裂缝检测原本采用分割模型较多，目前我测试了采用hed的裂缝检测；代码采用这个版本的代码是最简洁易懂的，https://github.com/senliuy/Keras_HED_with_model

环境：win10 keras2.2.4

hed.py

from keras.layers import Conv2D, Conv2DTranspose, Input, MaxPooling2D
from keras.layers import Concatenate, Activation
from keras.models import Model
from keras import backend as K
import tensorflow as tf
from keras.optimizers import *def side_branch(x, factor):x = Conv2D(1, (1, 1), activation=None, padding='same')(x)kernel_size = (2*factor, 2*factor)x = Conv2DTranspose(1, kernel_size, strides=factor, padding='same', use_bias=False, activation=None)(x)return xdef hed():# Inputimg_input = Input(shape=(480,480,3), name='input')# Block 1x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv1')(img_input)x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv2')(x)b1= side_branch(x, 1) # 480 480 1x = MaxPooling2D((2, 2), strides=(2, 2), padding='same', name='block1_pool')(x) # 240 240 64# Block 2x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv1')(x)x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv2')(x)b2= side_branch(x, 2) # 480 480 1x = MaxPooling2D((2, 2), strides=(2, 2), padding='same', name='block2_pool')(x) # 120 120 128# Block 3x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv1')(x)x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv2')(x)x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv3')(x)b3= side_branch(x, 4) # 480 480 1x = MaxPooling2D((2, 2), strides=(2, 2), padding='same', name='block3_pool')(x) # 60 60 256# Block 4x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv1')(x)x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv2')(x)x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv3')(x)b4= side_branch(x, 8) # 480 480 1x = MaxPooling2D((2, 2), strides=(2, 2), padding='same', name='block4_pool')(x) # 30 30 512# Block 5x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv1')(x)x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv2')(x)x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv3')(x) # 30 30 512b5= side_branch(x, 16) # 480 480 1# fusefuse = Concatenate(axis=-1)([b1, b2, b3, b4, b5])fuse = Conv2D(1, (1,1), padding='same', use_bias=False, activation=None)(fuse) # 480 480 1# outputso1    = Activation('sigmoid', name='o1')(b1)o2    = Activation('sigmoid', name='o2')(b2)o3    = Activation('sigmoid', name='o3')(b3)o4    = Activation('sigmoid', name='o4')(b4)o5    = Activation('sigmoid', name='o5')(b5)ofuse = Activation('sigmoid', name='ofuse')(fuse)# modelmodel = Model(inputs=[img_input], outputs=[o1, o2, o3, o4, o5, ofuse])filepath = './models/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5'# load_weights_from_hdf5_group_by_name(model, filepath)adam = Adam(lr = 1e-4, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0001)model.compile(optimizer= adam,loss={'o1': cross_entropy_balanced,'o2': cross_entropy_balanced,'o3': cross_entropy_balanced,'o4': cross_entropy_balanced,'o5': cross_entropy_balanced,'ofuse': cross_entropy_balanced,},metrics={'ofuse': ofuse_pixel_error})return model

损失函数：

def cross_entropy_balanced(y_true, y_pred):"""Implements Equation [2] in https://arxiv.org/pdf/1504.06375.pdfCompute edge pixels for each training sample and set as pos_weights to tf.nn.weighted_cross_entropy_with_logits"""# Note: tf.nn.sigmoid_cross_entropy_with_logits expects y_pred is logits, Keras expects probabilities.# transform y_pred back to logits_epsilon = _to_tensor(K.epsilon(), y_pred.dtype.base_dtype)y_pred   = tf.clip_by_value(y_pred, _epsilon, 1 - _epsilon)y_pred   = tf.log(y_pred/ (1 - y_pred))y_true = tf.cast(y_true, tf.float32)count_neg = tf.reduce_sum(1. - y_true)count_pos = tf.reduce_sum(y_true)# Equation [2]beta = count_neg / (count_neg + count_pos)# Equation [2] divide by 1 - betapos_weight = beta / (1 - beta)cost = tf.nn.weighted_cross_entropy_with_logits(logits=y_pred, targets=y_true, pos_weight=pos_weight)# Multiply by 1 - betacost = tf.reduce_mean(cost * (1 - beta))# check if image has no edge pixels return 0 else return complete error functionreturn tf.where(tf.equal(count_pos, 0.0), 0.0, cost)

模型输出图：

训练曲线：

效果：

效果相当不错：

深度学习hed边缘检测模型之裂缝检测相关推荐

在OpenCV中基于深度学习的边缘检测
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:AI算法与图像处理导读分析了Canny的优劣,并给出 ...
R使用LSTM模型构建深度学习文本分类模型（Quora Insincere Questions Classification）
R使用LSTM模型构建深度学习文本分类模型(Quora Insincere Questions Classification) Long Short Term 网络-- 一般就叫做 LSTM --是一 ...
深度学习100+经典模型TensorFlow与Pytorch代码实现大合集
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! [导读]深度学习在过去十年获得了极大进展,出现很多新的模型,并且伴随TensorF ...
CCAI 2017 | 香港科技大学计算机系主任杨强：论深度学习的迁移模型
CCAI 2017 | 香港科技大学计算机系主任杨强:论深度学习的迁移模型原2017.07.22AI科技大本营作者 | 贾维娣 7月23日,由中国人工智能学会.阿里巴巴集团 & 蚂蚁 ...
香港科技大学计算机系主任杨强：论深度学习的迁移模型
一.迁移学习的三大优点为什么我们做迁移学习?我总结了三条原因: 小数据.我们生活当中大量遇见的是小数据而不是大数据,当数据很稀疏,看到不同的类别我们还是能在当中做出很靠谱的模型.这并不是空穴来风,而 ...
大白话聊聊“深度学习”和“大模型”
1950年图灵发表论文<计算机器与智能>( Computing Machinery and Intelligence),提出了"机器智能"(Machine Intell ...
基于深度学习技术的电表大数据检测系统
基于深度学习技术的电表大数据检测系统人工智能技术与咨询来源:< 人工智能与机器人研究> ,作者方向关键词: 智能电表:数据分析:深度学习时序模型: 摘要: 随着我国电厂不断发展,我国 ...
基于深度学习的图像识别模型研究综述
基于深度学习的图像识别模型研究综述摘要:深度学习是机器学习研究中的一个新的领域,其目的在于训练计算机完成自主学习.判断.决策等人类行为并建立.模拟人脑进行分析学习的神经网络,它模仿人类大脑的机制来解 ...
基于深度学习的高分辨率遥感图像目标检测技术目前的研究现状
参考基于深度学习的高分辨率遥感图像目标检测技术目前的研究现状 - 云+社区 - 腾讯云目录一.概述二.通用目标检测方法 1.类不平衡问题 2.复杂背景 3.目标的尺度变化 4.特殊视角 5 ...

深度学习hed边缘检测模型之裂缝检测

hed.py

训练曲线：

效果：

深度学习hed边缘检测模型之裂缝检测相关推荐

最新文章

热门文章