【技术实现步骤摘要】
本专利技术属于钢结构表面锈蚀识别，尤其涉及一种基于主动迁移学习的钢结构锈蚀识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、钢结构作为重要支撑部件，广泛存在于大型基础设施和工程结构中。锈蚀是钢结构最为常见的病害之一。钢结构长期无保护的服役于自然环境中，表面防护层逐渐劣化，普遍产生锈蚀，通常出现凹凸不平，锈皮泛起等特征。锈蚀会削弱钢构件截面性能，引起钢材疲劳强度、极限延伸率等关键力学指标的退化，易产生应力腐蚀断裂，导致钢结构承载能力和稳定性下降，严重威胁人民群众的生命财产安全。因此，精准检测锈蚀区域，能为钢结构的加固和维护提供参考决策，对于精确掌握钢结构安全状况至关重要。
3、目前工程界对锈蚀缺陷的检测主要依赖于人工目测，效率低下，且很难对锈蚀特征进行准确描述。随着计算机视觉的快速发展，当前已有的解决方案有两种：一种是传统的基于图像处理的方案，另一种是基于深度学习的锈蚀识别方法。
4、传统图像处理技术计算效率高且易于实现，在简单场景下具有一定的实用性，但其检测精度依赖人工设计特征。在复杂工程场景中，受钢结构表面涂装劣化、遮挡、光照等因素影响，很难人为建立锈蚀识别标准，检测结果不易保证。
5、近年来，基于深度学习的钢结构锈蚀识别方法已由分类，目标检测任务，逐步转向能提供像素级识别精度的语义分割任务。但当前方法大多在特定场景下，通过构建高精度的人工标注数据集，使用全监督训练方式进行锈蚀区域分割，数据搜集和人工标注费时费力，且
技术实现思路
1、为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供一种基于主动迁移学习的钢结构锈蚀识别方法及系统，其解决了部分工程场景下锈蚀数据量难以支撑深度学习算法训练的问题，在大幅减少人工标注工作量的同时，实现钢结构锈蚀区域的准确分割。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一方面提供一种基于主动迁移学习的钢结构锈蚀识别方法，包括如下步骤：
4、构建实际工程中钢结构锈蚀的源域和目标域数据集；
5、基于源域和目标域数据集，将源域的锈蚀知识迁移至目标域，生成目标域锈蚀区域伪标签；
6、基于目标域锈蚀区域伪标签，采用主动学习策略对图像进行区域划分，计算预测结果的区域复杂度以及预测置信度，基于区域复杂度以及预测置信度对锈蚀图像进行标注，分割得到钢结构锈蚀区域；
7、对钢结构锈蚀区域进行边界细化，将锈蚀区域分解为高置信度区域和低置信度边界区域，基于高置信度区域和低置信度边界区域进一步对钢结构锈蚀区域分割，得到精确的钢结构锈蚀区域。
8、进一步地，所述基于源域和目标域数据集，将源域的锈蚀知识迁移至目标域，生成目标域锈蚀区域伪标签，包括：
9、基于生成对抗学习方法，构建生成器和域鉴别器；
10、通过生成器分别提取源域和目标域对应的钢结构锈蚀图像特征信息，并生成对应的分割结果；
11、判别目标域的分割输出和源域的标签的相似性，通过使对抗性损失最小化，将权重参数从域鉴别器反向传播至生成器的主干网络，促使生成器在目标域上输出与源域相似的分割结果，实现源域锈蚀特征到目标域的迁移学习。
12、进一步地，所述区域复杂度的计算公式为：
13、
14、
15、rk(i,j)＝{(u,v)|(u-i)2+(v-j)2≤k2}，
16、式中，(i,j)表示为图像中任一像素，(u,v)则表示该像素(i,j)的邻近区域，c表示区域内像素类别，表示钢结构锈蚀区域伪标签，|·|表示集合中的像素总数，rk(i,j)表示以任一像素为中心，半径为k的临近范围视为一个搜索区域。
17、进一步地，所述预测置信度的计算公式为：
18、
19、
20、式中，p(i,j)表示每个像素的预测熵，p(u,v)表示像素(i,j)的邻近区域的预测熵，表示网络提供的锈蚀伪标签，c表示区域内像素总类别数。
21、进一步地，所述将锈蚀区域分解为高置信度区域和低置信度边界区域中，高置信度区域对对锈蚀区域应用侵蚀形态学算子得到的，低置信度边界区域为对剩余像素应用膨胀形态学算子得到的。
22、进一步地，所述基于高置信度区域和低置信度边界区域进一步对钢结构锈蚀区域分割，得到精确的钢结构锈蚀区域，包括：
23、基于聚类的slic分割算法，将原图像分割为多个区域段，同时关注区域的边界；
24、基于多个区域段和高置信度区域和低置信度边界区域投影得到钢结构锈蚀区域，投影方法为:
25、
26、其中，zj表示多个区域段，rt表示高置信度区域，rf表示低置信度边界区域，p代表整张图像，p＝r∪b，r为锈蚀区域，b为背景部分。
