CN114219968A - 一种基于MA-Xnet的路面裂缝分割方法 - Google Patents
一种基于MA-Xnet的路面裂缝分割方法 Download PDFInfo
- Publication number
- CN114219968A CN114219968A CN202111432233.5A CN202111432233A CN114219968A CN 114219968 A CN114219968 A CN 114219968A CN 202111432233 A CN202111432233 A CN 202111432233A CN 114219968 A CN114219968 A CN 114219968A
- Authority
- CN
- China
- Prior art keywords
- xnet
- network
- crack
- segmentation method
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于MA‑Xnet的路面裂缝分割方法，包括步骤S1：获取混凝土裂缝图像数据集；步骤S2：构建MA‑Xnet网络模型；步骤S3：训练MA‑Xnet网络模型；步骤S4：裂缝分割效果测试，利用训练好的MA‑Xnet网络模型对测试集中的样本进行分割，生成分割结果图。将两个基础的UNet的编码器的特征映射到对方的解码器部分形成一种双输入和输出的X形状的网络，再以Xnet作为基础网络，采用两个MobileNetV2特征提取作为双编码器，两个解码器部分加入了不同的注意力模块，分别对空间维度和通道维度上的语义依赖关系进行建模；然后将这两个注意力模块的输出进行融合生成最终结果图。在拥有不错的分割速度的同时，进一步提高了裂缝分割的精度。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于MA-Xnet的路面裂缝分割方法。
背景技术
路面裂缝的即时监测对道路基础设施的成功养护至关重要。随着城市化的不断扩大和高速公路的快速发展，混凝土道路的表面积越来越大。但随着建设时间的加长，公路的频繁使用和恶劣天气所引发的意外灾害，道路的路面会出现不同程度的凹陷和裂缝。这就导致维护这些道路以保持其可用状态的需求也越来越大。有效的裂缝检测方法有助于建立合适的道路养护和维修策略，节约养护预算，减少交通事故，保障人民的生命安全。
目前，已有的裂缝检测分割技术大多依赖于机器学习的一些算法，如基于阈值的方法、基于边缘的检测法、区域生长法、到更先进的Medoidshift算法和基于几何流的超像素快速生成算法TurboPixels。但这些算法普遍存在易受噪声影响、对复杂背景的鲁棒性不足、计算过程中会产生大量冗余而增加计算的复杂度等问题。
2015年来随着深度学习的发展，深度学习可以克服机器学习算法下学习能力弱，泛化能力有限，对复杂背景下的鲁棒性不足等缺陷。深度学习算法具有高度的概括和学些能力，能够精准的提取图像的特征，而且具有很高的实时性和更强的表达能力。
发明内容
本发明提供一种基于MA-Xnet的路面裂缝分割方法，旨在解决现有语义分割算法存在对细节不敏感、缺乏空间一致性、模型中参数过大，或者图像分割结果缺乏上下文信息，导致分割任务中模型训练慢、分割精度差的问题。
本发明是这样实现的，一种基于MA-Xnet的路面裂缝分割方法，其特征在于，包括以下步骤：
步骤S1：获取混凝土裂缝图像数据集，并将混凝土裂缝图像数据集中的所有图像按比例随机划分为训练集、验证集和测试集；
步骤S2：构建MA-Xnet网络模型，所述MA-Xnet网络为两个Mobile-Unet组成的双输入和输出的X型网络，其中，两个Mobile-Unet通过互换跳跃连接映射特征，所述MA-Xnet网络具有两个并行的端到端的编码器和解码器架构；
步骤S3：训练MA-Xnet网络模型，采用训练集中的样本和验证集中的样本对构建的MA-Xnet网络进行训练，采用Adam优化器算法基于训练数据迭代更新网络权重，直至MA-Xnet网络模型的损失值趋势收敛；
步骤S4：裂缝分割效果测试，利用训练好的MA-Xnet网络模型对测试集中的样本进行分割，生成分割结果图。
进一步的，步骤S1中，所述混凝土裂缝图像数据集随机选用在中东技术大学各个校园建筑收集的混凝土裂缝图像。
