基于动态密集堆栈特征金字塔的隧道裂缝识别算法

本发明涉及隧道裂缝识别算法，特别是涉及一种基于动态密集堆栈特征金字塔的隧道裂缝识别算法。

背景技术：

1、隧道裂缝识别是隧道健康监测和维护中的一项重要任务，目前面临着一些困难和挑战。目前在隧道裂缝识别中主要依靠人工评价，存在明显不足，首先，裂缝细微难以察觉：一些微小的裂缝在桥梁表面并不明显，肉眼难以发现，尤其是当裂缝宽度小于0.2mm时，传统的目视检测方法很难准确识别；其次，环境因素干扰：光照条件、隧道表面的污渍、水迹等因素都可能影响裂缝识别的准确性。随着科学技术与时俱进，传统识别隧道裂缝的方式逐渐走向现代化，在裂缝识别中通过人工智能等方式进行识别，但存在有效率低，识别精确度不高等诸多问题。

2、目前针对隧道裂缝的识别还有拍照测量法，这是最常用的方法之一，通过运用照相机、录像机、放射线、红外线拍照等技术手段，对隧道表面进行详细的拍摄和记录。拍摄到的图像可以进一步通过图像处理软件进行裂缝的识别和测量。但是部分图像处理软件本身运行速度过慢，识别精度过低，而且无法对大规模数据进行归一化处理，造成误判，严重影响着隧道安全。

3、近年来，国内外虽存在部分人工智能识别隧道裂缝的应用，但这些算法仍存在以下问题：

4、首先，裂缝特征的复杂性隧道裂缝可能具有多种形态和特征，如宽度、长度、方向等，且可能受到隧道结构、材料、使用年限等多种因素的影响。这使得裂缝特征的提取和识别变得相当复杂，需要算法具备强大的特征学习和处理能力。

5、其次，由于不同隧道的结构和环境可能存在较大差异，因此算法需要具备较好的泛化能力，能够适应各种复杂情况。

6、然而，目前的一些算法可能仅针对特定类型的隧道或裂缝进行训练和优化，导致在实际应用中表现不佳。并且在实际应用中，通常需要算法能够在短时间内对大量图像进行快速处理，同时保证识别的准确性。然而，这两者往往存在一定的矛盾。提高算法的实时性可能会牺牲一定的准确性，反之亦然。因此，如何在两者之间找到最佳的平衡点是一个重要的问题。

技术实现思路

1、为了解决在准确识别隧道裂缝上算法的实时性问题，以及常规算法泛化性不强问题，本发明提供一种基于动态密集堆栈特征金字塔的隧道裂缝识别算法。

2、为解决上述技术问题，本发明提出的技术方案为：

3、一种基于动态密集堆栈特征金字塔的隧道裂缝识别算法，包括以下步骤：

4、步骤s1，进行数据预处理：对获取的裂缝图像进行预处理，得到训练集、测试集和验证集；

5、步骤s2，构建多层块内自关注网络的主干网络和残差分支网络；

6、步骤s3，计算自注意力，并使用残差思想融合多层块内自关注网络块输出；

7、步骤s4，通过动态密集堆栈特征金字塔提取特征值；

8、所述步骤s4中，具体包括以下内容：

9、s4-1，步骤s2构建的主干网络为多路径带特征图的主干网络，其中每个路径与其它路径通过横向连接相互交织，形成并行的动态密集堆栈特征金字塔网格；

10、s4-2，对主干网络中的特征层次结构进行降维处理，即通过1×1卷积降低通道数量，生成多个动态密集堆栈金字塔路径，每个动态密集堆栈金字塔路径包含多个特征层；

11、s4-3，采样特征融合输出最终的特征图。

12、作为上述技术方案的进一步改进为：

13、优选地，所述步骤s1中，具体包括以下步骤：

14、s1-1，进行初步筛选：根据需求筛选出符合要求的含有隧道裂缝目标的原始照片，形成数据集；

15、s1-2，进行标注：对数据集进行标注，得到标注后的数据集；

16、s1-3，进行数据集分类：将标注后的数据集划分为初始训练集、初始验证集、初始测试集；

17、s1-4，对初始训练集、初始验证集和初始测试集进行数据扩增，分别得到训练集、验证集和测试集，构成残差特征；所述数据扩增包括旋转90°、旋转180°、旋转270°、水平翻转、垂直翻转、色彩抖动和高斯噪声。

