(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 202210897361.5 (22)申请日 2022.07.28 (71)申请人 华南农业大 学 地址 510642 广东省广州市天河区五山 (72)发明人 张伟锋　袁嘉豪　韦未　岳学军　 文建华　张明帮　毕敏娜　申君　 周学民　陈明辉　程小勇　张金平　 张华清　李广　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 吴松滨 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种裂缝检测方法 (57)摘要 本申请属于混凝土结构裂缝检测技术领域， 公开了一种裂缝检测方法。 通过获取裂缝图像， 按比例划分为训练集、 验证集和测试集； 基于 DeepLabv3+网络模型搭建DeepLabv3+(N ‑S)语义 分割模型； 使用训练集和验证集中的裂缝图像对 DeepLabv3+(N ‑S)语义分割模型进行训练， 调整 模型参数， 得到训练好的DeepLabv3+(N ‑S)语义 分割模型； 将测试集中的裂缝图像输入训练好的 DeepLabv3+(N ‑S)语义分割模型中得到二值掩膜 图像， 输入裂缝参数计算模块计算裂缝参数， 根 据所述裂缝参数判断裂缝严重程度。 构建的语义 分割模型的训练参数少， 提高裂缝分割精度， 降 低了裂缝参数计算 误差。 权利要求书2页 说明书10页 附图3页 CN 115240070 A 2022.10.25 CN 115240070 A 1.一种裂缝检测方法， 其特 征在于， 所述方法包括： 获取裂缝图像， 按比例将所述裂缝图像划分为训练集、 验证集和 测试集； 基于DeepLabv3+网络模型搭建DeepLabv3+(N ‑S)语义分割模型， 其中DeepLabv3+(N ‑S) 语义分割模 型包括编码 器和解码 器， 所述编码器包括改进的主干网络ResNet101 ‑S， 空间金 字塔池化模块ASPP和Non ‑local block注意力机制模块， 其中所述编码器的输出端连接所 述解码器的输入端， 所述改进的主干网络ResNet101 ‑S的输出端连接所述Non ‑local block 注意力机制模块的输入端， 所述Non ‑localblock注 意力机制模块的输出端 连接空间金字塔 池化模块AS PP的输入端； 使用所述训练集和验证集 中的裂缝图像对所述DeepLab v3+(N‑S)语义分割模型进行训 练， 调整模型网络参数， 得到训练好的De epLabv3+(N ‑S)语义分割模型； 将所述测试集中的裂缝图像输入所述训练好的DeepLabv3+(N ‑S)语义分割模型中， 输 出所述裂缝图像的二值掩膜图像， 将所述二值掩膜图像输入裂缝参数计算模块计算裂缝参 数， 根据所述裂缝参数判断裂缝严重程度。 2.根据权利要求1所述的裂缝检测方法， 其特征在于， 所述将所述二值掩膜图像输入裂 缝参数计算模块计算裂缝参数的步骤 包括： 使用骨架提取算法来提取所述二值掩膜图像中裂缝的中轴 线， 选取所述中轴 线上的第 一像素点以及裂缝边缘上与所述第一像素点对应的第二像素点， 计算所述第一像素点和 第 二像素点的欧式距离， 得到裂缝在第一像素点处的裂缝像素宽度。 3.根据权利要求1所述的裂缝检测方法， 其特征在于， 所述基于DeepL abv3+网络模型搭 建DeepLabv3+(N ‑S)深度语义分割模型的步骤 包括： 修改DeepLabv3+网络模型的主干网络ResNet101的前端卷积核和修改B ottleneck瓶颈 单元的残差结构， 得到改进的主干网络ResNet101 ‑S， 构建改进主干网络的DeepLabv3+ 网络 模型,在所述改进主干网络的DeepLabv3+网络模型中嵌入Non ‑localblock注意力机制模 块， 得到De epLabv3+(N ‑S)语义分割模型。 4.根据权利要求3所述的裂缝检测方法， 其特征在于， 所述修改DeepL abv3+网络模型的 主干网络ResNet101的前端卷积核的步骤 包括： 使用3个3 ×3的卷积核替换所述主干网络ResNet101的7 ×7的前端卷积核， 并在第一个 3×3卷积核和第二个3 ×3卷积核之间以及第二个3 ×3卷积核和第三个3 ×3卷积核之间均 插入ReLU激活函数。 5.根据权利要求3所述的裂缝检测方法， 其特征在于， 所述修改Bottleneck瓶颈单元的 残差结构的步骤 包括： 将所述Bottleneck瓶颈单元的残差结构中的3 ×3卷积结构替换成一个1 ×3和一个3 × 1的卷积结构。 6.根据权利要求3所述的裂缝检测方法， 其特征在于， 所述在所述改进主干网络的 DeepLabv3+网络模型中嵌入N on‑local block注意力机制模块的步骤 包括： 将所述Non ‑localblock注意力机制模块嵌入到所述改进的主干网络ResNet101 ‑S的输 出端和空间金字塔池化模块ASPP模块的输入端之间以及 主干网络ResNet101 ‑S的输出端与 解码器的输入端之间。 7.根据权利要求1所述的裂缝检测方法， 其特征在于， 所述获取裂缝图像， 按比例将所权　利　要　求　书 1/2 页 2 CN 115240070 A 2述裂缝图像划分为训练集、 验证集和 测试集的步骤之后还 包括： 对所述训练集、 验证集和测试集中的每张裂缝图像进行轮廓标注， 得到每张裂缝图像 中的裂缝的标注值， 用于对所述De epLabv3+(N ‑S)语义分割模型进行训练。 8.根据权利要求7 所述的裂缝检测方法， 其特 征在于， 还 包括： 将所述训练集中的裂缝图像输入所述DeepLabv3+(N ‑S)语义分割模型中进行训练， 得 出裂缝的预测值； 根据所述预测值和所述标注值计算出损失值， 根据损失值调整所述 DeepLabv3+(N ‑S)语义分割模型的网络参数， 直到验证集验证后的损失值精度达到预设条 件， 固定所述DeepLabv3+(N ‑S)语义分割 模型的网络参数， 得到训练好的DeepLabv3+(N ‑S) 语义分割模型。 9.根据权利要求8所述的裂缝检测方法， 其特征在于， 根据 所述预测值和所述标注值计 算出损失值的步骤 包括： 利用引入L2正则化项的交叉熵损失函数计算损失值， 其中交叉熵损失函数的公式为： 其中loss代表损失值， y代表标签值， 代表预测值， Wi要训练的网络参数， n为网络参数 的数量， λ为权 重衰减系数。 10.根据权利要求8所述的裂缝检测方法， 其特征在于， 所述根据损失值调整所述 DeepLabv3+(N ‑S)语义分割模型的网络参数的步骤 包括： 网络参数调整策略为随机梯度下降法， 学习率设定为0.01， 动量参数设定为0.9， 学习 率衰减值设定为0.0 005。权　利　要　求　书 2/2 页 3 CN 115240070 A 3