(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 202211145796.0 (22)申请日 2022.09.20 (71)申请人 南京视测通机 器人科技有限公司 地址 210033 江苏省南京市经济技 术开发 区恒泰路汇智科技园A 2栋1201室 (72)发明人 向卫　 (74)专利代理 机构 郑州铭科知识产权代理事务 所(普通合伙) 41209 专利代理师 李欣瞻 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) (54)发明名称 基于改进稠密连接网络的钢箱梁裂纹图像 处理方法 (57)摘要 本发明公开了基于改进稠密连接网络的钢 箱梁裂纹图像处理方法， 属于稠密连接网络技术 领域， 具体包括以下步骤： 稠密连接网络改进和 ResNet类似， DenseNet使用同ResNet一样的单卷 积层和最大汇聚层， 也类似于ResNet使用4个残 差块一样， 使用4个稠密块； 在每个模块之间， DenseNet使用过渡层来减半高和宽， 并减半通道 数， 最后接上全局汇聚层和全连接层来输出结 果； 将原来的3 ×3卷积核替换， 分别采用两个2 × 2的卷积核进行计算； 基于特征金字塔的多尺度 特征融合， 为了提高稠 密连接网络在低层网络对 微小缺陷特征的提取能力， 改善其检测 效果。 本 发明中对于提出的裂纹图像处理的方法进行论 述， 提升了神经网络的运算效率， 为后续的钢箱 梁裂纹图像处 理的研究提供参 考意义。 权利要求书1页 说明书3页 附图1页 CN 115456147 A 2022.12.09 CN 115456147 A 1.基于改进稠密连接网络的钢箱梁裂纹图像处理方法， 其特征在于， 具体包括以下步 骤： S1、 稠密连接网络改进和ResNet类似， DenseNet使用同ResNet一样的单卷积层和最大 汇聚层， 也类似于ResNet使用4个残差块 一样， 使用4个稠密块； S2、 在每个模块之间， DenseNet使用过渡层来减半高和宽， 并减半通道数， 最后接上全 局汇聚层和全连接层来输出 结果； S3、 将原来的3 ×3卷积核替换， 分别采用两个2 ×2的卷积核 进行计算； S4、 基于特征金字塔的多尺度特征融合， 为了提高稠密连接网络在低层网络对微小缺 陷特征的提取能力， 改善其检测效果； S5、 将相邻的低层高分辨率的特征图和高层高语义性的特征图融合， 可以补充高层分 辨能力较低的细节特征， 然后依次自上而 下地， 按照金字塔结构， 将低分辨率特征和高分辨 率特征横向连接起 来， 如此就可 形成特征金字塔； S6、 再自上而下， 将融合后的特征图依次纵向传递， 加深细节性和强语义性的特征融 合； S601、 二级特征图经过2 ×2卷积核， 以较少的参数量计算， 提取其特征后， 进行横 向连 接； S602、 已知， 一级特征图的分辨率是二级 的两倍， 对一级特征图采用平均池化下采样， 同样， 经过2×2卷积核计算； S603、 将前两步得到的特征图进行add融合， 并将融合得到的结果采用最邻近插值上采 样法， 放大图像； S604、 将得到的三个分辨率尺寸相同的特征图进行add融合， 提高图像的语义性后， 对 融合图像经过3 ×3卷积核还原计算， 进 行特征再提取， 消除多次融合产生的混叠影响， 保证 特征的稳定性； S605、 重复以上步骤， 直至特 征提取完成。 2.根据权利要求1所述的基于改进稠密连接网络的钢箱梁裂纹图像处理方法， 其特征 在于， 所述S3中， 虽然不同于奇数的卷积核， 不便于直接指出卷积核位置， 但使用对称填充 解决偏移的影响后， 既能减少参数量， 降低计算难度， 又 可以缓解信息 侵蚀的影响。 3.