本发明涉及隧道病害检测，特别涉及一种隧道表观病害图像识别的方法。
背景技术：
随着隧道服役时间的增加，隧道结构安全与病害检测变得日趋重要。隧道突出的表观病害问题主要有渗漏水(包括湿迹、渗水、滴漏、漏泥沙等)、管片损伤(包括裂缝、缺角、缺损等)。目前主要是采用人工检测的方法记录表观病害，通过拍照、钢尺量测、温度测设等手段进行，工作量大且受人为因素干扰大。
技术实现要素：
本发明的目的是提供一种隧道表观病害图像识别的方法，能够快速并且高效的进行隧道表观病害的预测识别，受人为干扰因素小，预测识别快速且精度高。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种隧道表观病害图像识别的方法，包括有以下步骤：
采用三维激光扫描仪采集获取若干隧道影像；
对隧道影像进行隧道表观病害标记，以形成标记样本；
搭建隧道表观病害的识别模型，通过标记样本对识别模型进行训练、测试；
所述识别模型包括的图像分类模型对输入的隧道影像是否存在表观病害进行识别，根据是否存在表观病害进行分类；
所述识别模型包括的图像分割模型对图像分类模型判断存在表观病害的隧道影像进行分割，并对表观病害存在的类别进行预测识别，输出病害识别结果；
存储病害识别结果。
作为优选，所述隧道影像的表观病害标记具体为：
对隧道影像的表观病害根据像素区域进行标记，分别对存在湿迹、渗水、滴漏、漏泥沙、裂缝、缺角、缺损的区域像素及不存在病害的区域像素进行一一类别标记，获得隧道影像上各像素进行表观病害标记的标记样本；
根据标记对标记样本及其对应的隧道影像进行分类标记，对完成标记的标记样本及其对应的隧道影像为第一样本集，标记存在表观病害的标记样本及其对应的隧道影像为第二样本集。
作为优选，通过标记样本对识别模型的训练、测试具体包括有：
将第一样本集划分为第一训练集及第一测试集，将第二样本集划分为第二训练集及第二测试集；
通过第一训练集对图像分类模型进行训练，使用学习率自适应的随机梯度算法进行参数优化；
采用第一测试集对图像分类模型进行测试，对测试精确率进行判断，若精确率高于设定的阈值，则图像分类模型可用于预测，反之调整超参数并继续训练；所述精确率公式如下：
其中，tp＝truepositive，为将病害预测成病害的数量，fp＝falsepositive，为将背景预测成病害的数量；
通过第二训练集对图像分割模型进行训练，使用学习率自适应的随机梯度算法进行参数优化；
采用第二测试集对图像分割模型进行测试，对平均交并比作为测试精度进行判断，若平均交并比满足设定的阈值，则判断图像分割模型可用于预测，反之调整超参数并继续训练；所述平均交并比的公式如下：
其中area(tc)代表测试集预测结果的像素面积，area(tg)代表测试集真值的像素面积。
作为优选，所述识别模型的预测识别具体为：
选取在第一样本集及第二样本集之外的隧道影像作为输入，输入至图像分类模型进行分类判别；
若识别到所有的区域像素均为背景像素时，则分类判定为不存在表观病害，输出对应隧道影像不存在表观病害的识别结果；
若识别到存在区域像素存在表观病害时，则输入至图像分割模型进行分割识别，根据区域像素所对应的病害类别，输出存在表观病害的识别结果。
综上所述，本发明具有以下有益效果：
通过识别模型分为两阶段的图像分类模型和图像分割模型，对隧道表观病害的识别分步骤进行，能够加快模型对表观病害的识别预测；避免人为参与的干扰，预测结果更加的准确。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例，本实施例公开的一种隧道表观病害图像识别的方法，包括以下步骤：
采用三维激光扫描仪采集获取若干隧道影像；
对隧道影像进行隧道表观病害标记，以形成标记样本；
搭建隧道表观病害的识别模型，通过标记样本对识别模型进行训练、测试；
识别模型包括的图像分类模型对输入的隧道影像是否存在表观病害进行识别，根据是否存在表观病害进行分类；
识别模型包括的图像分割模型对图像分类模型判断存在表观病害的隧道影像进行分割，并对表观病害存在的类别进行预测识别，输出病害识别结果；
存储病害识别结果。
具体的：
1、制作用于卷积神经网络训练的隧道表观病害样本集，制作方法如下：
隧道影像获取：采用搭载三维激光扫描仪的装置采集隧道影像。其中装置可以是静止的三脚架或平台，也可以是以人力或电机带动的检测车；采集的隧道影像可包括灰度影像，还可包括隧道的彩色影像。
