本發(fā)明涉及隧道裂縫識別算法，特別是涉及一種基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法。

背景技術(shù)：

1、隧道裂縫識別是隧道健康監(jiān)測和維護(hù)中的一項重要任務(wù)，目前面臨著一些困難和挑戰(zhàn)。目前在隧道裂縫識別中主要依靠人工評價，存在明顯不足，首先，裂縫細(xì)微難以察覺：一些微小的裂縫在橋梁表面并不明顯，肉眼難以發(fā)現(xiàn)，尤其是當(dāng)裂縫寬度小于0.2mm時，傳統(tǒng)的目視檢測方法很難準(zhǔn)確識別；其次，環(huán)境因素干擾：光照條件、隧道表面的污漬、水跡等因素都可能影響裂縫識別的準(zhǔn)確性。隨著科學(xué)技術(shù)與時俱進(jìn)，傳統(tǒng)識別隧道裂縫的方式逐漸走向現(xiàn)代化，在裂縫識別中通過人工智能等方式進(jìn)行識別，但存在有效率低，識別精確度不高等諸多問題。

2、目前針對隧道裂縫的識別還有拍照測量法，這是最常用的方法之一，通過運(yùn)用照相機(jī)、錄像機(jī)、放射線、紅外線拍照等技術(shù)手段，對隧道表面進(jìn)行詳細(xì)的拍攝和記錄。拍攝到的圖像可以進(jìn)一步通過圖像處理軟件進(jìn)行裂縫的識別和測量。但是部分圖像處理軟件本身運(yùn)行速度過慢，識別精度過低，而且無法對大規(guī)模數(shù)據(jù)進(jìn)行歸一化處理，造成誤判，嚴(yán)重影響著隧道安全。

3、近年來，國內(nèi)外雖存在部分人工智能識別隧道裂縫的應(yīng)用，但這些算法仍存在以下問題：

4、首先，裂縫特征的復(fù)雜性隧道裂縫可能具有多種形態(tài)和特征，如寬度、長度、方向等，且可能受到隧道結(jié)構(gòu)、材料、使用年限等多種因素的影響。這使得裂縫特征的提取和識別變得相當(dāng)復(fù)雜，需要算法具備強(qiáng)大的特征學(xué)習(xí)和處理能力。

5、其次，由于不同隧道的結(jié)構(gòu)和環(huán)境可能存在較大差異，因此算法需要具備較好的泛化能力，能夠適應(yīng)各種復(fù)雜情況。

6、然而，目前的一些算法可能僅針對特定類型的隧道或裂縫進(jìn)行訓(xùn)練和優(yōu)化，導(dǎo)致在實際應(yīng)用中表現(xiàn)不佳。并且在實際應(yīng)用中，通常需要算法能夠在短時間內(nèi)對大量圖像進(jìn)行快速處理，同時保證識別的準(zhǔn)確性。然而，這兩者往往存在一定的矛盾。提高算法的實時性可能會犧牲一定的準(zhǔn)確性，反之亦然。因此，如何在兩者之間找到最佳的平衡點是一個重要的問題。

技術(shù)實現(xiàn)思路

1、為了解決在準(zhǔn)確識別隧道裂縫上算法的實時性問題，以及常規(guī)算法泛化性不強(qiáng)問題，本發(fā)明提供一種基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法。