18、优选地，所述步骤s2中，主干网络包括基于偏移滑块的自注意力模块，残差分支网络包括ln层和残差，每个多层块内自关注网络块由基于偏移滑块的自注意力模块、ln层和残差连接构成。

19、优选地，所述步骤s2中，具体步骤为：

20、s2-1，构造第1级：将步骤s1中经划分和数据扩增处理后的若干残差特征维度变成s，送入多层块内自关注网络块的自注意力模块；

21、s2-2，构造第2-4级：对于每一级，经历一个残差合并后，将输入依照2x2的相邻残差合并，残差块的数量为h/8xw/8，特征维度降为4s，然后送入多级的w-msa中。

22、优选地，所述步骤s3中，划归残差，在每个特征层中，每个窗口内计算自注意；在下一特征层中，窗口分区被移动，产生了新的窗口。新窗口中的自注意计算跨越层中以前窗口的边界，提供它们之间的连接，计算公式如下：

23、；

24、其中，r表示refer，是查询向量；h表示hinge，是键向量；v表示value，是值向量；是缩放系数；

25、将残差块的输出与多层块内自关注网络输出相加，再次经过激活函数得到特征图输出；通过堆叠多个残差块构建深层网络，每个残差块的输出作为下一个残差块的输入，逐层堆叠。

26、本发明提供的基于动态密集堆栈特征金字塔的隧道裂缝识别算法，与现有技术相比，有以下优点：

27、本发明的基于动态密集堆栈特征金字塔的隧道裂缝识别算法，利用多层块内自关注网络和动态密堆叠特征金字塔，旨在克服隧道裂缝识别中遇到的问题，尤其是微小裂缝难以察觉、环境因素干扰、裂缝背景特征复杂等。本发明通过数据采集、预处理和深度学习网络的构建，提高了隧道裂缝识别的精确度和实时性，从而为隧道健康监测和维护提供更有效的工具。

28、本发明的基于动态密集堆栈特征金字塔的隧道裂缝识别算法，多层块内自关注网络主干网络的自关注机制能够在不同层块上对图像进行特征提取，并且通过多个层块的连接和堆叠来增强特征表示的复杂性和表达能力，从而能够更好地捕捉图像中微小裂缝的细微特征，解决裂缝背景特征复杂等问题。

技术特征：

1.一种基于动态密集堆栈特征金字塔的隧道裂缝识别算法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于动态密集堆栈特征金字塔的隧道裂缝识别算法，其特征在于，所述步骤s1中，具体包括以下步骤：

3.根据权利要求2所述的基于动态密集堆栈特征金字塔的隧道裂缝识别算法，其特征在于，所述步骤s2中，主干网络包括基于偏移滑块的自注意力模块，残差分支网络包括ln层和残差，每个多层块内自关注网络块由基于偏移滑块的自注意力模块、ln层和残差连接构成。

4.根据权利要求3所述的基于动态密集堆栈特征金字塔的隧道裂缝识别算法，其特征在于，所述步骤s2中，具体步骤为：

5.根据权利要求1所述的基于动态密集堆栈特征金字塔的隧道裂缝识别算法，其特征在于，所述步骤s3中，划归残差，在每个特征层中，每个窗口内计算自注意；在下一特征层中，窗口分区被移动，产生了新的窗口；新窗口中的自注意计算跨越层中以前窗口的边界，提供它们之间的连接，计算公式如下：

技术总结本发明公开了一种基于动态密集堆栈特征金字塔的隧道裂缝识别算法，涉及隧道裂缝识别算法技术领域，具体为：S1，对获取的裂缝图像进行预处理；S2，构建多层块内自关注网络的主干网络和残差分支网络；S3，计算自注意力，使用残差思想融合多层块内自关注网络块输出；S4，通过动态密集堆栈特征金字塔提取特征值；步骤S4包括：主干网络为多路径带特征图，路径之间通过横向连接相互交织，形成并行的动态密集堆栈特征金字塔网格；对主干网络的特征层次结构进行降维处理，生成多个动态密集堆栈金字塔路径；采样特征融合输出特征图进行识别。本发明的识别算法，通过数据采集、预处理和深度学习网络的构建，提高隧道裂缝识别的精确度和实时性。技术研发人员：陈洋卓,熊建坤,李俊超,朱东健,任扬,蔡晓雯,徐玲林受保护的技术使用者：湘潭大学技术研发日：技术公布日：2024/10/10