进一步的，步骤S2中，构建MA-Xnet网络模型的具体步骤包括：将两个Mobile-Unet的编码器的特征映射到对方的解码器部分形成一种双输入和输出的X形状网络，再以X形状网络作为基础网络，采用两个MobileNetV2特征提取作为双编码器，两个解码器部分加入不同的注意力模块，分别对空间维度和通道维度上的语义依赖关系进行建模，然后将两个注意力模块的输出进行融合生成最终结果图。
进一步的，步骤S2中，所述MobileNetV2采用具有倒置残差瓶颈的深度可分离卷积，包括两个独立的层，第一层为逐通道卷积，通过对每个输入通道应用单个卷积滤波器来执行轻量级滤波；第二层为1×1卷积的逐点卷积，通过计算输入通道的线性组合来构建新特征。
进一步的，步骤S2中，两个解码器部分加入不同的注意力模块，具体为位置注意力模块和通道注意力模块。
进一步的，所述位置注意力模块具有全局上下文视图，将上下文信息编码到局部特征中；所述通道注意力模块显示建模通道之间的相互依赖关系。
进一步的，步骤S3中，所述训练MA-Xnet过程中，建立基于Keras深度学习库搭建的损失函数和优化器，使用交叉熵函数作为损失函数，所述损失函数为：
其中，i表示图像中的像素点，n表示图像像素点总数，yi表示像素点i的期望输出；
表示像素点i的实际输出。
进一步的，步骤S2中，所述MobileNetV2中使用的激活函数为非线性激活函数。
进一步的，所述非线性激活函数为ReLU6函数：
f(x)＝min{max(0,x)6}
其中，x为来自上一层神经网络的输入量。
与现有技术相比，本发明的有益效果是：本发明公开了一种基于MA-Xnet的路面裂缝分割方法，是在融合了Mobile-Unet和了DANet各自的优点上，提出了一种X型的网络架构来对裂缝图像进行语义分割的方法。将两个Unet的编码器的特征映射到对方的解码器部分形成一种X型的网络架构，该网络编码器部分是用两个并行的MobileNetV2进行特征提取，拥有出色的网络学习时间和分割速度，在两个并行的解码器部分分别加入了不同的注意力模块，对空间维度和通道维度上的语义依赖关系进行建模，然后将这两个注意力模块的输出进行融合生成最终结果图。使MA-Xnet有用更高的分割精度。
附图说明
图1是本发明的流程图；
图2是本发明的MA-Xnet的网络结构图；
图3是本发明方法和现有方法获得的测试集分割结果展示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例
请参阅图1-3，本发明提供一种技术方案：
一种基于MA-Xnet的路面裂缝分割方法，其特征在于，包括以下步骤：
步骤S1：获取混凝土裂缝图像数据集，并将混凝土裂缝图像数据集中的所有图像按比例随机划分为训练集、验证集和测试集；
步骤S2：构建MA-Xnet网络模型，所述MA-Xnet网络为两个Mobile-Unet组成的双输入和输出的X型网络，其中，两个Mobile-Unet通过互换跳跃连接映射特征，所述MA-Xnet网络具有两个并行的端到端的编码器和解码器架构；
步骤S3：训练MA-Xnet网络模型，采用训练集中的样本和验证集中的样本对构建的MA-Xnet网络进行训练，采用Adam优化器算法基于训练数据迭代更新网络权重，直至MA-Xnet网络模型的损失值趋势收敛；
步骤S4：裂缝分割效果测试，利用训练好的MA-Xnet网络模型对测试集中的样本进行分割，生成分割结果图。
步骤S1中，所述混凝土裂缝图像数据集随机选用在中东技术大学各个校园建筑收集的混凝土裂缝图像。
步骤S2中，构建MA-Xnet网络模型的具体步骤包括：将两个Mobile-Unet的编码器的特征映射到对方的解码器部分形成一种双输入和输出的X形状网络，再以X形状网络作为基础网络，采用两个MobileNetV2特征提取作为双编码器，两个解码器部分加入不同的注意力模块，分别对空间维度和通道维度上的语义依赖关系进行建模，然后将两个注意力模块的输出进行融合生成最终结果图。
步骤S2中，所述MobileNetV2采用具有倒置残差瓶颈的深度可分离卷积，包括两个独立的层，第一层为逐通道卷积，通过对每个输入通道应用单个卷积滤波器来执行轻量级滤波；第二层为1×1卷积的逐点卷积，通过计算输入通道的线性组合来构建新特征。
步骤S2中，两个解码器部分加入不同的注意力模块，具体为位置注意力模块和通道注意力模块。
所述位置注意力模块具有全局上下文视图，将上下文信息编码到局部特征中；所述通道注意力模块显示建模通道之间的相互依赖关系。
