结合卷积神经网络和支持向量机的隧道表面缺陷检测方法与流程

本发明涉及一种隧道表面缺陷检测方法，特别是一种结合卷积神经网络和支持向量机的隧道表面缺陷检测方法，属于计算机视觉、图像处理领域。

背景技术：

近年来，随着我国社会的进步、经济的发展，基础设施建设的规模越来越大，混凝土已经应用于各种各样的工程中。早期建设的地铁隧道基础设施已经进入养护维护期，而新建成的地铁隧道，因地质、地下水、邻近基坑施工以及本身结构负荷等各方面的综合影响，可能会使隧道结构产生渗水、裂缝、形变等危害隧道安全的变化，必须及时准确的进行长期的形变监测和病害调查以便及时发现和预报险情，保证隧道运营安全。

目前采用较多的地铁隧道缺陷检测方式仍然是现场人工检测，配合常用的仪器设备，如：钢尺、游标卡尺、裂缝检测仪、裂缝测宽仪等，人工书面记录调查信息。传统的人工定期检测法，不仅效率不高，耗费人力、物力大；且存在效率低、主观性强、成本高等缺点，大于前期病害现象也很难发现，这样子无法保证隧道的长期安全运行。机器视觉检测技术具有功能多、人工干预少、非接触、精度高等优点。能很好地代替人来进行检测，因此近年来，基于机器视觉的地铁隧道缺陷检测方式逐渐成为人们关注的焦点。

技术实现要素：

本发明所要解决的技术问题是提供一种结合卷积神经网络和支持向量机的隧道表面缺陷检测方法，用于检测隧道表面潜在的缺陷，并具有良好的检测效果。

为解决上述技术问题，本发明所采用的技术方案是：

一种结合卷积神经网络和支持向量机的隧道表面缺陷检测方法，其特征在于包含以下步骤：

步骤一：获取地铁隧道表面图像数据，将获取到的隧道反射率影像进行初步筛选，选取无缺失和纹理信息丰富的反射率影像；

步骤二：图像数据预处理增强及划分数据集，对筛选后的图像进行预处理，增强图像数据的信息特征，建立并扩充图像数据集，从扩充后的图像数据集中划分出训练集和测试集；

步骤三：构建缺陷检测网络模型：构建一个四层的卷积神经网络结构来提取图像特征，后面将提取到的特征输入支持向量机模块中；

步骤四：进行缺陷网络模型训练，采用训练集样本步骤三构建的卷积神经网络和支持向量机相结合的缺陷检测模型进行训练，经过前向传播后逐像素计算最终预测分类的损失，采用随机梯度下降法和反向传播算法进行权重的迭代更新,直到全卷积神经网络模型的损失值趋向于收敛时，停止训练，生成隧道表面缺陷检测模型；

步骤五：隧道表面缺陷检测测试，利用步骤四中训练好的隧道表面缺陷检测模型对测试集的样本进行裂缝特征提取，自动生成隧道表面缺陷检测结果。

进一步地，所述步骤一中对图像进行筛选，在获取到影像后，剔除影像信息缺失五分之一集以上的影像；对于带有明显白点、空洞丢失和严重位置偏移的影像，也进行剔除。

进一步地，所述步骤二具体为

图像预处理，对于初筛后的影像，采用加权均值算法，对原始隧道表面图像进行滤波，去除图像中所含有的噪声；

图像数据集划分，对于处理后的图像，随机挑选70％作为训练集，剩余30％作为测试集。

进一步地，所述步骤三中构建的隧道缺陷检测模型分为两个模块：(1)卷积神经网络提取特征模块；(2)支持向量机检测隧道检测缺陷模块。

进一步地，所述卷积神经网络提取特征模块有4层分别由卷积操作层和下采样层交替组成，卷积操作层和下采样层的特征图的个数分别为：256，128，64，32；卷积操作层和下采样层的卷积窗口大小分别为：7x7，4x4，5x5，4x4。

进一步地，所述的支持向量机检测隧道检测缺陷模块参数在于：采用网格搜索法对支持向量机核函数以及参数进行对比选择，其中候选核函数为:多项式、线性、高斯径向基核函数；参数搜索范围为:γ∈(0，50)、c∈(1，200)、d∈(1，10)，其中γ为径向基函数的参数、c为惩罚因子、d为多项式函数的阶数。

进一步地，所述步骤四中，建立基于pytorch深度学习库搭建的模型，使用交叉熵作为损失函数，所述损失函数为其中，i表示图像中的像素点，n表示图像像素点的总数，ytrue表示像素点i的期望输出，ypred表示像素点i的实际输出。

进一步地，训练模型的优化器为adam优化器，预设最大迭代训练次数100k，初始学习率设为0.01，没10k次数减少10倍。

本发明与现有技术相比，具有以下优点和效果：本发明可以快速识别隧道表面缺陷特征，并检测出隧道表面缺陷，完成对隧道表面图像的自动分析，节省人力成本并排除人为主观因素的干扰，具有效率高，准确率高，实用性强的优点。