27、进一步地，构建实际工程中钢结构锈蚀的源域和目标域数据集后，对目标域数据集进行预处理，包括应用伽玛校正、形态学处理，数据增强方法模拟实际工程场景中锈蚀区域颜色及光照分布可能存在的情况。
28、本专利技术的第二方面提供一种基于主动迁移学习的钢结构锈蚀识别系统，包括：
29、数据集构建模块，其用于构建实际工程中钢结构锈蚀的源域和目标域数据集；
30、知识迁移模块，其用于基于源域和目标域数据集，将源域的锈蚀知识迁移至目标域，生成目标域锈蚀区域伪标签；
31、区域分割模块，其用于基于目标域锈蚀区域伪标签，采用主动学习策略对图像进行区域划分，计算预测结果的区域复杂度以及预测置信度，基于区域复杂度以及预测置信度对锈蚀图像进行标注，分割得到钢结构锈蚀区域的轮廓；
32、区域识别模块，其用于对钢结构锈蚀区域进行边界细化，将锈蚀区域分解为高置信度区域和低置信度边界区域，基于高置信度区域和低置信度边界区域进一步对钢结构锈蚀区域分割，得到精确的钢结构锈蚀区域。
33、本专利技术的第三方面提供一种计算机可读存储介质。
34、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种基于主动迁移学习的钢结构锈蚀识别方法中的步骤。
35、本专利技术的第四方面提供一种计算机设备。
36、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于主动迁移学习的钢结构锈蚀识别方法中的步骤。
37、与现有技术相比，本专利技术的有益效果是：
38、本专利技术采用一种基于主动迁本文档来自技高网...
【技术保护点】
1.一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，所述基于源域和目标域数据集，将源域的锈蚀知识迁移至目标域，生成目标域锈蚀区域伪标签，包括：
3.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，所述区域复杂度的计算公式为：
4.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，所述预测置信度的计算公式为：
5.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，所述将锈蚀区域分解为高置信度区域和低置信度边界区域中，高置信度区域对对锈蚀区域应用侵蚀形态学算子得到的，低置信度边界区域为对剩余像素应用膨胀形态学算子得到的。
6.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，所述基于高置信度区域和低置信度边界区域进一步对钢结构锈蚀区域分割，得到精确的钢结构锈蚀区域，包括：
7.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识
8.一种基于主动迁移学习的钢结构锈蚀识别系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于主动迁移学习的钢结构锈蚀识别方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于主动迁移学习的钢结构锈蚀识别方法中的步骤。
...【技术特征摘要】
1.一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，所述基于源域和目标域数据集，将源域的锈蚀知识迁移至目标域，生成目标域锈蚀区域伪标签，包括：
3.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，所述区域复杂度的计算公式为：
4.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，所述预测置信度的计算公式为：
5.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，所述将锈蚀区域分解为高置信度区域和低置信度边界区域中，高置信度区域对对锈蚀区域应用侵蚀形态学算子得到的，低置信度边界区域为对剩余像素应用膨胀形态学算子得到的。
6.如权利要求1所述的一种基于主动迁移学习的钢结构锈蚀识别方法，其特征在于，所述基于高...
【专利技术属性】
技术研发人员：王静，王正方，张嘉琦，高树华，隋青美，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。