(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210779409.2 (22)申请日 2022.07.04 (71)申请人 长沙理工大 学 地址 410114 湖南省长 沙市天心区万家丽 南路二段96 0号长沙理工大 学 (72)发明人 胡宏伟　李梓睿　王磊　何知义　 徐晓强　戴理朝　易可夫　吕铎　 (74)专利代理 机构 长沙楚为知识产权代理事务 所(普通合伙) 43217 专利代理师 李大为 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种混凝 土细小裂缝识别方法 (57)摘要 本发明公开了一种混凝土细小裂缝的识别 方法， 并提出了一种融合了多级特征提取处理、 注意力模块处理和 融合模块处理的新的神经网 络模型。 所述方法包括以下步骤： 获取目标混凝 土图片搭建数据集； 设计一种融合了多级特征提 取处理、 注 意力模块处理和融合模块处理的神经 网络模型； 在计算平台上编程训练该神经网络结 构； 将需要检测的混凝土图片通过训练好的神经 网络获取目标混凝土图片中的细小缝隙成像。 本 发明旨在提高混凝 土细小裂缝的检测精度。 权利要求书2页 说明书7页 附图5页 CN 115131664 A 2022.09.30 CN 115131664 A 1.一种混凝 土细小裂缝的识别方法， 其特 征在于， 所述方法包括以下步骤： 获取目标混凝 土图片； 将目标混凝土图片通过训练好的新的神经网络模型获取目标混凝土图片中的细小缝 隙成像， 其中新的神经网络模型包括对目标混凝土图片进行多级特征提取处理、 注意力模 块处理和融合模块处 理。 2.根据权利要求1中所述的混凝土细小裂缝的识别方法， 其特征在于， 所述将目标混凝 土图片通过训练好的新的神经网络模型获取目标混凝土图片中的细 小缝隙成像的步骤， 包 括： 将目标混凝土 图片进行多级特征提取处理， 直至得到最后级别的第一输出特征信息， 其中将上一级别的特征提取处理后的第一输出特征信息作为下一级别特征提取处理的输 入信息； 将各级别的第 一输出特征信 息分别进行注意力模块处理， 得到对应的各级别的第 二输 出特征信息， 并将最后级别的第二输出特征信息进 行1×1卷积操作得到优化后的最后级别 的第二输出 特征信息； 将优化后的最后级别的第二输出特征信息与最后级别上一级的第二输出特征信息进 行融合模块处 理得到最后级别上一级的第三输出 特征信息； 将余下各级别的第二输出特征信息与其下一级别的第三输出特征信息进行融合模块 处理得到对应级别的第三输出 特征信息， 直至得到第一级别的第三输出 特征信息； 将第一级别的第三输出特征信息分别进行3 ×3卷积操作、 ×2操作以及1 ×1卷积操作 得到目标混凝 土图片中的细小缝隙成像。 3.根据权利要求2中所述的混凝土细小裂缝的识别方法， 其特征在于， 所述将目标混凝 土图片进行多级特征提取处理， 直至得到最后级别的第一输出特征信息， 其中将上一级别 的特征提取处理后的第一输出特征信息作为下一级别特征提取 处理的输入信息的步骤， 包 括： 将目标混凝土图片或各输入信息依次进行两次3 ×3卷积操作、 最大池化操作和 LeakRelu激活函数操作得到对应的各级别的第一输出 特征信息。 4.根据权利要求2中所述的混凝土细小裂缝的识别方法， 其特征在于， 所述将各级别的 第一输出特征信息 分别进行注意力模块处理， 得到对应的各级别的第二输出特征信息的步 骤， 包括： 将各级别的第 一输出特征信息依次进行压缩操作和激励操作 得到对应的1 ×1×C特征 信息； 并将各1×1×C特征信息对对应的各级别的第一输出特征信息进行scale操作得到对 应的各级别的第二输出 特征信息。 5.根据权利要求4中所述的混凝土细小裂缝的识别方法， 其特征在于， 所述将各级别的 第一输出特征信息依次进行压缩操作和激励操作得到对应的1 ×1×C特征信息的步骤， 包 括： 将各级别的第 一输出特征信 息进行全局 平均化处理、 两次全连接层处理以及单次全连 接处理后进行对应LeakRelu激活函数、 Sigmiod激活函数操作得到对应的1 ×1×C特征信 息。权　利　要　求　书 1/2 页 2 CN 115131664 A 26.根据权利要求2中所述的混凝土细小裂缝的识别方法， 其特征在于， 所述将优化后的 最后级别的第二输出特征信息与最后级别上一级的第二输出特征信息进行融合模块处理 得到最后级别上一级的第三输出 特征信息的步骤， 包括： 将优化后的最后一级别的第二输出特征信息依次进行 ×2操作、 LeakRelu激活函数操 作和归一 化处理得到第一处 理信息； 将最后级别上一级的第二输出特征信息依次进行1 ×1卷积操作、 LeakRelu激活函数操 作和归一 化处理得到第二处 理信息； 将各第一处理信息和对应的第二处理信息进行级联操作得到最后级别上一级的第三 输出特征信息。 7.根据权利要求2中所述的混凝土细小裂缝的识别方法， 其特征在于， 所述将余下各级 别的第二输出特征信息与其下一级别的第三输出特征信息进行融合模块处理得到对应级 别的第三输出 特征信息， 直至得到第一级别的第三输出 特征信息的步骤， 包括； 将余下各级别的第二输出特征信息进行1 ×1卷积操作、 LeakRelu激活函数操作和归一 化处理得到第三处 理信息； 将余下各级别的下一级别的第三输出特征信息依次进行 ×2操作、 LeakRelu激活函数 操作和归一 化处理得到第四处 理信息； 将各第三处理信息和对应的第四处理信息进行级联操作得到余下各级别的第三输出 特征信息。 8.根据权利要求1至7中任一项所述的混凝土细小裂缝的识别方法， 其特征在于， 所述 获取目标混凝 土图片之前， 还 包括： 创建混凝土裂缝图片样本集， 并标注各图片所对应的裂纹信息， 所述样本集包括训练 集和测试集； 将标记有裂纹信息的训练集和测试集 内的图片在pytorch环境中进行UNet网络模型训 练， 得到训练好的新的神经网络模型， 其中设置的损失函数为焦点损失函数。 9.根据权利要求8所述的混凝土细小裂缝的识别方法， 其特征在于， 所述损失函数聚焦 的数学表达式为： FL(Pt)＝‑αt(1‑Pt)γIog(Pt)‑(1‑αt)(Pt)γlog(1‑Pt)； 其中γ为可聚焦参数， γ≥0， αt为引入权 重系数， (1 ‑Pt)γ为引入权 重。 10.根据权利要求9所述的混凝 土细小裂缝的识别方法， 其特 征在于， 所述γ为2。权　利　要　求　书 2/2 页 3 CN 115131664 A 3