步骤S3中，所述训练MA-Xnet过程中，建立基于Keras深度学习库搭建的损失函数和优化器，使用交叉熵函数作为损失函数，所述损失函数为：
其中，i表示图像中的像素点，n表示图像像素点总数，yi表示像素点i的期望输出；
表示像素点i的实际输出。
步骤S2中，所述MobileNetV2中使用的激活函数为非线性激活函数。
所述非线性激活函数为ReLU6函数：
f(x)＝min{max(0,x)6}
其中，x为来自上一层神经网络的输入量。
试验例
一种基于MA-Xnet的路面裂缝分割方法，所述方法包括以下步骤：
步骤1、随机选用在中东技术大学各个校园建筑收集的混凝土裂缝图像的开源数据集中的2000张图片(正负样本各1000张)作为分割的数据集，正样本是带裂纹，负样本不带裂纹。并按照60％：20％：20％划分1200张为训练集、400张为验证集、400张为测试集。
步骤2、构建MA-Xnet网络：将两个基础的UNet的编码器的特征映射到对方的解码器部分形成一种双输入和输出的X形状的网络，再以Xnet作为基础网络，采用两个MobileNetV2特征提取作为双编码器，两个解码器部分加入了不同的注意力模块，分别对空间维度和通道维度上的语义依赖关系进行建模；然后将这两个注意力模块的输出进行融合生成最终结果图；
如图2所示，步骤2中构建的MA-Xnet网络，是一种并行的双输入和双输并且将自己编码器部分特征跳跃连接映射到对方解码器部分的X型网络，在下采样过程中，使用MobileNetV2中的深度可分离卷积代替了原来标准卷积作为特征提取层，并且采用倒置残差块，很大程度上减少了网络的复杂性。
步骤2中的MobileNetV2采用深度可分离卷积，包括两个两个独立的层，第一层成为逐通道卷积，通过每个对每个输入通道应用单个卷积滤波器来执行轻量级滤波；第二层是1×1卷积，称为逐点卷积，负责通过计算输入通道的线性组合来构建新特征。对于一个传统的标准卷积层，输入张量公式为：
Li＝hi×wi×di
其中，hi表示图像的高度，wi表示图像的宽度，di表示图像的通道。用一个大小为k×k×dj的过滤器过滤后，生成一个输出张量：
Li＝hi×wi×dj
那么传统标准卷积层的计算量为：
Cost＝hi·wi·di·dj·k2
而采用深度可分将卷积的计算量为：
Cost＝hi·wi·di(k2+dj)
对比可以发现，深度可分离卷积的计算量和传统标准卷积的大概差了近k2倍，k为卷积核大小。
步骤2中的MobileNetV2采用倒置残差块，倒置残差块的结构是一种通过用组件瓶颈之间具有大通道的结构替换特征图之间连接的公共结构来减少计算量的方法。倒置残差模块两端的通道数比较少，属于低维空间，对于低维空间而言，进行线性映射会保存特征，而非线性映射会破坏特征，因此在MobileNetV2中，我们使用了线性瓶颈防止了非线性破坏过多的信息。
所述非线性激活函数为ReLU6函数：
f(x)＝min{max(0,x)6}
其中，x为进入神经元的来自上一层神经网络的输入量。
相比于传统的Sigmoid激活函数，ReLU6可以获得稀疏表达，比传统的Sigmoid激活函数拥有更好的性能。而ReLU6是限制最大输出值为6的普通ReLU，这使其有更好的数值分辨率。
上采样阶段特征的传递还是一层接一层向上传递，只不过跳跃连接部分连接的不再是自己的上采样层，而是将特征跳跃传递到了对方的上采样层。之后，两个解码器部分进行4次反卷积，然后把第4次反卷积层输出的的特征分别输入两个注意力模块，位置注意力模块和通道注意力模块。
步骤2中所述位置注意力模块具有全局上下文视图，可以根据空间注意力图选择性地聚合上下文，位置注意力模块将更广泛的上下文信息编码到局部特征中，从而增强其表示能力。
所述通道注意力模块可以显示建模通道之间的相互依赖关系，通过利用通道映射之间的相互依赖性，可以强调相互依赖的特征映射，并改进特定语义的特征表示，有助于提高特征的可辨别性。
步骤S3中，训练MA-Xnet过程中，建立基于Keras深度学习库搭建的损失函数和优化器，使用交叉熵函数作为损失函数，所述损失函数为：
其中，i表示图像中的像素点，n表示图像像素点总数，yi表示像素点i的期望输出；
表示像素点i的实际输出；使用Adam作为网络权重的优化器。
具体的，步骤3中的训练参数设置为：初始学习率为0.001，权重衰减为5×10-4，momentum为0.9，batchsize为10，epoch的数量为50，dropout为0.5，并设置了早停机制来防止过拟合，当20个epoch后验证集上的损失函数val_loss变化值小于0.0001时，训练和验证停止。
