物體裂縫檢測(cè)系統(tǒng)軟件開(kāi)發(fā)設(shè)計(jì)案例分析目錄TOC\o"1-3"\h\u9968物體裂縫檢測(cè)系統(tǒng)軟件開(kāi)發(fā)設(shè)計(jì)案例分析 198571.1語(yǔ)義分割之U-Net 1178411.2卷積神經(jīng)網(wǎng)絡(luò) 2184731.3基于局部預(yù)擬合的方法 3132091.4實(shí)驗(yàn)結(jié)果與分析 781761.4.1算法執(zhí)行 7310771.4.2模型分割結(jié)果 8210691.4.3語(yǔ)義分割之U-net的特點(diǎn) 9語(yǔ)義分割之U-Net深度網(wǎng)絡(luò)通常需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，當(dāng)樣本量較少的情況下，深度網(wǎng)絡(luò)可能表現(xiàn)沒(méi)那么好。對(duì)于這個(gè)問(wèn)題，本文提出了新的網(wǎng)絡(luò)架構(gòu)和圖像增強(qiáng)策略網(wǎng)絡(luò)處理架構(gòu)通常包括兩個(gè)encoder和dndecoder(它在論文中分別稱為擴(kuò)展?jié)饪s映射路徑(contractingpath)和稱為擴(kuò)展?jié)饪s路徑(expandingpath)，實(shí)際上它們就是兩個(gè)encoder和dndecoder)，encoder網(wǎng)絡(luò)可以有效地快速捕捉每個(gè)上下文中的信息，而decoder可以較好地預(yù)測(cè)位置信息。U-net是基于FCN網(wǎng)絡(luò)的思想設(shè)計(jì)的，整個(gè)網(wǎng)絡(luò)只有卷積層，而沒(méi)有全連接層。在FCN中：網(wǎng)絡(luò)的濃縮路徑，圖像分辨率逐漸降低，上下文信息會(huì)逐漸增強(qiáng)。在擴(kuò)展路徑中，通過(guò)上采樣的方式，讓特征圖的分辨率逐漸增大。同時(shí)，為了結(jié)合低層featuremap的強(qiáng)位置信息，將濃縮路徑中的相應(yīng)部分結(jié)合到擴(kuò)展路徑中。這種架構(gòu)可以較好地進(jìn)行位置定位。圖5-1-1卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks,CNN）是一類包含\t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"卷積計(jì)算且具有深度結(jié)構(gòu)的\t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"前饋神經(jīng)網(wǎng)絡(luò)（FeedforwardNeuralNetworks），是\t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"深度學(xué)習(xí)（deeplearning）的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有\(zhòng)t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"表征學(xué)習(xí)（representationlearning）能力，能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類（shift-invariantclassification），因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)（Shift-InvariantArtificialNeuralNetworks,SIANN）”。