进行训练；Step42：把Step41训练所得到的参数作为这个步骤的初始化参数，利用Step12构建的仿真桥梁裂缝数据集Dataset2对所构建的级联宽度神经网络架构模型继续进行训练。4.根据权利要求1所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述Step3中，构建的级联宽度神经网络架构模型是由宽度结构、标准BL分类器和带有ZCA分类器的BL构成，进行训练并输出。利用标准BL分类器和带有ZCA分类器的BL结合宽度结构构建的网络架构，对训练好的数据集进行裂缝的识别分类。5.根据权利要求1所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述Step3中，构建的级联宽度神经网络架构模型是基于广义神经网络的级联结构结合宽度并将零相成分分析ZCA预处理与其结合构成的网络架构。6.根据权利要求2所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述步骤Step11和步骤Step12中，桥梁裂缝线条绘制时，采用贝塞尔曲线绘制算法或样条曲线绘制算法，步骤Step11中噪声的绘制时，采用随机数生成算法。7.根据权利要求3所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：所述步骤Step41、步骤Step42和步骤Step5中，训练过程停止的条件为当准确度不再提高时训练停止。8.根据权利要求2所述的基于级联宽度神经网络桥梁裂缝分类识别方法，其特征在于：2CN111046936A权利要求书2/2页所述步骤Step11的数据集Dataset1，以及步骤Step12中的数据集Dataset2，包含的样本数量大于104。3CN111046936A说明书1/6页基于级联宽度神经网络桥梁裂缝分类识别方法技术领域[0001]本发明属于桥梁检测技术领域，涉及基于级联宽度神经网络桥梁裂缝