步骤4、裂缝分割效果测试：利用步骤3中训练好的MA-Xnet网络对测试集的样本进行分割，生成分割结果图。本发明与FCN-8s、Mobile-Unet、DANet的分割方法作对比，分割结果图如图3所示。
从分割结果可以看出，与其他网络相比：
FCN-8s对所有图像的效果都很差。由于没有考虑像素之间的关系，忽略了基于像素分类的常用分割方法中使用的空间规则，导致局部信息和局部细化能力损失。
DANet，使用双注意力模块自适应聚合长距离上下文信息，给出了比FCN-8s更准确的分割结果。但是，与Mobile-Unet和MA-Xnet相比，可以发现分割精度不是很高。如对编号00002号裂纹图像分割时，底部出现明显断层，对编号00005号裂纹图像分割时，顶部出现同样问题。DANet层数较深，学习能力比Mobile-Unet和MA-Xnet慢。因此，当样本数量不是很大时，DANet无法学习到足够多的特征，导致分割精度低。
Mobile-Unet检测率高，应用价值好，但分割后的图像边缘不是很平滑。如分割编号为00002的裂纹图像时，结果明显出现毛刺。在分割编号为00004的裂纹图像时，最左边的凸起不像所提出的算法那样被精准分割。另外，在分割编号为00005的裂纹图像时，中间部分也存在细微的缺陷。
与其他方法相比，本发明提出的MA-Xnet分割结果图在细节上更准确，更接近实际的分割标签groundtruth图。在保证准确率的同时，也有不错的分割速度，结合了Mobile-Unet和DANet的优点。
而且，如表1所示列出的各个网络的性能结果比较：
表1
从表1可以看出，与其他方法相比，MA-Xnet在Accuracy、MIoU、Recall、F1和AP方面优于其他方法。因此，通过与其他网络的比较验证了所提出网络的分割性能。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于MA-Xnet的路面裂缝分割方法，其特征在于，包括以下步骤：
步骤S1：获取混凝土裂缝图像数据集，并将混凝土裂缝图像数据集中的所有图像按比例随机划分为训练集、验证集和测试集；
步骤S2：构建MA-Xnet网络模型，所述MA-Xnet网络为两个Mobile-Unet组成的双输入和输出的X型网络，其中，两个Mobile-Unet通过互换跳跃连接映射特征，所述MA-Xnet网络具有两个并行的端到端的编码器和解码器架构；
步骤S3：训练MA-Xnet网络模型，采用训练集中的样本和验证集中的样本对构建的MA-Xnet网络进行训练，采用Adam优化器算法基于训练数据迭代更新网络权重，直至MA-Xnet网络模型的损失值趋势收敛；
步骤S4：裂缝分割效果测试，利用训练好的MA-Xnet网络模型对测试集中的样本进行分割，生成分割结果图。
2.根据权利要求1所述的一种基于MA-Xnet的路面裂缝分割方法，其特征在于，步骤S1中，所述混凝土裂缝图像数据集随机选用在中东技术大学各个校园建筑收集的混凝土裂缝图像。
3.根据权利要求1所述的一种基于MA-Xnet的路面裂缝分割方法，其特征在于，步骤S2中，构建MA-Xnet网络模型的具体步骤包括：将两个Mobile-Unet的编码器的特征映射到对方的解码器部分形成一种双输入和输出的X形状网络，再以X形状网络作为基础网络，采用两个MobileNetV2特征提取作为双编码器，两个解码器部分加入不同的注意力模块，分别对空间维度和通道维度上的语义依赖关系进行建模，然后将两个注意力模块的输出进行融合生成最终结果图。
4.根据权利要求3所述的一种基于MA-Xnet的路面裂缝分割方法，其特征在于，步骤S2中，所述MobileNetV2采用具有倒置残差瓶颈的深度可分离卷积，包括两个独立的层，第一层为逐通道卷积，通过对每个输入通道应用单个卷积滤波器来执行轻量级滤波；第二层为1×1卷积的逐点卷积，通过计算输入通道的线性组合来构建新特征。
5.根据权利要求3所述的一种基于MA-Xnet的路面裂缝分割方法，其特征在于，步骤S2中，两个解码器部分加入不同的注意力模块，具体为位置注意力模块和通道注意力模块。
6.根据权利要求5所述的一种基于MA-Xnet的路面裂缝分割方法，其特征在于：所述位置注意力模块具有全局上下文视图，将上下文信息编码到局部特征中；所述通道注意力模块显示建模通道之间的相互依赖关系。