卷積核的神經(jīng)網(wǎng)絡(luò)直接仿造出了生物的視覺(jué)和知覺(jué)(visualperception)通過(guò)機(jī)制層的構(gòu)建，可以同時(shí)進(jìn)行過(guò)程監(jiān)督性的學(xué)習(xí)和非過(guò)程監(jiān)督性的學(xué)習(xí)，其中在隱含結(jié)構(gòu)層內(nèi)的卷積層與核之間參數(shù)數(shù)據(jù)共享和隱含層層之間連接的數(shù)據(jù)稀疏性等都使得卷積核的神經(jīng)網(wǎng)絡(luò)不僅能夠以較小的高級(jí)計(jì)算機(jī)容量來(lái)針對(duì)格段特點(diǎn)化(grid-liketopology)進(jìn)行特征,例如針對(duì)像素和海量音頻特征進(jìn)行監(jiān)督學(xué)習(xí)、有穩(wěn)定的學(xué)習(xí)效果且對(duì)海量數(shù)據(jù)分析沒(méi)有額外的格點(diǎn)特征處理工程(featureengineering)技術(shù)要求?；诰植款A(yù)擬合的方法在本章中我們需要提出另一種需要改進(jìn)的物體活動(dòng)圖像輪廓預(yù)測(cè)模型，即對(duì)觀測(cè)目標(biāo)物體圖像的各種局部性和能量活動(dòng)進(jìn)行預(yù)測(cè)模擬和組合。和經(jīng)典的局部擬合的模型相比，此改進(jìn)模型的計(jì)算量相對(duì)較低，而且分割的速度相對(duì)較快，與此同時(shí)，選擇的初始輪廓也會(huì)有較好的魯棒性。本節(jié)所提出的改進(jìn)的模型可以很簡(jiǎn)單的適用于大多數(shù)的經(jīng)典的基于局部區(qū)域擬合能量模型，并且可以提升分割效率，而且使改進(jìn)后的模型降低初始輪廓的選擇要求。根據(jù)模型的需要，我們先定義下面需要涉及到的函數(shù)：其中，所代表的是圖像上某一點(diǎn)y的灰度值，代表的是在給定的圖像域內(nèi)，以x為活動(dòng)中心的區(qū)域，區(qū)域的大小為。式中代表平均運(yùn)算的是mean，代表的平均灰度值的分別為。和有以下的定義：在區(qū)域內(nèi)，所有灰度值小于平均灰度值的像素點(diǎn)組成的區(qū)域用來(lái)表示，與之相反的是，所有灰度值大于平均灰度值的像素點(diǎn)組成的區(qū)域用來(lái)表示。根據(jù)上述兩式，若給定一張圖片，假如已經(jīng)知道了某一點(diǎn)x還有對(duì)應(yīng)的區(qū)域的尺寸，那么就可以直接的計(jì)算出和的值。如下圖5-1中將區(qū)域以及分界線還有邊緣點(diǎn)x上的和的值都體現(xiàn)出來(lái)了。圖5-1模型示例圖，圖中白色粗壯線條為分界線,用來(lái)分開(kāi)和，分割線左側(cè)為，灰度均值為，右側(cè)是，灰度均值為。隨后，我們可以提出以下的局部預(yù)擬合能量方程：如果選取了某個(gè)點(diǎn)x，當(dāng)曲線的位置剛好處在目標(biāo)圖像的邊緣上的時(shí)候，就像下圖中所示的分界線那樣，那么上式中的能量將會(huì)取得最小值。通過(guò)下面幾幅圖來(lái)我們可以證明一下，當(dāng)所選取的曲線剛好在目標(biāo)邊緣的時(shí)候，像下圖，上述的能量函數(shù)的第一項(xiàng)近似于0，第2項(xiàng)也近似于0；當(dāng)所選取的曲線在目標(biāo)邊緣某一側(cè)的時(shí)候，像下圖，上述的能量函數(shù)的第一項(xiàng)遠(yuǎn)遠(yuǎn)的大于0，第二項(xiàng)近似于0；當(dāng)所選取的曲線穿過(guò)目標(biāo)邊緣的時(shí)候，像下圖，上述的能量函數(shù)的第一項(xiàng)遠(yuǎn)遠(yuǎn)的大于0，第二項(xiàng)也遠(yuǎn)遠(yuǎn)的大于0；當(dāng)所選取的曲線在目標(biāo)邊緣的另一側(cè)的時(shí)候，像下圖，上述的能量函數(shù)的第一項(xiàng)近似于0，第二項(xiàng)遠(yuǎn)遠(yuǎn)的大于0；因此，通過(guò)上面的對(duì)比分析可得，只有當(dāng)輪廓的位置處在在目標(biāo)邊界上的時(shí)候，上述公式得能量值才能被最小化。