隧道表观病害标记：使用标记程序标记隧道表观病害情况，形成标记样本。其中标记程序可本地运行或在线运行；所需标记的隧道表观病害包括湿迹、渗水、滴漏、漏泥沙、裂缝、缺角、缺损，标记区域像素的代码分别以1-7表示，0代表背景像素。
样本处理：记原始隧道影像集合为s，标记文件集合为l，两者总量相等并且一一对应，每幅原始隧道影像si对应的标记文件li中若全部为背景像素，则该标记文件记为0，若有表观病害代码则记为1，最终形成新的标记集合t，定义为标记集合t及原始的隧道影像为第一样本集；其中将l中有表观病害的标记文件及其对应的原始隧道影像形成新的数据集合m，定义为第二样本集；
样本集划分：将第一样本集(原始影像s、标记文件t)划分为训练集c1和测试集t1，其中训练集占样本总数的70％，测试集占样本总数的30％；同样地，将m划分为训练集c2和测试集t2。
2、搭建隧道表观病害识别模型，包括图像分类模型和图像分割模型，其中图像分类模型主要用于直接判断原始隧道影像是否具有病害特征，图像分割模型用于直接获取病害真实范围，具体操作如下：
2.1、搭建图像分类模型model1，具体操作如下：
选择深度学习框架：使用深度学习框架，如tensorflow、pytorch等；
模型搭建：通过对vgg11网络改进来实现，每个卷积层参数均减少一半，减少1个全连接层，最终的网络结构为输入层(224，224，3)，卷积层依次是(3，3，32)、(3，3，64)、(3，3，128)、(3，3，128)、(3，3，256)、(3，3，256)、(3，3，256)、(3，3，256)，全连接层依次是256、2。其中池化层据采用2×2最大池化，全连接层后采用softmax分类。
2.2、搭建图像分割模型model2，具体操作如下：
选择深度学习框架：使用深度学习框架，如tensorflow、pytorch等；
模型搭建：通过对u-net网络架构改进来实现，以densenets的5层denseblock替代原来的卷积操作。其中一个denseblock单元包括4次卷积操作，最终的网络结构为输入层、卷积层、重复denseblock和最大池化层5次，此时图像已缩小为原来的1/32，最后采样反卷积层上采样，恢复原图大小。
3、识别模型训练、测试、预测，本方法为两阶段方法，先对原始隧道影像做图像分类，判断图像中是否存在病害，若为是的情况下对图像做图像分割，精确到每一个像素的分类，具体步骤如下：
图像分类训练：数据集为c1，训练次数至少是c1总量大小的10000倍，使用学习率自适应的随机梯度算法进行参数优化，为了加速学习采用批归一化方法(缓解梯度消散)和gpu硬件加速(加快计算)；
图像分类测试：数据集为t1，采用精确率作为测试数据的精度指标，当精确率满足一定阈值(>＝0.95)，则模型可用来预测，否则调整超参数并继续训练；
精确率公式如下：
其中，tp＝truepositive，将病害预测成病害的数量，fp＝falsepositive，将背景预测成病害的数量。
图像分割训练：数据集为c2，同样地，训练次数至少是c2总量大小的10000倍，使用学习率自适应的随机梯度算法进行参数优化，为了加速学习采用批归一化方法(缓解梯度消散)和gpu硬件加速(加快计算)；
图像分割测试：数据集为t2，采用平均交并比作为测试数据的精度指标，当平均交并比满足一定阈值(>＝0.7)，则模型可用来预测，否则调整超参数并继续训练；
平均交并比公式如下：
其中area(tc)代表测试数据预测结果的像素面积，area(tg)代表测试数据真值的像素面积。
图像表观病害预测：选取不在训练集和测试集中的隧道影像作为输入，首先经过model1，若结果为0，则输出全为0的背景图像，若结果为1，则进入model2，输出预测标签文件，其中标签代码与表观病害类型一一对应。
4、存储病害识别结果。根据预测结果得到隧道表观结果，结合隧道区间的相关数据建立数据库，用户可以查看相应的隧道结构的表观病害结果。
制作隧道病害样本集：将原始影像按病害类型分别标注形成有多类型的标记文件，后根据标注文件判断是否含有病害，又形成新的单一类型的标记文件；
搭建了两阶段的卷积神经网络模型，第一步是图像分类，第二步是图像分割，图像分类用于预判断是否存在病害，存在病害才会采用图像分割，此举可以加快预测。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。