2、為解決上述技術(shù)問題，本發(fā)明提出的技術(shù)方案為：

3、一種基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法，包括以下步驟：

4、步驟s1，進(jìn)行數(shù)據(jù)預(yù)處理：對獲取的裂縫圖像進(jìn)行預(yù)處理，得到訓(xùn)練集、測試集和驗證集；

5、步驟s2，構(gòu)建多層塊內(nèi)自關(guān)注網(wǎng)絡(luò)的主干網(wǎng)絡(luò)和殘差分支網(wǎng)絡(luò)；

6、步驟s3，計算自注意力，并使用殘差思想融合多層塊內(nèi)自關(guān)注網(wǎng)絡(luò)塊輸出；

7、步驟s4，通過動態(tài)密集堆棧特征金字塔提取特征值；

8、所述步驟s4中，具體包括以下內(nèi)容：

9、s4-1，步驟s2構(gòu)建的主干網(wǎng)絡(luò)為多路徑帶特征圖的主干網(wǎng)絡(luò)，其中每個路徑與其它路徑通過橫向連接相互交織，形成并行的動態(tài)密集堆棧特征金字塔網(wǎng)格；

10、s4-2，對主干網(wǎng)絡(luò)中的特征層次結(jié)構(gòu)進(jìn)行降維處理，即通過1×1卷積降低通道數(shù)量，生成多個動態(tài)密集堆棧金字塔路徑，每個動態(tài)密集堆棧金字塔路徑包含多個特征層；

11、s4-3，采樣特征融合輸出最終的特征圖。

12、作為上述技術(shù)方案的進(jìn)一步改進(jìn)為：

13、優(yōu)選地，所述步驟s1中，具體包括以下步驟：

14、s1-1，進(jìn)行初步篩選：根據(jù)需求篩選出符合要求的含有隧道裂縫目標(biāo)的原始照片，形成數(shù)據(jù)集；

15、s1-2，進(jìn)行標(biāo)注：對數(shù)據(jù)集進(jìn)行標(biāo)注，得到標(biāo)注后的數(shù)據(jù)集；

16、s1-3，進(jìn)行數(shù)據(jù)集分類：將標(biāo)注后的數(shù)據(jù)集劃分為初始訓(xùn)練集、初始驗證集、初始測試集；

17、s1-4，對初始訓(xùn)練集、初始驗證集和初始測試集進(jìn)行數(shù)據(jù)擴(kuò)增，分別得到訓(xùn)練集、驗證集和測試集，構(gòu)成殘差特征；所述數(shù)據(jù)擴(kuò)增包括旋轉(zhuǎn)90°、旋轉(zhuǎn)180°、旋轉(zhuǎn)270°、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、色彩抖動和高斯噪聲。

18、優(yōu)選地，所述步驟s2中，主干網(wǎng)絡(luò)包括基于偏移滑塊的自注意力模塊，殘差分支網(wǎng)絡(luò)包括ln層和殘差，每個多層塊內(nèi)自關(guān)注網(wǎng)絡(luò)塊由基于偏移滑塊的自注意力模塊、ln層和殘差連接構(gòu)成。

19、優(yōu)選地，所述步驟s2中，具體步驟為：

20、s2-1，構(gòu)造第1級：將步驟s1中經(jīng)劃分和數(shù)據(jù)擴(kuò)增處理后的若干殘差特征維度變成s，送入多層塊內(nèi)自關(guān)注網(wǎng)絡(luò)塊的自注意力模塊；

21、s2-2，構(gòu)造第2-4級：對于每一級，經(jīng)歷一個殘差合并后，將輸入依照2x2的相鄰殘差合并，殘差塊的數(shù)量為h/8xw/8，特征維度降為4s，然后送入多級的w-msa中。

22、優(yōu)選地，所述步驟s3中，劃歸殘差，在每個特征層中，每個窗口內(nèi)計算自注意；在下一特征層中，窗口分區(qū)被移動，產(chǎn)生了新的窗口。新窗口中的自注意計算跨越層中以前窗口的邊界，提供它們之間的連接，計算公式如下：

23、；

24、其中，r表示refer，是查詢向量；h表示hinge，是鍵向量；v表示value，是值向量；是縮放系數(shù)；

25、將殘差塊的輸出與多層塊內(nèi)自關(guān)注網(wǎng)絡(luò)輸出相加，再次經(jīng)過激活函數(shù)得到特征圖輸出；通過堆疊多個殘差塊構(gòu)建深層網(wǎng)絡(luò)，每個殘差塊的輸出作為下一個殘差塊的輸入，逐層堆疊。