7.根据权利要求1所述的一种基于MA-Xnet的路面裂缝分割方法，其特征在于，步骤S3中，所述训练MA-Xnet过程中，建立基于Keras深度学习库搭建的损失函数和优化器，使用交叉熵函数作为损失函数，所述损失函数为：
其中，i表示图像中的像素点，n表示图像像素点总数，yi表示像素点i的期望输出；
表示像素点i的实际输出。
8.根据权利要求4所述的一种基于MA-Xnet的路面裂缝分割方法，其特征在于，步骤S2中，所述MobileNetV2中使用的激活函数为非线性激活函数。
9.根据权利要求8所述的一种基于MA-Xnet的路面裂缝分割方法，其特征在于，所述非线性激活函数为ReLU6函数：
f(x)＝min{max(0,x)6}
其中，x为来自上一层神经网络的输入量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111432233.5A CN114219968A (zh) | 2021-11-29 | 2021-11-29 | 一种基于MA-Xnet的路面裂缝分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111432233.5A CN114219968A (zh) | 2021-11-29 | 2021-11-29 | 一种基于MA-Xnet的路面裂缝分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114219968A true CN114219968A (zh) | 2022-03-22 |
Family
ID=80698872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111432233.5A Pending CN114219968A (zh) | 2021-11-29 | 2021-11-29 | 一种基于MA-Xnet的路面裂缝分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114219968A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239733A (zh) * | 2022-09-23 | 2022-10-25 | 深圳大学 | 裂缝检测方法、装置、终端设备以及存储介质 |
| CN117037105A (zh) * | 2023-09-28 | 2023-11-10 | 四川蜀道新能源科技发展有限公司 | 基于深度学习的路面灌缝检测方法、***、终端及介质 |
| CN117745745A (zh) * | 2024-02-18 | 2024-03-22 | 湖南大学 | 一种基于上下文融合感知的ct图像分割方法 |
-
2021
- 2021-11-29 CN CN202111432233.5A patent/CN114219968A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239733A (zh) * | 2022-09-23 | 2022-10-25 | 深圳大学 | 裂缝检测方法、装置、终端设备以及存储介质 |
| CN115239733B (zh) * | 2022-09-23 | 2023-01-03 | 深圳大学 | 裂缝检测方法、装置、终端设备以及存储介质 |
| CN117037105A (zh) * | 2023-09-28 | 2023-11-10 | 四川蜀道新能源科技发展有限公司 | 基于深度学习的路面灌缝检测方法、***、终端及介质 |
| CN117037105B (zh) * | 2023-09-28 | 2024-01-12 | 四川蜀道新能源科技发展有限公司 | 基于深度学习的路面灌缝检测方法、***、终端及介质 |
| CN117745745A (zh) * | 2024-02-18 | 2024-03-22 | 湖南大学 | 一种基于上下文融合感知的ct图像分割方法 |
| CN117745745B (zh) * | 2024-02-18 | 2024-05-10 | 湖南大学 | 一种基于上下文融合感知的ct图像分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114219968A (zh) | 一种基于MA-Xnet的路面裂缝分割方法 | |