（b）（c）(d)圖5-2曲線在不同位置對(duì)應(yīng)的能量值在普遍使用的局部擬合的活動(dòng)輪廓模型中，高斯核函數(shù)因?yàn)樗木植炕奶卣鞫粡V泛的應(yīng)用到眾多模型中，高斯核函數(shù)還可以用來(lái)替代局部窗口函數(shù)，所以，上述公式我們可以改寫(xiě)為：根據(jù)上述分析，為了保證圖像域中的所有點(diǎn)的合理性，我們需要將能量函數(shù)的積分最小化，隨之可得到下面的能量方程：當(dāng)取得最小值的時(shí)候，曲線C會(huì)把所有的在邊緣上的分界線都包含在其中，但是，我們也會(huì)發(fā)現(xiàn)在不是邊緣的地方也會(huì)有一些冗余的曲線，對(duì)于出現(xiàn)的這種情況，我們需要加入一個(gè)長(zhǎng)度約束項(xiàng),用此約束項(xiàng)來(lái)去除冗余的曲線，還可以使曲線變得光滑，隨后再將距離正則項(xiàng)嵌入到公式中，用來(lái)規(guī)避曲線不斷進(jìn)行水平集函數(shù)的初始化。因此，合并起來(lái)的能量可以寫(xiě)成下式：上式中，分別代表著長(zhǎng)度項(xiàng)和正則化項(xiàng)前面的系數(shù)，和的定義可以參見(jiàn)之前的公式（補(bǔ)充前面的公式），的定義如下：再利用梯度下降法，將上述公式表示的能量方程的水平集函數(shù)進(jìn)行最小化，從而獲得最終的梯度下降流方程：式中的和分別為：在上式中，和是通過(guò)計(jì)算公式和出來(lái)的，我們可以將這兩個(gè)函數(shù)當(dāng)成擬合函數(shù)，用來(lái)近似的表示初始輪廓兩邊的局部圖像的灰度值。又因?yàn)檫@兩個(gè)擬合函數(shù)是在曲線演化之前就已經(jīng)計(jì)算出來(lái)的，并且沒(méi)有必要在每次迭代中都自動(dòng)更新，所以把這兩個(gè)函數(shù)稱為局部預(yù)擬合函數(shù)，其對(duì)應(yīng)的能量就稱為局部預(yù)擬合能量。在通過(guò)比較LBF模型的能量和本節(jié)提出來(lái)的局部預(yù)擬合能量,從這兩個(gè)能量函數(shù)可以看出，擬合函數(shù)的不同是它們唯一的區(qū)別，也就是原始模型中的擬合函數(shù)和被改進(jìn)過(guò)的預(yù)擬合函數(shù)和所替代。在LBF模型中，和這兩個(gè)擬合函數(shù)在每一次的迭代中均會(huì)與水平集函數(shù)保持一致，隨著的變化而進(jìn)行同步更新，且擬合函數(shù)更新一次，圖像卷積都是跟著操作兩次，因此計(jì)算比較復(fù)雜。但是在BLBF模型中，預(yù)擬合函數(shù)和和水平集函數(shù)毫無(wú)關(guān)系，它們只是在曲線演化開(kāi)始之前被計(jì)算一次，而且不需要在每次迭代中都進(jìn)行重新初始化。所以，BLBF模型與傳統(tǒng)的基于局部擬合能量相比優(yōu)點(diǎn)就是具有更少的計(jì)算量。而且正是由于當(dāng)給定一張圖片及其局部核后，它的預(yù)擬合函數(shù)和就可以保持不變，因此，BLBF模型很難會(huì)陷入局部最小的情況，所以，此改進(jìn)模型對(duì)初始輪廓的選擇也沒(méi)有太高的要求。實(shí)驗(yàn)結(jié)果與分析算法執(zhí)行本節(jié)將通過(guò)輸入幾張圖片對(duì)改進(jìn)的模型進(jìn)行測(cè)試，并且和原來(lái)的經(jīng)典的局部擬合模型進(jìn)行比較。改進(jìn)的模型的執(zhí)行過(guò)程如下：步驟一：調(diào)整函數(shù)式中所涉及到的參數(shù)，其中包括初始水平集函數(shù)。步驟二：圖像中的每一個(gè)點(diǎn)都根據(jù)上述公式和把和計(jì)算出來(lái)。步驟三：再通過(guò)公式和來(lái)不斷的初始化水平集函數(shù)，當(dāng)水平集函數(shù)收斂到最小時(shí)再停止更新。模型分割結(jié)果如下圖所示，在處理一些分布不一致、邊緣處若隱若現(xiàn)、對(duì)比度不高道路路面裂縫結(jié)果。如下所列所示。原圖裂縫圖語(yǔ)義分割之U-net的特點(diǎn)5個(gè)poolinglayer識(shí)別實(shí)現(xiàn)了物理網(wǎng)絡(luò)對(duì)基于圖像物理特征的多種大尺度圖像特征自動(dòng)識(shí)別。上一個(gè)采樣部分特征會(huì)直接融合特征提取部分的特征輸出，這樣這么做實(shí)際上也就是將多個(gè)同尺度地圖特征網(wǎng)絡(luò)融合連接在了一