计算机工程

作者：曹坪, 杨怀志, 薄一军, 尤嘉, 张淳杰, 李丹勇

单位：1. 北京交通大学 现代信息科学与网络技术北京市重点实验室, 北京 1000442. 京沪高速铁路股份有限公司, 北京 1000383. 中国铁道科学研究院集团有限公司电子计算技术研究所, 北京 1000814. 北京交通大学 电子信息工程学院, 北京 100044

关键词：低质量图像,知识蒸馏,裂缝图像分类,卷积神经网络,图像重建

基金：国家自然科学基金面上项目(62072026); 北京市自然科学基金(JQ20022); 京沪高速铁路股份有限公司科技研究项目-重大课题(京沪科研-2020-16)

裂缝受损程度分类是混凝土安全检测中重要的环节之一，在真实场景下，由于裂缝图像分辨率的降低和模糊噪声的增多，导致现有的分类方法难以识别低质量裂缝图像的受损程度。提出一种面向低质量裂缝图像的多知识蒸馏分类方法，基于退化重建网络的教师模型通过模拟高分辨率裂缝图像的退化和重建过程，缓解与学生模型之间的域差异，利用高质量模型引导的学生模型从具有高分辨率信息的教师模型中学习类别知识和重建知识。通过将教师模型的类别知识迁移到学生模型中，使教师模型的重建网络监督学生模型生成更有利于分类的超分辨率图像，确保图像恢复和图像分类之间的动态交互。经过教师模型的重建知识和类别知识的多重知识引导，使缺乏高分辨率信息的学生模型能有效识别低质量裂缝图像的受损程度。实验结果表明，与单一知识蒸馏的方法相比，该方法在最低分辨率的情况下，在裂缝数据集上的分类准确率提高了4.02个百分点，能有效提高低质量裂缝图像受损程度的分类准确率。

来源：2023年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第7期