根据权利要求1所述的基于改进稠密连接网络的钢箱梁裂纹图像处理方法， 其特征 在于， 所述S1 ‑S3中， 继残差神经网络(ResNet)之后， 随着网络层数变深,输出至输入的路径 就随之变长,则梯度反向传播回输入的时候很可能就会消失， 为解决这一问题引出了稠密 连接网络(DenseNet)， 考虑到计算成本的问题， 改进其结构， 以保持计算精度不变为基础， 大幅减少计算 量。 4.根据权利要求1所述的基于改进稠密连接网络的钢箱梁裂纹图像处理方法， 其特征 在于， 所述S4 ‑S6中， 一般情况下， 低层特征分辨率高， 但是经过的卷积少， 语义性低， 而高层 特征具有更强的细节信息， 但是分辨率低， 故可以采取将相邻的低层高分辨率的特征图和 高层低分辨 率细节信息的特 征图进行融合， 获得新的特 征提取结果。 5.根据权利要求4所述的基于改进稠密连接网络的钢箱梁裂纹图像处理方法， 其特征 在于， 所述特征金字塔就是对用卷积神经网络进行检测的方法的一种改进， 提取多尺度的 特征信息并融合， 提高目标检测的精度。权　利　要　求　书 1/1 页 2 CN 115456147 A 2基于改进稠密连接网 络的钢箱梁裂纹图像处理 方法 技术领域 [0001]本发明属于稠密连接网络技术领域， 尤其涉及基于改进稠密连接网络的钢箱梁裂 纹图像处 理方法。 背景技术 [0002]卷积神经网络(CNN)是一种包含了卷积计算、 具有深度网络结构的前馈神经 网络， 优化了传统的神经网络， 缓解了模型过拟合问题， 使其更加 适合于处理二维 图像的一些问 题。 [0003]基于卷积神经网络有许多经典模型， 如LeNet、 AlexNet、 VGG等等， 从ResNet之后又 引申出许多后续工作。 [0004]因此， 本专利基于稠密连接网络(DenseNet)， 并在此基础上加以改进， 降低计算成 本的同时提高特征提取的能力， 创新性地提出了基于此的各向异性钢箱梁裂纹图像处理方 法。 发明内容 [0005]本发明提供了基于改进稠密连接网络的各向异性钢箱梁裂 纹图像处理方法， 为后 续的钢箱梁裂纹图像的处 理提供新的思路。 [0006]为了实现上述目的， 本发明采用了如下技 术方案： [0007]基于改进稠密连接网络的钢箱梁裂纹图像处 理方法， 具体包括以下步骤： [0008]S1、 稠密连接网络 改进和ResNet类似， DenseNet使用同ResNet一样的单卷积层和 最大汇聚层， 也类似于ResNet使用4个残差块 一样， 使用4个稠密块； [0009]S2、 在每个模块之间， DenseNet使用过渡层来减半高和宽， 并减半通道数， 最后接 上全局汇聚层和全连接层来输出 结果； [0010]S3、 将原来的3 ×3卷积核替换， 分别采用两个2 ×2的卷积核 进行计算； [0011]S4、 基于特征金字塔 的多尺度特征融合， 为了提高稠密连接网络在低层网络对微 小缺陷特 征的提取能力， 改善其检测效果； [0012]S5、 将相邻的低层高分辨率的特征图和高层高语义性的特征 图融合， 可以补充高 层分辨能力较低的细节特征， 然后依次自上而下地， 按照金字塔结构， 将低分辨率特征和高 分辨率特征横向连接起 来， 如此就可 形成特征金字塔； [0013]S6、 再自上而下， 将融合后的特征图依次纵向传递， 加深细节性和强语义性的特征 融合； [0014]S601、 二级特征图经过2 ×2卷积核， 以较少的参数量计算， 提取其特征后， 进行横 向连接； [0015]S602、 已知， 一级特征图的分辨率是二级的两倍， 对一级特征图采用平均池化下采 样， 同样， 经 过2×2卷积核计算； [0016]S603、 将前两步得到的特征图进行add融合， 并将融合得到的结果采用最邻近插值说　明　书 1/3 页 3 CN 115456147 A 3