(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 202211103491.3 (22)申请日 2022.09.09 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 鲁聪　郝哲昕　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 陈月菊 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/26(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的ECC表 面裂缝自动识别 方法 (57)摘要 本发明提供了一种基于深度学习的ECC表面 裂缝自动识别方法， 包括以下步骤： 预处理ECC表 面图像； 基于ECC表面特性， 基于双策略对损失函 数进行设计； 基于改进后的语义分割网络FCN， 搭 建出ECC表面裂缝自动识别模型； 利用ECC表面裂 缝自动识别模型对待测ECC表面图像进行像素级 别的分类。 本发明构建的ECC表面裂缝自动识别 模型中的损失函数加入了针对ECC材料的定制化 设计， 使得模 型更关注于作为少样 本类别和难样 本类别的裂缝， 杜绝了类别不均和难易差异大带 来的性能不足问题， 有效提高了ECC表面裂缝的 识别性能， 得到高准确率的识别结果。 权利要求书2页 说明书5页 附图5页 CN 115471699 A 2022.12.13 CN 115471699 A 1.一种基于深度学习的E CC表面裂缝自动识别方法， 其特 征在于， 包括： 步骤1： 获取原 始的ECC表面图像， 对原 始的ECC表面图像进行 预处理； 步骤2： 基于少样本类别和难样本类别双策略设计ECC表面裂缝自动识别 模型的损失函 数； 步骤3： 结合损失函数， 基于语义分割网络构建ECC表面裂缝自动识别 模型， 利用所构建 的模型对待测E CC表面图像进行像素级别的分类。 2.根据权利要求1所述的基于深度学习的ECC表面裂缝自动识别方法， 其特征在于， 步 骤1中预处 理的具体步骤 包括： 步骤1‑1： 对采集得到的ECC表面图像进行切割， 得到若干个像素大小 统一的ECC表面图 像； 步骤1‑2： 采用深度学习标注工具对步骤1 ‑1中得到的全部ECC表面图像中的所有像素 按照裂缝和背景进行分类并标记， 形成E CC表面图像数据集； 步骤1‑3： 按照8:1:1的数量比例将上述E CC表面图像分成训练集、 验证集、 测试集。 3.根据权利要求1所述的基于深度学习的ECC表面裂缝自动识别方法， 其特征在于， 步 骤2中设计损失函数的具体步骤 包括： 步骤2‑1： 计算ECC表面图像的自适应 类别权重： 式中， c表示真实类别， 其中c＝0表示背景， c＝1表示裂缝， m表示类别数量， n表示数据 集像素的总数量， αc表示第c类的像素 数量； 步骤2‑2： 使用softmax函数作为激励函数， 计算被预测为裂缝的概 率： 式中， z1表示裂缝对应的神经 元的输入； 步骤2‑3： 计算模型的损失函数： 式中， γ是样本难度平衡系数， γ＞1。 4.根据权利要求1所述的基于深度学习的ECC表面裂缝自动识别方法， 其特征在于， 步 骤3中的构建E CC表面裂缝自动识别模型 具体包括： 步骤3‑1： 将训练集送入语义分割网络， 以损失函数最小化为目标进行训练， 一个迭代 周期训练结束后， 得到 ECC表面裂缝自动识别模型， 锁定当前模型； 步骤3‑2： 将验证集送入上述锁定的E CC表面裂缝自动识别模型， 计算模型的评价指标； 步骤3‑3： 若当前的评价指标高于上个迭代周期的评价指标， 则保留当前迭代周期的 ECC表面裂缝自动识别模 型； 否则， 舍弃当前迭代周期对应的ECC表 面裂缝自动识别模 型； 直 至完成所有迭代周期的训练， 获得最优的E CC表面裂缝自动识别模型。 5.根据权利要求4所述的基于深度学习的ECC表面裂缝自动识别方法， 其特征在于， 模 型的评价指标的计算公式为：权　利　要　求　书 1/2 页 2 CN 115471699 A 2式中， Ni,j表示真实标签为 i但被预测为j的像素 数。权　利　要　求　书 2/2 页 3 CN 115471699 A 3