利用深度革命网络实现大坝表面像素级裂缝自动检测
论文:基于深度参与网络的大坝表面像素级裂缝自动检测
收到:2020.01.17
大多数大坝裂缝检测只能实现裂缝分类和粗略定位。像素级语义分割检测可以提供更加准确和直观的检测结果。提出了一种基于深度卷积网络的大坝表面裂缝检测算法。首先利用无人机采集数据，然后对采集的图像进行预处理(包括切割和人工标注)，最后对设计的CDDS网络结构进行训练、验证和测试。
对比基于resnet152的segnetu-netfcn。？
大坝是水电站的重要水利建筑物。大坝的安全运行对水电站具有重要意义。由结构变形、地震和水流引起的裂缝对坝体产生严重影响，威胁着水电站的安全运行。因此，大坝结构的定期健康评估，尤其是大坝裂缝的检测变得尤为重要。
根据大坝裂缝的结构特征和裂缝强度，人们可以对大坝的结构健康状况进行评估和监测。大坝裂缝的传统检测任务通常以人工检测为主，但效率低、费时费力，浪费了大量的人力成本，因此自动高效地检测裂缝是非常必要的。
基于计算机视觉的裂纹检测算法得到了广泛的研究。这些方法大多使用传统的图像处理技术和机器学习方法来识别一些简单的结构损伤。
这些方法使用手动提取的特征从图像中提取特征，然后评估提取的特征是否代表缺陷。然而，上述方法的结果不可避免地受到主观因素的影响。
卷积神经网络(CNN)在图像分类识别领域取得了很大的进展，基于CNN的裂缝检测算法也表现出了较好的性能。
大坝裂缝的特征:
修复痕迹、噪声大、背景纹理复杂、无结构、分布不均匀、裂纹位置随机、背景模糊等缺点。
提出了一种像素级大坝表面裂缝检测方法，并利用深度卷积网络进行特征提取。基于浅卷积层的定位特征和深卷积层的抽象特征，进行多尺度卷积级联融合和多维损失值计算，实现裂缝缺陷的像素级分割，以高精度、高效率的优势解决了坝面明显的裂缝检测问题，消除了可能的安全隐患，确保了坝面安全。实验结果表明，该方法是检测大坝表面像素级裂缝的最佳方法。
语义分割
PSPNet [42]、ICNet [43]、Deeplabv3[44]、UNet [45]和SegNet [46]
语义切分网络通常分为编码网络和解码网络。
编码网络:
卷积层:用于提取输入图像的特征。
池层:缩小特征图规模，减少计算负担。
解码网络:
反卷积层(反卷积层):上采样恢复与输入图像大小相同的特征图，输出预测结果。
编解码网络结构高度对称:稀疏特征图和密集特征图同时使用。
为了整合稀疏和密集特性，使用一个跳模块来连接编解码器网络。
编码网络:
15卷积层:3*3？步长1
4池层:2*2步长2
解码网络:
15反褶积层1*1
4池层
Dropout和BN用于防止过拟合。
跳过分支
4、1*1卷积与反卷积。
每个分支计算分支损失，四个分支损失级联是总损失的一部分。
跳过分支的输入和输出图像大小保持不变。
卷积核的通道数必须等于输入张量的通道数。
下采样取矩阵的最大卷积核大小为2*2，步长为2。
反卷积也称为转置卷积
通过上采样恢复的特征图与输入图像的大小相同。
上采样方法:反卷积法和插值法。
反褶积方法:补零张量填充最外层，然后用反褶积核反褶积，修剪首末线。
1000 5472*3648张图片
使用LEAR软件手动标记。
获得504个数据集，404个用于训练，50个用于验证，50个用于测试。
使用TensorFlow在Linux系统上构建。
在配备8 GB GPU的惠普工作站上执行培训、验证和测试。
CDDS网络的虚拟python环境是由Anaconda建立的。
评价指标:
精度精度表示在所有被预测为破解的样本中，样本的基本真实性也被破解的概率。
召回表示在所有标记为有裂纹的样本中，一个样本被预测为有裂纹的概率。当正负样本数量差距较大时，仅用准确率或召回率来评价性能是不合理的。TPR代表所有标记为裂缝的样本被正确预测为裂缝的概率。TNR代表在所有以标签为背景的样本中被正确预测为背景的概率。
F- measure综合考虑召回率和准确率的影响，F-measure是一个综合指标。
IoU是目标探测领域中评估定位精度的常用方法。IoU表示预测结果与地面实际值的交集与并集的交集的比值。
大坝表面裂缝图像可分为背景和裂缝。背景像素的数量远大于开裂像素的数量。通常我们会同时计算后台欠费和破解欠费，然后取两者的平均值作为最终欠费。IoU值由背景像素决定，不能准确表达裂缝的定位精度。
用三个学习率:10 4，10 5，10 6。
使用softmax函数计算概率。
使用骰子损耗计算网络损耗。
裂缝骨架提取:快速细化算法
调用OpenCV库进行计算。
计算裂缝面积、长度和宽度。
其他断裂数据集用于补充验证。在测试数据集上，提出的CDDS网络的IOU和F度量分别达到67.45438+0%和80.14%。
稍微。