| CN111461258B (zh) | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 | |
| CN110889449A (zh) | 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法 | |
| CN108830327B (zh) | 一种人群密度估计方法 | |
| CN111612066A (zh) | 基于深度融合的卷积神经网络的遥感图像分类方法 | |
| Hu et al. | Structure‐aware 3D reconstruction for cable‐stayed bridges: A learning‐based method | |
| CN111127449A (zh) | 一种基于编码器-解码器的自动化裂缝检测方法 | |
| CN112927253B (zh) | 基于卷积神经网络的岩心fib-sem图像分割方法 | |
| CN110751111A (zh) | 基于高阶空间信息全局自动感知的道路提取方法和*** | |
| CN114359130A (zh) | 一种基于无人机影像的道路裂缝检测方法 | |
| CN111428558A (zh) | 一种基于改进YOLOv3方法的车辆检测方法 | |
| CN116051549B (zh) | 一种太阳能电池片缺陷分割方法、***、介质及设备 | |
| CN111179244A (zh) | 一种基于空洞卷积的自动化裂缝检测方法 | |
| CN113221975B (zh) | 基于改进马尔可夫分析法的工况构建方法及存储介质 | |
| Qu et al. | Forecasting fine-grained urban flows via spatio-temporal contrastive self-supervision | |
| CN104574391A (zh) | 一种基于自适应特征窗口的立体视觉匹配方法 | |
| Mamidala et al. | Dynamic approach for lane detection using *** street view and CNN | |
| CN113762396A (zh) | 一种二维图像语义分割方法 | |
| CN112699889A (zh) | 基于多任务监督的无人驾驶实时道路场景语义分割方法 | |
| CN112651360A (zh) | 一种小样本下骨架动作识别方法 | |
| CN112926556A (zh) | 一种基于语义分割的航拍输电线路散断股识别方法及*** | |
| CN116246169A (zh) | 基于SAH-Unet的高分辨率遥感影像不透水面提取方法 | |
| CN115527027A (zh) | 一种基于多特征融合机制的遥感影像地物分割方法 | |
| CN114781696B (zh) | 一种面向城市路网的无模型事故影响范围预测方法 | |
| Meng et al. | A modified fully convolutional network for crack damage identification compared with conventional methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wen Xin Inventor after: Bian Jing Inventor after: Cao Rui Inventor after: Wang Yujie Inventor after: Guo Yuxiang Inventor after: Yan Chen Inventor before: Cao Rui Inventor before: Bian Jing Inventor before: Wang Yujie Inventor before: Wen Xin Inventor before: Guo Yuxiang Inventor before: Yan Chen |
|
| CB03 | Change of inventor or designer information |