一种基于AAMC-Net的图像裂缝分割检测方法及系统

本发明涉及裂缝检测，具体涉及一种基于aamc-net的图像裂缝分割检测方法及系统。

背景技术：

1、中国作为基建大国，其全国公路总里程528万公里，如何进行道路裂缝智能检测实现智慧交通应用成为重点。随着科技发展，数字图像处理应用于裂缝检测越来越成熟。其中，chunbo xiu等人提出使用sobel算子与cv模型相结合的图像边缘检测方法解决灰度不均匀图像分割效果差问题；韦春桃等人采用自适应阈值进行裂缝边缘提取，有效降低噪声干扰。以上方法虽能有效提高裂缝特征提取效果，但受复杂光照、背景等外界条件影响，导致有效特征信息提取效果差，裂缝细节处理差，影响检测精准度。

2、人工智能用于计算机视觉成为“智能+”时代发展新方向，以深度学习、卷积神经网络为主，其中最经典为fcn、u-net、u-net++模型。其中，dung等人提出基于fcn的自动裂缝识别，该算法使用卷积层代替cnn全连接层，可实现对任意尺度图片的分类，fcn计算效率低，感受野太小，无法获得全局和细节信息，进而影响检测结果准确率；翁飘等人使用4倍采样的fcn模型对裂缝进行识别，该算法虽能增大感受野，但4倍采样层将增加模型的计算时间和复杂度。王丹等人提出基多尺度全卷积与crf路面裂缝检测算法，该算法通过融合3条不同空洞率的空洞卷积构建多尺度模型。该模型能有效增大感受野、减少模型计算参数，但因条件随机场(crf)加入，使模型推断速率下降、训练时间长。朱苏雅等人提出基于u-net卷积网络的桥梁裂缝检测方法，该算法使用u-net网络对裂缝进行粗提取，再使用改进dijkstra算法实现裂缝连接，虽能有效提高裂缝检测准确率，但模型实现难度增加，图像细节检测效果不佳，普适度差。

技术实现思路

1、本发明所要解决的技术问题为：现有技术的裂缝分割检测方法中细节的分割检测效果不佳，训练时间长。

2、本发明解决上述技术问题的技术方案如下：

3、图像预处理，利用融合模糊聚类的蚁群边缘检测算子对裂缝图像进行边缘提取得到边缘特征图；利用cbam混合域注意力机制进行裂缝图像特征强化，将强化后的特征图与边缘特征图进行融合；

4、使用编码器进行特征提取，编码器基于vgg_l网络模型，包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、cbam模块和双尺度空洞卷积模块；

5、对提取的特征进行解码，解码器包括第一反卷积模块、第二反卷积模块、第三反卷积模块、第四反卷积模块和第五反卷积模块，其中，第二反卷积模块至第五反卷积模块的输入特征包含来自编码器中对应层级的跳层连接特征；

6、对解码后的特征进行降维操作，得到分割结果。

7、本发明的有益效果是：对图像利用融合模糊聚类的蚁群边缘检测算子对裂缝图像进行边缘提取得到边缘特征图，利用cbam混合域注意力机制对裂缝图像进行特征强化，并对二者进行特征融合，能够增强特征图像全局纹理、局部纹理和边缘细节信息；使用的双尺度空洞卷积对不同尺寸裂缝进行感知，能够提高裂缝识别的准确度。裂缝图像分割的难点在于细节和边缘处，现有技术中，cbam注意力机制应用于网络编码器中，本发明创造性地在预处理中使用cbam模块对特征图进行强化处理，增强图像的全局特征和纹理特征；使用模糊聚类的蚁群边缘算子进行图像边缘提取，以增强处理边缘特征，将特征强化图和边缘提取图进行融合处理，得到预处理图像增强图，增强分割边界的细节信息。边缘提取对原图进行一次处理，cbam通过模型训练进行反向传播，能够对增强的特征图处理进行自适应调整。使得本发明的分割效果和分割细节性优于现有技术，具体实验数据见具体实施方式。

8、进一步地，所述第一特征提取模块和第二特征提取模块包括依次连接的两个卷积层和一个最大池化层，每个卷积层后还包括relu操作。

9、进一步地，所述第三特征提取模块和第四特征提取模块包括依次连接的三个卷积层一个最大池化层，每个卷积层后还包括relu操作。

10、进一步地，所述双尺度卷积模块中，两个通道的空洞率分别为1和2，每个通道中进行一次空洞卷积运算后再经过三次卷积操作以对尺寸进行归一化，其中对于空洞率为1的通道，三次卷积的卷积核大小依次选取为3、3和1，对空洞率为2的通道，三次卷积的卷积核依次选取为3、1、1，两个通道的特征图使用特征加权运算进行融合。

11、上述第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、cbam模块和双尺度空洞卷积模块共同构成了vgg-l模型，作为整个网络的编码器，在现有的vgg模型上，对其进行了简化，并加入了cbam模块和双尺度空洞卷积模块，能够使得模型具有更大的感受野以获取全局信息，更加注意边缘细节这些难分割的地方，减少训练时间。