附图说明

图1是本发明的结合卷积神经网络和支持向量机的隧道表面缺陷检测方法的流程图。

图2是本发明实施例的输入全卷积神经网络结构示意图。

图3是本发明实施例的原始数据图的示意图。

图4是本发明实施例的处理后的结果的示意图。

具体实施方式

为了进一步阐明本发明的工作原理和工作过程，下面结合附图与具体实施例对本发明方法做详细的介绍。

如图1所示，本发明的一种结合卷积神经网络和支持向量机的隧道表面缺陷检测方法，包含以下步骤：

s1：获取地铁隧道表面图像数据，将获取到的隧道反射率影像进行初步筛选，选取无缺失和纹理信息丰富的反射率影像；对图像进行筛选，在获取到影像后，剔除影像信息缺失五分之一集以上的影像；对于带有明显白点、空洞丢失和严重位置偏移的影像，也进行剔除。

首先，对于t图3所示的原始图像，采用加权均值方法原始图像滤除干扰噪声，具体算法为：

假设图像中某像素点的灰度为f(x,y)，它的邻域s为m×n的矩形窗口，则用邻域加权平均算法进行滤波后，该像素点的灰度为：

式中，w代表像素点权值。

s2：图像数据预处理增强及划分数据集，对筛选后的图像进行预处理，增强图像数据的信息特征，建立并扩充图像数据集，从扩充后的图像数据集中划分出训练集和测试集；

图像预处理，对于初筛后的影像，采用加权均值算法，对原始隧道表面图像进行滤波，去除图像中所含有的噪声；

图像数据集划分，对于处理后的图像，随机挑选70％作为训练集，剩余30％作为测试集。

s3：构建缺陷检测网络模型：构建一个四层的卷积神经网络结构来提取图像特征，后面将提取到的特征输入支持向量机模块中；构建缺陷检测神经网络中的卷积神经网络模块，分别为第一层卷积层，第二层池化层，第三层卷积层，第四层池化层。第一层卷积层窗口大小为7x7，第二层池化层窗口大小为2x2，第三层卷积层窗口大小为5x5，第四层池化层窗口大小为2x2。第一层卷积层特征图数目为256，第二层池化层特征图数目为128，第三层卷积层特征图数目为64，第四层池化层特征图数目为32。

对输入的原始图像进行卷积conv_1、池化pool_1操作后，生成的特征图大小缩小为原图像的1/2；之后对特征图进行第二次卷积conv_2、池化pool_2操作后，生成的特征图大小缩小为原图像的1/4；特征图大小缩小为原图像的1/4。

构建的隧道缺陷检测模型分为两个模块：(1)卷积神经网络提取特征模块；(2)支持向量机检测隧道检测缺陷模块。

卷积神经网络提取特征模块有4层分别由卷积操作层和下采样层交替组成，卷积操作层和下采样层的特征图的个数分别为：256，128，64，32；卷积操作层和下采样层的卷积窗口大小分别为：7x7，4x4，5x5，4x4。

支持向量机检测隧道检测缺陷模块参数在于：采用网格搜索法对支持向量机核函数以及参数进行对比选择，其中候选核函数为:多项式、线性、高斯径向基核函数；参数搜索范围为:γ∈(0，50)、c∈(1，200)、d∈(1，10)，其中γ为径向基函数的参数、c为惩罚因子、d为多项式函数的阶数。

将得到的特征图输入到支持向量机分类器中，采用网格搜索法对支持向量机核函数以及参数进行对比选择，其中候选核函数为:多项式、线性、高斯径向基核函数。参数搜索范围为:γ∈(0，50)、c∈(1，200)、d∈(1，10)，其中γ为径向基函数的参数、c为惩罚因子、d为多项式函数的阶数。

s4：进行缺陷网络模型训练，采用训练集样本步骤三构建的卷积神经网络和支持向量机相结合的缺陷检测模型进行训练，经过前向传播后逐像素计算最终预测分类的损失，采用随机梯度下降法和反向传播算法进行权重的迭代更新,直到全卷积神经网络模型的损失值趋向于收敛时，停止训练，生成隧道表面缺陷检测模型；

建立基于pytorch深度学习库搭建的模型，使用交叉熵作为损失函数，所述损失函数为其中，i表示图像中的像素点，n表示图像像素点的总数，ytrue表示像素点i的期望输出，ypred表示像素点i的实际输出。

训练模型的优化器为adam优化器，预设最大迭代训练次数100k，初始学习率设为0.01，没10k次数减少10倍。具体的训练参数设置为：预设训练最大迭代100k次，minibatch为20张训练数据，初始学习率为0.01，每10k次后学习率降低10倍，momentum设置为0.9。

步骤五：隧道表面缺陷检测测试，利用步骤四中训练好的隧道表面缺陷检测模型对测试集的样本进行裂缝特征提取，自动生成隧道表面缺陷检测结果。如图4所示，图4是将图3输入本实施的缺陷检测模型的自动化识别的结果。

本发明可以快速识别隧道表面缺陷特征，并检测出隧道表面缺陷，完成对隧道表面图像的自动分析，节省人力成本并排除人为主观因素的干扰，具有效率高，准确率高，实用性强的优点。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。