一种基于深度学习的ECC表面裂缝自动识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115471699A(43)申请公布日2022.12.13(21)申请号202211103491.3(22)申请日2022.09.09(71)申请人东南大学地址210096江苏省南京市玄武区四牌楼2号(72)发明人鲁聪郝哲昕(74)专利代理机构南京经纬专利商标代理有限公司32200专利代理师陈月菊(51)Int.Cl.G06V10/764(2022.01)G06V10/26(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图5页(54)发明名称一种基于深度学习的ECC表面裂缝自动识别方法(57)摘要本发明提供了一种基于深度学习的ECC表面裂缝自动识别方法，包括以下步骤：预处理ECC表面图像；基于ECC表面特性，基于双策略对损失函数进行设计；基于改进后的语义分割网络FCN，搭建出ECC表面裂缝自动识别模型；利用ECC表面裂缝自动识别模型对待测ECC表面图像进行像素级别的分类。本发明构建的ECC表面裂缝自动识别模型中的损失函数加入了针对ECC材料的定制化设计，使得模型更关注于作为少样本类别和难样本类别的裂缝，杜绝了类别不均和难易差异大带来的性能不足问题，有效提高了ECC表面裂缝的识别性能，得到高准确率的识别结果。CN115471699ACN115471699A权利要求书1/2页1.一种基于深度学习的ECC表面裂缝自动识别方法，其特征在于，包括：步骤1：获取原始的ECC表面图像，对原始的ECC表面图像进行预处理；步骤2：基于少样本类别和难样本类别双策略设计ECC表面裂缝自动识别模型的损失函数；步骤3：结合损失函数，基于语义分割网络构建ECC表面裂缝自动识别模型，利用所构建的模型对待测ECC表面图像进行像素级别的分类。2.根据权利要求1所述的基于深度学习的ECC表面裂缝自动识别方法，其特征在于，步骤1中预处理的具体步骤包括：步骤1‑1：对采集得到的ECC表面图像进行切割，得到若干个像素大小统一的ECC表面图像；步骤1‑2：采用深度学习标注工具对步骤1‑1中得到的全部ECC表面图像中的所有像素按照裂缝和背景进行分类并标记，形成ECC表面图像数据集；步骤1‑3：按照8:1:1的数量比例将上述ECC表面图像分成训练集、验证集、测试集。3.根据权利要求1所述的基于深度学习的ECC表面裂缝自动识别方法，其特征在于，步骤2中设计损失函数的具体步骤包括：步骤2‑1：计算ECC表面图像的自适应类别权重：式中，c表示真实类别，其中c＝0表示背景，c＝1表示裂缝，m表示类别数量，n表示数据集像素的总数量，αc表示第c类的像素数量；步骤2‑2：使用softmax函数作为激励函数，计算被预测为裂缝的概率：式中，z1表示裂缝对应的神经元的输入；步骤2‑3：计算模型的损失函数：式中，γ是样本难度平衡系数，γ＞1。4.根据权利要求1所述的基于深度学习的ECC表面裂缝自动识别方法，其特征在于，步骤3中的构建ECC表面裂缝自动识别模型具体包括：步骤3‑1：将训练集送入语义分割网络，以损失函数最小化为目标进行训练，一个迭代周期训练结束后，得到ECC表面裂缝自动识别模型，锁定当前模型；步骤3‑2：将验证集送入上述锁定的ECC表面裂缝自动识别模型，计算模型的评价指标；步骤3‑3：若当前的评价指标高于上个迭代周期的评价指标，则保留当前迭代周期的ECC表面裂缝自动识别模型；否则，舍弃当前迭代周期对应的ECC表面裂缝自动识别模型；直至完成所有迭代周期的训练，获得最优的ECC表面裂缝自动识别模型。5.根据权利要求4所述的基于深度学习的ECC表面裂缝自动识别方法，其特征在于，模型的评价指标的计算公式为：2CN115471699A权利要求书2/2页式中，Ni,j表示真实标签为i但被预测为j的像素数。3CN115471699A说明书1/5页一种基于深度学习的ECC表面裂缝自动识别方法技术领域[0001]本发明涉及高延性纤维增强水泥基复合材料技术领域，具体但不限于涉及一种基于深度学习的ECC表面裂缝自动识别方法。背景技术[0002]ECC(EngineeredCementitIoUsComposite)是一种乱向分布纤维增强水泥基复合材料，ECC的裂缝数量和宽度与其高延展性和耐久性密切相关，也是ECC多缝开裂过程的定量化表征指标。ECC的裂缝宽度控制能力制约着ECC结构的耐久性，其渗透性完全取决于裂缝的宽度。此外，开裂的ECC的自愈性能也与裂缝宽度密切相关。因此，必须进行裂缝评估，以提供关于ECC中裂缝发展数量和宽度的精确而全面的信息。[0003]近年来，随着人工智能领域的发展，深度学习算法在各行各业都有出色的应用。其中，卷积神经