一种基于语义分割的桥梁裂缝图像分割模型.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CN108961270A(43)申请公布日2018.12.07(21)申请号201810668261.9(22)申请日2018.06.26(71)申请人陕西师范大学地址710119陕西省西安市长安区西长安街620号陕西师范大学长安校区(72)发明人李良福孙瑞赟(74)专利代理机构西安智萃知识产权代理有限公司61221代理人马瑞(51)Int.Cl.G06T7/11(2017.01)G06T5/00(2006.01)G06T7/00(2017.01)权利要求书1页说明书7页附图2页(54)发明名称一种基于语义分割的桥梁裂缝图像分割模型(57)摘要本发明涉及一种基于语义分割的桥梁裂缝图像分割模型，依次包括卷积核为5x5的第一卷积层、由DenseBlock和TransitionDown组成的下采样路径、由DenseBlock和TransitionUp组成的上采样路径，卷积核为1x1的第二卷积层以及Softmax函数；下采样路径包括5个DenseBlock层和4个TransitionDown；所述上采样路径包括4个DenseBlock层和4个TransitionUp层；9个DenseBlock层的layers层数量依次为4层、5层、7层、10层、12层、10层、7层、5层和4层；每个TransitionDown包含一个卷积，每个TransitionUp包含一个转置卷积。本发明适用于复杂背景下的桥梁路面裂缝检测简化了模型结构，减少了参数，减少了计算时间。CN108961270ACN108961270A权利要求书1/1页1.一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：依次包括卷积核为5x5的第一卷积层、由DenseBlock和TransitionDown组成的下采样路径、由DenseBlock和TransitionUp组成的上采样路径，卷积核为1x1的第二卷积层以及Softmax函数；所述下采样路径包括5个DenseBlock层和4个TransitionDown；所述上采样路径包括4个DenseBlock层和4个TransitionUp层；所述9个DenseBlock层的layers层数量依次为4层、5层、7层、10层、12层、10层、7层、5层和4层；所述每个TransitionDown包含一个卷积，每个TransitionUp包含一个转置卷积。2.根据权利要求1所述的一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：所述DenseBlock层的每个layers层包括BatchNormalization、ReLU激活函数、3x3卷积和Dropout。3.根据权利要求2所述的一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：所述TransitionDown由BatchNormalization、ReLU激活函数、1x1卷积与2x2池化操作组成。4.根据权利要求2或3所述的一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：所述BatchNormalization具体算法如下：BatchNormalization算法在每一次迭代中的每一层输入都进行了归一化，将输入数据的分布归一化为均值为0，方差为1的分布，具体如公式(2)：其中，xk表示输入数据的第k维，E[xk]表示k维的平均值，表示标准差；BatchNormalization算法的两个可学习的变量γ和β的如公式(3)，γ和β用于还原上一层学到的数据分布。5.根据权利要求2或3所述的一种基于语义分割的桥梁裂缝图像分割模型，其特征在于：所述ReLU激活函数为连续的非线性激活函数，计算如公式(4)所示：ReLU(x)＝max(0,x)(4)。2CN108961270A说明书1/7页一种基于语义分割的桥梁裂缝图像分割模型技术领域[0001]本发明属于计算机视觉深度学习技术领域，具体涉及一种基于语义分割的桥梁裂缝图像分割模型。背景技术[0002]图像语义分割作为人工智能领域的重要分支，是计算机视觉中关于图像理解的重要一环。众所周知，在一定条件下，网络的深度越深，提取到的特征越精确，检测效果也随之越好，但是在实际应用中发现网络越深时越容易出现梯度扩散的问题。在2016年，由GaoHuang等人提出的密度卷积网络DenseConvolutionalNetwork解决了这个问题。[0003]DenseConvolutionalNetwork(DenseNet)是一种具有密集连接的卷积神经网络(HuangG,LiuZ,MaatenLVD,etal.Denselyconnectedconvolutionalnetworks[J].2016.)。在该网络中，任何两层之间都有直接的连接，也就是说，网络每一层的输入都是前面所有