(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 202211314399.1 (22)申请日 2022.10.26 (71)申请人 西南科技大 学 地址 621010 四川省绵阳市涪城区青龙 大 道中段59号 (72)发明人 陈波　张华　霍建文　陈春梅　 王贵锦　李林静　税宇航　王承银　 张雨楠　王琰铮　 (74)专利代理 机构 成都正德明志知识产权代理 有限公司 513 60 专利代理师 陈瑶 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/40(2022.01)G06V 10/74(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 一种特征增强和语义分割的桥梁裂缝识别 方法 (57)摘要 本发明公开了一种特征增强和语义分割的 桥梁裂缝识别方法， 包括以下步骤： S1、 采集包含 裂缝的桥梁图像， 构建桥梁裂缝数据集； S2、 通过 特征提取模型获取桥梁裂缝数据集的高维抽象 语义特征； S3、 采用裂缝特征增强模型对高维抽 象语义特征进行增强， 得到增强特征； S4、 根据增 强特征和高维抽象特征， 对桥梁裂缝图像进行逐 像素分类， 得到桥梁裂缝； 本发明解决了裂缝信 息在处理过程中被损失， 以及裂缝像素与背景像 素的不均衡， 造成裂缝特征识别精度不足的问 题。 权利要求书3页 说明书9页 附图3页 CN 115393725 A 2022.11.25 CN 115393725 A 1.一种特 征增强和语义分割的桥梁裂缝识别方法， 其特 征在于， 包括以下步骤： S1、 采集包 含裂缝的桥梁图像， 构建桥梁裂缝 数据集； S2、 通过特征提取模型获取桥梁裂缝 数据集的高维抽象语义特 征； S3、 采用裂缝 特征增强模型对高维抽象语义特 征进行增强， 得到增强特 征； S4、 根据增强特 征和高维抽象特 征， 对桥梁裂缝图像进行 逐像素分类， 得到桥梁裂缝。 2.根据权利要求1所述的特征增强和语义分割的桥梁裂缝识别方法， 其特征在于， 所述 步骤S2中特征提取模型包括： 第1稠密卷积块 （1_1） 至第50稠密卷积块 （1_50） ， 共50个稠密 卷积块； 第1跨步卷积 （2 _1） 至第16跨步卷积 （2 _16） ， 共16个跨步卷积； 第1反卷积 （3_1） 至第 13反卷积 （3_13） ， 共13个反卷积。 3.根据权利要求2所述的特征增强和语义分割的桥梁裂缝识别方法， 其特征在于， 所述 特征提取模型包括5个阶段： 第0阶段输入1种分辨率特征， 输出1种分辨率特征； 第1阶段输 入第0阶段输出的1种分辨率特征， 输出2种分辨率特征； 第2阶段输入第1阶段输出的2种分 辨率特征， 输出3种分辨率特征； 第3阶段输入第2阶段输出的3种分辨率特征， 输出4种分辨 率特征； 第4阶段将第3阶段输出的4种分辨 率特征进行融合； 所述稠密卷积块用于对相同分辨 率特征进行抽象特 征提取； 所述跨步卷积用于从高分辨 率特征获取低分辨 率的高维抽象特 征； 所述反卷积用于将低分辨 率特征与高分辨 率特征相加。 4.根据权利要求1所述的特征增强和语义分割的桥梁裂缝识别方法， 其特征在于， 所述 特征提取模型和裂缝 特征增强模型训练时， 损失函数为： 其中， 为损失函数， 损失函数包括： 第一种方式计算的误差结果和第二种方式计算 的误差结果 ， 为第一种方式计算的误差结果 ， 为第二种方式计算的误差结果； 第一种方式 函数具体计算过程如下： 若 ，则 计 算 误 差 序 列 中 所 有 满 足 条 件 的误差值的平均值作为 误差结果； 若 ， 则计算误差序列前 个值的平均值作为误差 结果； 其中， 逐像素计算预测概率与标签的误差值， 并降序排列， 得到误差序列， 为真实 概率， 为预测概 率， 为需要优化的误差值数量， 为概率阈值； 权　利　要　求　书 1/3 页 2 CN 115393725 A 2其中， 为单次参与训练的数据中裂缝像素与总像素的比值， 为单次参与训 练的数据中裂缝像素， 为单次参与训练的总像素， 为训练过程中单次参与训练 的数据量， 为训练过程中单次的分割类别数， 为训练过程中单次参与训练的数据 量的图像分辨 率。 5.根据权利要求3所述的特征增强和语义分割的桥梁裂缝识别方法， 其特征在于， 所述 步骤S2中特 征提取模型的输出为： 其中， 为特征提取模型中第 阶段输出 的第 种分辨率特征， ， 为 输入特征提取模型中第 阶段的第 种分辨率特征， 为特征提取模型中第 阶 段从第 种分辨率特征 到第 种分辨率特征 的映射函数。 6.根据权利要求5所述的特征增强和语义分割的桥梁裂缝识别方法， 其特征在于， 所述 映射函数 的表达式为： 其中， 为使用步长为2的3 ×3卷积将第 种分辨率特征下采样至第 种分辨率特征大小， 为使用步长为1的3 ×3卷积对第 种分辨率特征 进行特征提取但不改变分辨率大小， 为使用反卷积将第 种分辨率特征上采 样至第 种分辨率特征大小。 7.根据权利要求1所述的特征增强和语义分割的桥梁裂缝识别方法， 其特征在于， 所述 步骤S3包括以下分步骤： S31、 根据分割类别， 将高维抽象语义特征分割成两个粗分割特征 ， 其中， 粗分 割特征 对应裂缝像素类别， 粗分割特 征 对应背景像素类别； S32、 将两个粗分割特征 与高维抽象语义特征进行聚合， 得到目标类别的区 域； S33、 计算高维抽象语义特 征与每一类目标的区域关系， 得到目标类别的上 下文； S34、 将目标类别的上 下文与高维抽象语义特 征进行级联融合， 得到增强特 征。 8.根据权利要求7所述的特征增强和语义分割的桥梁裂缝识别方法， 其特征在于， 所述权　利　要　求　书 2/3 页 3 CN 115393725 A 3