26、本發(fā)明提供的基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法，與現(xiàn)有技術(shù)相比，有以下優(yōu)點：

27、本發(fā)明的基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法，利用多層塊內(nèi)自關(guān)注網(wǎng)絡(luò)和動態(tài)密堆疊特征金字塔，旨在克服隧道裂縫識別中遇到的問題，尤其是微小裂縫難以察覺、環(huán)境因素干擾、裂縫背景特征復(fù)雜等。本發(fā)明通過數(shù)據(jù)采集、預(yù)處理和深度學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)建，提高了隧道裂縫識別的精確度和實時性，從而為隧道健康監(jiān)測和維護(hù)提供更有效的工具。

28、本發(fā)明的基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法，多層塊內(nèi)自關(guān)注網(wǎng)絡(luò)主干網(wǎng)絡(luò)的自關(guān)注機(jī)制能夠在不同層塊上對圖像進(jìn)行特征提取，并且通過多個層塊的連接和堆疊來增強(qiáng)特征表示的復(fù)雜性和表達(dá)能力，從而能夠更好地捕捉圖像中微小裂縫的細(xì)微特征，解決裂縫背景特征復(fù)雜等問題。

技術(shù)特征：

1.一種基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法，其特征在于，所述步驟s1中，具體包括以下步驟：

3.根據(jù)權(quán)利要求2所述的基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法，其特征在于，所述步驟s2中，主干網(wǎng)絡(luò)包括基于偏移滑塊的自注意力模塊，殘差分支網(wǎng)絡(luò)包括ln層和殘差，每個多層塊內(nèi)自關(guān)注網(wǎng)絡(luò)塊由基于偏移滑塊的自注意力模塊、ln層和殘差連接構(gòu)成。

4.根據(jù)權(quán)利要求3所述的基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法，其特征在于，所述步驟s2中，具體步驟為：

5.根據(jù)權(quán)利要求1所述的基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法，其特征在于，所述步驟s3中，劃歸殘差，在每個特征層中，每個窗口內(nèi)計算自注意；在下一特征層中，窗口分區(qū)被移動，產(chǎn)生了新的窗口；新窗口中的自注意計算跨越層中以前窗口的邊界，提供它們之間的連接，計算公式如下：

技術(shù)總結(jié)
本發(fā)明公開了一種基于動態(tài)密集堆棧特征金字塔的隧道裂縫識別算法，涉及隧道裂縫識別算法技術(shù)領(lǐng)域，具體為：S1，對獲取的裂縫圖像進(jìn)行預(yù)處理；S2，構(gòu)建多層塊內(nèi)自關(guān)注網(wǎng)絡(luò)的主干網(wǎng)絡(luò)和殘差分支網(wǎng)絡(luò)；S3，計算自注意力，使用殘差思想融合多層塊內(nèi)自關(guān)注網(wǎng)絡(luò)塊輸出；S4，通過動態(tài)密集堆棧特征金字塔提取特征值；步驟S4包括：主干網(wǎng)絡(luò)為多路徑帶特征圖，路徑之間通過橫向連接相互交織，形成并行的動態(tài)密集堆棧特征金字塔網(wǎng)格；對主干網(wǎng)絡(luò)的特征層次結(jié)構(gòu)進(jìn)行降維處理，生成多個動態(tài)密集堆棧金字塔路徑；采樣特征融合輸出特征圖進(jìn)行識別。本發(fā)明的識別算法，通過數(shù)據(jù)采集、預(yù)處理和深度學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)建，提高隧道裂縫識別的精確度和實時性。

技術(shù)研發(fā)人員：陳洋卓,熊建坤,李俊超,朱東健,任揚(yáng),蔡曉雯,徐玲林
受保護(hù)的技術(shù)使用者：湘潭大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10