一种面向裂缝检测的深度学习超分辨率方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114612306A(43)申请公布日2022.06.10(21)申请号202210250155.5(22)申请日2022.03.15(71)申请人北京工业大学地址100124北京市朝阳区平乐园100号(72)发明人刘鹏宇刘天禹陈善继(74)专利代理机构北京思海天达知识产权代理有限公司11203专利代理师刘萍(51)Int.Cl.G06T3/40(2006.01)权利要求书1页说明书4页附图3页(54)发明名称一种面向裂缝检测的深度学习超分辨率方法(57)摘要本发明公开设计了一种面向裂缝检测的深度学习超分辨率方法，属于图像超分辨率技术领域。本发明包含以下步骤：构建用于超分辨率网络训练的裂缝图像数据集；构建面向裂缝的超分辨率网络；训练面向裂缝的超分辨率网络；裂缝图像的超分辨率放大。本发明充分利用了深度学习在图像超分辨率领域内展现的优势，基于裂缝图像特征，设计包含注意力机制和深度可分离卷积的轻量化残差模块并采用后置上采样结构构建了超分辨率网络，解决了裂缝低分辨率图像向高分辨率图像映射困难、不准确的问题，在低计算资源占用的情况下对裂缝图像进行超分辨率放大，保留了裂缝的纹理信息并提升视觉体验。CN114612306ACN114612306A权利要求书1/1页1.一种面向裂缝检测的深度学习超分辨率方法其特征在于包括以下步骤：S1：构建用于网络训练的裂缝图像数据集；S2：构建面向裂缝的超分辨率网络；S3：训练面向裂缝的超分辨率网络；对于S2，构建面向裂缝的超分辨率网络；设计的网络可分为Head、Body、Tail三个模块，其中relu为激活函数；Head模块由两个卷积核大小为3的普通卷积层组成，将输入分辨率为96×96通道数为3的图像的道数扩充为64，并进行特征的初步提取；Body模块由16个重复堆叠的Block和1个普通卷积层组成，并在Body的输入与输出之间进行跳跃连接，用于精细化的纹理特征提取；每个Block分为前、中、后三部分，前部由一个卷积核大小为3的普通卷积对上一层输出的信息进行提取；中部为一个轻量化残差结构，即输入与输出之间进行着跳跃连接用于特征信息的融合；该残差结构先通过卷积核大小为1的普通卷积将图像通道数提升至128，再通过一个卷积核大小为3的深度可分离卷积进行信息提取，该卷积将卷积核通道数设为1，卷积核个数设为特征图通道数，通过深度可分离卷积后对特征图进行通道分离操作，将特征图分为2个通道数为64且尺寸相同的两个特征图，分别送入通道注意力与空间注意力两个分支中；其中通道注意力针对每个通道的特征图进行平均池化处理，得到一个一维的向量；再通过2个卷积核大小为1的普通卷积层得到输出向量，该向量对特征图每个通道分析出权重关系，给比较重要的通道赋予更大权重；最后对该输出向量归一化处理，再乘上输入的特征图得到新的特征图；而空间注意力着重于特征图的空间信息，对特征图的所有通道进行平均池化操作，得到一个单通道特征图；之后通过一个卷积核大小为7的普通卷积层得到输出特征图；最后对该输出特征图归一化出处理，再乘上输入的特征图得到新的特征图；之后将这两种注意力机制处理后的特征图进行通道拼接的操作，再通过一个卷积核大小为1的普通卷积进行通道数降低的操作，还原成该残差结构输入特征图的状态；后部为一个卷积核大小为3的普通卷积，对中部残差结构的输出进行一个信息汇总，最终将Block模块的输入与输出再进行一个跳跃连接的方式进行融合，提升纹理信息间的交互；Tail模块由两个卷积核大小为3的普通卷积层与一个亚像素卷积层组成用于对Body输出的特征图进行上采用操作；对于S3，训练面向裂缝的超分辨率网络；将构建的裂缝超分辨率数据集输入到设计的网络中，选择L1损失函数与Adam优化器，训练的次数设置为200，初始学习率为0.0005，输入低分辨率训练图像尺寸为96x96，监督图像尺寸为192×192，计算训练图像进入网络后的图像与监督图像之间的损失并优化拟合关系，训练完成后保存拟合率最高的模型；利用训练好的模型文件对低分辨率的裂缝图像进行映射，从而获取高分辨率的裂缝图像。2.根据权利要求1所述的一种面向裂缝检测的深度学习超分辨率方法，其特征在于：对于S1，构建用于网络训练的裂缝图像数据集；通过公共资源获取部分裂缝图像，利用摄像机拍摄不同场景下不同类别的裂缝用作补充，提高裂缝类别的多样性；将数据进行随机旋转，补光，提高数据的泛化性；之后将处理完的图像数据进行剪裁，获得监督图像用作真实值；之后采用下采样、加噪的方式对剪裁完的图像进行处理生成低分辨率图像用作训练。2CN114612306A说明书1/4页一种面向裂缝检测的深度学习超分辨率方法技术领域[0001]本发明涉及图像超分辨率技术领域，尤其涉及一种面