Page 65 - 无损检测2025年第四期

刘晏长：
装配式钢结构建筑抗侧力支架缺陷超像素级 Gabor 识别方法

表1 U-Net网络结构和参数 数数量；H为相邻像素距离；J N a (l)和 J N b (l)为以两
网络层输入尺寸 个像素a，b为中心的形状与大小相同的补丁。
网络层名称 网络层组成结构
（长×宽×高）
用S={s ，s ，…，s }表示多任务特征提取器所提
Conv （kernel 3×3，stride1， 1 2 p
conv1 padding1），ReLU，Batch 128×256×1 取的p个深度特征，则度量深度特征间的距离的计
Normalization 算过程为
Conv （kernel 3×3，stride1，
conv2 padding1），ReLU，Batch 256×256×32
Normalization （3）
Conv （kernel 3×3，stride1，
S
S
conv3 padding1），ReLU，Batch 128×128×64 式中： ( ) l 、 ( ) l 为S内以两个像素a、b为中心
Normalization N a N b
Conv （kernel 3×3，stride1， 的形状与大小均相同的图块 [14] 。
conv4 padding1），ReLU，Batch 64×32×128 用E(X ，Y )、E(X ，Y )表示a、b位置，通过式（4）
Normalization a a b b
定义像素的位置距离，即
Conv （kernel 3×3，stride1，
conv5 padding1），ReLU，Batch 32×32×256
Normalization
Conv （kernel 3×3，stride1，
conv6 padding1），ReLU，Batch 32×32×512 （4）
Normalization
综合以上公式，定义基于高维特征空间的像素
Conv （kernel 3×3，stride1，
conv7 padding1），ReLU，Batch 32×32×256 强度比率距离，可写为
Normalization
Conv （kernel 3×3，stride1，
conv8 padding1），ReLU，Batch 64×64×256
Normalization （5）
Conv （kernel 3×3，stride1， 式中： δ 为强度调节系数。
conv9 padding1），ReLU，Batch 64×64×64 在超像素生成网络中，需要实施多任务特征提
Normalization
Conv （kernel 3×3，stride1， 取器参数的微调。因此，需要设计端到端的超像素
conv10 padding1），ReLU，Batch 64×64×32 分割框架。然而，SLIC在像素分配时会引入不可微
Normalization
的最近邻操作，因此在端到端框架不能添加SLIC。
处理过程中会不自觉地舍弃原始图像中至关重要的 现借鉴“softmax”的思想，利用可微分的“soft-min”
强度信息与空间布局细节。鉴于这些被忽略的要素 替换公式中非微分的“argmin”。
对于实现抗侧力支架缺陷图像超像素精细化分割具 定义像素-超像素软赋值为
有不可或缺的作用，构建了一个多维特征空间。该
空间不仅融合了深度语义特征（S），还巧妙地融入
了空间结构信息（E）以及图像固有的强度数据（J），
三者相辅相成，共同构成了一个全面的特征集合，以
（6）
支持对抗侧力支架缺陷图像实施更为精准的超像素
划分 [13] 。 式中：n为超像素个数；R 为第q个像素；Z i t -1 为第i
q
以像素强度比率距离为强度信息的距离度量指 个超像素；M为像素个数； 为最近邻操
标，增强对于噪声的鲁棒性。用a、b表示两个抗侧 作系数。
力支架缺陷图像像素，J N a 、J N b 表示强度图像内以 此时，可通过下式重写超像素中心
两个像素a、b为中心的形状与大小均相同的图块， t M t
定义比值距离为 K i = ∑ C R （7）
qi
q
q =1
1.3 基于Gabor的抗侧力支架缺陷识别
（2）
对于生成的抗侧力支架缺陷图像超像素，通过
二维Gabor滤波器对其实施Gabor滤波，提取超像素
Hl
式中： ( ) 为标准高斯核；N为补丁内含有的像素 特征，具体如式（8）所示。

35
2025 年 第 47 卷 第 4 期
无损检测