12、为解决上述技术问题，本发明还提供了一种基于aamc-net的图像裂缝分割检测系统，包括：

13、图像预处理模块，用于通过融合模糊聚类的蚁群边缘检测算子对裂缝图像进行边缘提取得到边缘特征图；用于通过cbam混合域注意力机制对裂缝图像进行特征强化，并将强化后的特征图与边缘特征图进行融合。

14、特征编码模块，用于对图像预处理模块得到的融合特征图进行编码。

15、特征解码模块，用于对编码后的特征进行解码。

16、特征降维模块，用于对解码后的特征进行降维以得到输出结果。

17、所述特征编码模块采用vgg_l网络，包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、cbam模块和双尺度空洞卷积模块。

18、所述特征解码模块包括第一反卷积模块、第二反卷积模块、第三反卷积模块、第四反卷积模块和第五反卷积模块，其中，第二反卷积模块至第五反卷积模块的输入特征包含来自特征编码模块中对应层级的跳层连接特征。

19、所述双尺度空洞卷积模块中，两个通道的空洞率分别为1和2，每个通道中进行一次空洞卷积运算后再经过三次卷积操作以对尺寸进行归一化，其中对于空洞率为1的通道，三次卷积的卷积核大小依次选取为3、3和1，对空洞率为2的通道，三次卷积的卷积核依次选取为3、1、1，两个通道的特征图使用特征加权运算进行融合。

20、优选地，模型的损失函数采用mseloss函数，采用采用adam参数优化算法进行优化。

21、为解决上述技术问题，本发明还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前所述的基于aamc-net的图像裂缝分割检测方法。

22、为解决上述技术问题，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的基于aamc-net的图像裂缝分割检测方法。

技术特征：

1.一种基于aamc-net的图像裂缝分割检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于aamc-net的图像裂缝分割检测方法，其特征在于，所述第一特征提取模块和第二特征提取模块包括依次连接的两个卷积层和一个最大池化层，每个卷积层后还包括relu操作。

3.根据权利要求1所述的一种基于aamc-net的图像裂缝分割检测方法，其特征在于，所述第三特征提取模块和第四特征提取模块包括依次连接的三个卷积层一个最大池化层，每个卷积层后还包括relu操作。

4.根据权利要求1所述的一种基于aamc-net的图像裂缝分割检测方法，其特征在于，所述双尺度空洞卷积模块中，两个通道的空洞率分别为1和2，每个通道中进行一次空洞卷积运算后再经过三次卷积操作以对尺寸进行归一化，其中对于空洞率为1的通道，三次卷积的卷积核大小依次选取为3、3和1，对空洞率为2的通道，三次卷积的卷积核依次选取为3、1、1，两个通道的特征图使用特征加权运算进行融合。

5.根据权利要求1所述的一种基于aamc-net的图像裂缝分割检测方法，其特征在于，模型的损失函数采用mseloss函数，并采用adam参数优化算法进行自适应。

6.一种基于aamc-net的图像裂缝分割检测系统，其特征在于，包括：

7.根据权利要求6所述的一种基于aamc-net的图像裂缝分割检测系统，其特征在于，所述特征编码模块采用vgg_l网络模型，包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、cbam模块和双尺度空洞卷积模块；

8.根据权利要求6所述的一种基于aamc-net的图像裂缝分割检测系统，其特征在于，所述双尺度空洞卷积模块中，两个通道的空洞率分别为1和2，每个通道中进行一次空洞卷积运算后再经过三次卷积操作以对尺寸进行归一化，其中对于空洞率为1的通道，三次卷积的卷积核大小依次选取为3、3和1，对空洞率为2的通道，三次卷积的卷积核依次选取为3、1、1，两个通道的特征图使用特征加权运算进行融合。

9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的基于aamc-net的图像裂缝分割检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于aamc-net的图像裂缝分割检测方法。

技术总结
本发明公开了一种基于AAMC‑Net的图像裂缝分割检测方法及其系统，涉及裂缝检测技术领域，本发明利用融合模糊聚类的蚁群边缘检测算子对图像进行边缘提取，利用CBAM混合域注意力机制强化裂缝图像特征，并对二者进行特征融合；使用编码器进行特征提取，编码器包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、CBAM模块和双尺度空洞卷积模块。本发明对图像利用融合模糊聚类的蚁群边缘检测算子对裂缝图像进行边缘提取，利用CBAM混合域注意力机制对裂缝图像进行特征强化，并对二者进行特征融合，能够增强特征图像全局纹理、局部纹理和裂缝边缘细节信息；使用的双尺度空洞卷积对不同尺寸裂缝进行感知，能够提高裂缝识别的准确度。

技术研发人员：王小芳,刘承芳,周亮,王朋,肖鹏宇
受保护的技术使用者：四川吉利学院
技术研发日：
技术公布日：2024/1/13