本发明涉及图像处理，尤其涉及一种基于主动学习的裂缝图像检测模型的训练方法和装置。
背景技术：
1、深度学习方法在图像检测任务中取得了显著的成果，但标注大量图像所需的人工成本和训练时间成为了挑战。此外，随着图像获取设备的增多，标注所有图像变得更加困难。简单重复、低质量的图像对网络性能的提升作用有限，反而增加了训练的时间成本。因此，需要一种方法来提高数据集质量，减少标注成本，从大量未经标注的数据中选择具有高价值的样本。主动学习是一种监督学习方法，旨在通过最少的样本标注来最大化提升模型的性能。它通过精心设计的样本挑选策略，从未标注的数据中筛选出最有信息价值的样本，减少数据量、计算力和存储空间的需求，并优化模型的表现。然而，在裂缝图像领域，目前缺乏针对主动学习的研究方法和明确的样本选择流程。针对不同任务，需要确定合适的样本选择策略。在处理大规模数据集时，可以采用基于不确定性的采样方法，以最小的标注成本保证分类器性能。而面对结构复杂的数据集，通过使用代表性的策略可以促进样本多样性，减少重复样本的选择。然而，在裂缝检测领域，仍需要深入研究如何利用卷积神经网络的特征识别和预测能力来量化未标注裂缝图像样本的价值和信息量，并选择对网络训练最有利的图像数据。
技术实现思路
1、本发明的目的在于针对现有技术中形成深度学习裂缝图像数据集所需标注成本巨大、标记工作重复繁琐的问题，提供一种基于主动学习的裂缝图像检测模型的训练方法和装置。
2、本发明的目的是通过以下技术方案来实现的：本发明实施例第一方面提供了一种基于主动学习的裂缝图像检测模型的训练方法，包括以下步骤：
3、（1）收集并预处理包含钢结构表面裂缝图像，以构建数据集；使用数据集中部分已标注的裂缝图像对预设检测模型进行初步训练；
4、（2）使用初步训练好的检测模型对数据集中未标注的裂缝图像进行预测，并输出预测的裂缝检测结果特征图；
5、（3）根据预测的裂缝检测结果特征图，利用困难学习机制的概率注意力模块聚合不确定性大于预设不确定性阈值的区域，获得困难特征图；其中不确定性根据检测模型预测的概率值进行定量衡量；
6、（4）使用结合困难特征图的样本选择策略，对裂缝图像进行价值量化，并按其价值从大到小进行排序；
7、（5）在排序后的裂缝图像中选择排序靠前的部分裂缝图像进行标注，获取其对应裂缝标记；
8、（6）使用经步骤（5）标注后的裂缝图像及其对应的裂缝标记作为训练样本对初步训练好的检测模型进行训练更新，并使用当前训练好的检测模型对未标注的数据集进行更新；
9、（7）重复步骤（2）-步骤（6），对检测模型进行迭代更新，直至达到预设的训练停止条件。
10、进一步地，所述步骤（1）具体包括：
11、收集包含钢结构表面裂缝图像，并对收集到的裂缝图像进行预处理，以使预处理后的裂缝图像符合预设检测模型的图像输入要求；其中，所述预处理包括尺寸调整、归一化和平滑处理；
12、根据预处理后的裂缝图像构建数据集；其中，所述数据集中包括不同类型和不同尺寸的裂缝以及各种背景和光照条件下的裂缝图像；
13、对数据集中的部分裂缝图像进行人工标注，以区分背景和裂缝像素；
14、将部分已标注的裂缝图像输入至预设检测模型中进行初步训练，完成裂缝检测的任务，得到初步训练好的检测模型。
15、进一步地，所述步骤（2）具体包括：
16、加载步骤（1）得到的初步训练好的检测模型，将数据集中未标注的裂缝图像提供给初步训练好的检测模型作为其输入，获取对应的裂缝检测结果特征图；其中，所述裂缝检测结果特征图包括裂缝图像中裂缝的位置和概率信息。
17、进一步地，所述困难学习机制包括第一分支和第二分支，其中，所述第一分支为通用的语义分割网络，用于实现裂缝检测任务，并将预测的裂缝检测结果特征图作为预测结果与标记真值比较生成错误掩码；所述第二分支为语义难度分支，用于利用错误掩码学习语义分割的困难特征图，所述第二分支包括一个改进的概率注意力模块和一个卷积层，所述裂缝检测结果特征图依次经过概率注意力模块和卷积层，得到困难特征图。
18、进一步地，所述概率注意力模块用于聚合裂缝图像中的相似像素，并使其具有相似的困难度分数；
19、裂缝检测结果特征图输入至概率注意力模块中，首先进行空间矩阵操作，得到概率注意力矩阵；裂缝检测结果特征图与概率注意力矩阵进行相乘后得到第一特征图；第一特征图再与裂缝检测结果特征图进行融合相加操作，得到第二特征图，以聚合不确定性大于预设不确定性阈值的区域。
20、进一步地，所述步骤（4）具体包括：
21、样本选择策略根据错误掩码和困难特征图，计算裂缝图像的困难度和不确定性，其中，困难度通过困难特征图计算得到，不确定性通过检测模型的预测概率计算得到；将困难度和不确定性的评估指标进行加权融合，得到综合评估指标；根据综合评估指标对每个裂缝图像进行价值量化，通过熵函数为每个裂缝图像分配一个价值分数，以用于表示其在主动学习中的价值；根据裂缝图像的价值分数，按照价值分数从大到小的顺序对裂缝图像进行排序，得到排序后的裂缝图像。
22、进一步地，所述步骤（5）具体包括：
23、根据排序后的裂缝图像的总数量，按比例选择排序靠前的部分裂缝图像；使用图像标注工具对选定的部分裂缝图像进行标注，获取其对应的裂缝标记。
24、进一步地，所述步骤（6）具体包括：
25、将经步骤（5）标注后的裂缝图像与其对应的裂缝标记作为训练样本以构建训练集；使用训练集中标注后的训练样本对初步训练好的检测模型进行训练，通过反向传播算法和优化器，依据检测模型的总损失函数进行梯度更新，以调整检测模型的参数，获取当前训练好的检测模型；其中，检测模型的总损失函数包括语义分割损失、语义困难损失和检测损失，语义分割损失选取dice损失函数，语义困难损失选取反向加权二元交叉熵损失，检测损失选取二元交叉熵损失；
26、使用当前训练好的检测模型对未标注的裂缝图像进行预测，并将预测结果作为新的裂缝标记，通过设定一个阈值，将大于该阈值的预测置信度对应的样本添加到已标注的数据集中，以完成未标注的数据集的更新。
27、本发明实施例第二方面提供了一种基于主动学习的裂缝图像检测模型的训练装置，包括一个或多个处理器和存储器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的基于主动学习的裂缝图像检测模型的训练方法。
28、本发明实施例第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述的基于主动学习的裂缝图像检测模型的训练方法。
29、本发明的有益效果为，本发明能够显著节省标注成本，主动学习通过样本选择策略，能够从未标注的数据中选择最有价值的样本进行标注，从而减少了标注的工作量和成本；通过主动学习有针对性地选择样本进行标注，使得模型能够更加集中地学习关键特征和难例，从而提高了模型性能和泛化能力；本发明选择具有最大信息量的样本进行标注，相比于随机选择样本进行标注，可以在较少的标注样本数量下达到相同的性能水平，从而加快了训练速度；通过样本选择策略，能够筛选出具有代表性和多样性的样本，优化了数据集的质量，使得训练数据更加全面、均衡，减少了重复和低质量样本的影响。
1.一种基于主动学习的裂缝图像检测模型的训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于主动学习的裂缝图像检测模型的训练方法，其特征在于，所述步骤（1）具体包括：
3.根据权利要求1所述的基于主动学习的裂缝图像检测模型的训练方法，其特征在于，所述步骤（2）具体包括：
4.根据权利要求1所述的基于主动学习的裂缝图像检测模型的训练方法，其特征在于，所述困难学习机制包括第一分支和第二分支，其中，所述第一分支为通用的语义分割网络，用于实现裂缝检测任务，并将预测的裂缝检测结果特征图作为预测结果与标记真值比较生成错误掩码；所述第二分支为语义难度分支，用于利用错误掩码学习语义分割的困难特征图，所述第二分支包括一个改进的概率注意力模块和一个卷积层，所述裂缝检测结果特征图依次经过概率注意力模块和卷积层，得到困难特征图。
5.根据权利要求1所述的基于主动学习的裂缝图像检测模型的训练方法，其特征在于，所述概率注意力模块用于聚合裂缝图像中的相似像素，并使其具有相似的困难度分数；
6.根据权利要求1所述的基于主动学习的裂缝图像检测模型的训练方法，其特征在于，所述步骤（4）具体包括：
7.根据权利要求1所述的基于主动学习的裂缝图像检测模型的训练方法，其特征在于，所述步骤（5）具体包括：
8.根据权利要求1所述的基于主动学习的裂缝图像检测模型的训练方法，其特征在于，所述步骤（6）具体包括：
9.一种基于主动学习的裂缝图像检测模型的训练装置，包括一个或多个处理器和存储器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现权利要求1-8中任一项所述的基于主动学习的裂缝图像检测模型的训练方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，用于实现权利要求1-8中任一项所述的基于主动学习的裂缝图像检测模型的训练方法。
