一种基于深度学习的隧道衬砌病害智能检测方法

1.本发明涉及隧道病害检测技术领域，特别涉及一种隧道衬砌病害检测方法。


背景技术：

2.隧道受施工质量、运营年限以及外界环境影响会产生裂缝、变形、破损、掉块和渗漏水等病害，威胁隧道结构的安全性、稳定性以及耐久性。
3.病害的类型和发展程度是隧道安全性评价的重要的指标，目前病害的检测主要依赖于人工判别和评估，主观性强，效率低，隧道病害智能化、连续快速识别迫在眉睫。


技术实现要素：

4.有鉴于此，本发明的目的是提供一种基于深度学习的隧道衬砌病害智能检测方法，以解决现有技术中由人工判别病害主观性强，效率低的技术问题。
5.本发明基于深度学习的隧道衬砌病害智能检测方法包括以下步骤：
6.s1：采集隧道拱顶、拱腰以及边墙图像，再经人工检测选出存在病害的图像，裁剪病害图像，并标注病害类别及位置信息，再制作由经过标注的病害图像样本构成的隧道衬砌病害数据集；
7.s2：将隧道衬砌病害数据集中的病害图像样本划分为训练集与测试集；
8.s3：搭建深度学习模型，所述深度学习模型包括输入层、与输入层连接的编码层、与编码层连接的位置敏感分析层、与位置敏感分析层连接的非极大线性抑制层和与非极大线性抑制层连接的输出层；
9.所述输入层用于接受图片输入；
10.所述编码层用于对输入图片进行处理，以提取到感兴趣区域；
11.所述位置敏感分析层用于对生成的感兴趣区域进行位置敏感得分映射和边界框回归；
12.所述非极大线性抑制层用于对位置敏感分析层的输出进行过滤；
13.所述输入层用于输出感兴趣区域的病害类别预测值与病害定位预测值；
14.s4：通过训练集对所搭建的深度学习模型进行训练及参数迭代，通过测试集评估经训练后的深度学习模型的检测效果，选择最终应用的深度学习模型；
15.s5：用经选择得到的深度学习模型检测隧道图像中病害，输出病害类别与位置信息。
16.进一步，所述步骤s3中的位置敏感得分映射具体过程为：
17.第一步：将感兴趣区域划分为k
×
k个格子，则每个格子的大小为其中w为感兴趣区域的宽度，h为感兴趣区域的长度，对某个格子进行的池化操作定义为：
[0018][0019]
其中，rc(i,j)是在第(i,j)个格子下第c个类别的响应值，0≤i，j≤k-1；z
i,j,c
指k2(c+1)个得分图中之一，(x0,y0)为感兴趣区域左上角坐标值，n为格子中像素点的个数，θ是网络的参数；
[0020]
第二步：求取感兴趣区域上每个类别的分数，取平均值得
[0021]
进一步，所述步骤步骤s3中，位置敏感分析层将每个感兴趣区域划分为3
×
3个格子，使用一个卷积层对每种物体类别产生9个位置敏感得分图，9个得分图分别描述一个类别的左上、中上、右上、左中、中间、右中、左下、中下和右下的相对位置信息，得到9*(3+1)的通道的输出，3代表病害类别数，1代表背景；
[0022]
所述位置敏感分析层还通过4*9个通道的卷积层用于边界框回归，最终每个感兴趣区域经过位置敏感分析层后得到一个4维的定位预测值。
[0023]
进一步，所述步骤s4中，对深度学习模型训练时，采用端到端的方式，使用误差的反向传播以及随机梯度下降的算法，每批次图像在训练时的损失函数为：
[0024]
l(s,l
x,y,w,h
)＝l
cls
(s
c*
)+λ[c*＞0]l
reg
(t,t*)
[0025]
l
cls
(s
c*
)＝-log(s
c*
)
[0026][0027]
其中，为分类损失函数，l
reg
(t,t*)为回归损失函数，使用smooth-l1，c*是感兴趣区域的真实框类别，t*是感兴趣区域的真实框位置信息，λ＝1；c*＝0表示背景，当c*为物体类别时，[c*＞0]＝1，否则为0，即当判断类别为背景时，不做回归运算，为类别响应。
[0028]
进一步，所述步骤s4中，采用准确率、召回率指标作为测试数据的精度指标，选择召回率指标最好的深度学习模型作为最终应用的模型。
[0029]
本发明的有益效果：
[0030]
本发明基于深度学习的隧道衬砌病害智能检测方法，其以隧道图像为数据源，能对隧道表观病害进行智能识别并分类，并能对病害位置进行定位，相对于现有依靠人工判别和评估病害，其工作效率大大提高。
附图说明
[0031]
图1为深度学习模型的结构图。
具体实施方式
[0032]
下面结合附图和实施例对本发明作进一步描述。
[0033]
如图所示，本实施例中基于深度学习的隧道衬砌病害智能检测方法包括以下步骤：
[0034]
s1：采集隧道拱顶、拱腰以及边墙图像，再经人工检测选出存在病害的图像，裁剪病害图像，并标注病害类别及位置信息，再制作由经过标注的病害图像样本构成的隧道衬砌病害数据集。
[0035]
本步骤中，具体采用隧道检测车对多条隧道进行无干扰快速检测，检测车采用3个相机扫描隧道衬砌，三个相机分别采集隧道拱顶、拱腰以及边墙图像，相机采用4k线扫描相机，采用半幅模式采集，可实现隧道衬砌的海量高清图像快速采集。
[0036]
本步骤中，根据采集的图像，经过人工检测确认后分析常见病害及其比例，确定检测病害的类型，如为裂纹、渗水或剥落。
[0037]
本步骤中，使用labelimg软件标注病害类别及位置信息。
[0038]
本步骤中的隧道衬砌病害数据集包含3万张图片样本。
[0039]
s2：将隧道衬砌病害数据集中的病害图像样本划分为训练集与测试集。本步骤中，所述训练集占样本总数的90％，所述测试集占样本总数的10％。
[0040]
s3：搭建深度学习模型，所述深度学习模型包括输入层、与输入层连接的编码层、与编码层连接的位置敏感分析层、与位置敏感分析层连接的非极大线性抑制层和与非极大线性抑制层连接的输出层。
[0041]
所述输入层用于接受图片输入，所述编码层用于对输入图片进行处理，以提取到感兴趣区域。
[0042]
所述位置敏感分析层用于对生成的感兴趣区域进行位置敏感得分映射和边界框回归。所述位置敏感得分映射具体过程为：
[0043]
第一步：将感兴趣区域划分为k
×
k个格子，则每个格子的大小为其中w为感兴趣区域的宽度，h为感兴趣区域的长度，对某个格子进行的池化操作定义为：
[0044][0045]
其中，rc(i,j)是在第(i,j)个格子下第c个类别的响应值，0≤i，j≤k-1；z
i,j,c
指k2(c+1)个得分图中之一，(x0,y0)为感兴趣区域左上角坐标值，n为格子中像素点的个数，θ是网络的参数。本步骤中，每个感兴趣区域具体被划分为3
×
3个格子，使用一个卷积层对每种物体类别产生9个位置敏感得分图，9个得分图分别描述一个类别的左上、中上、右上、左中、中间、右中、左下、中下和右下的相对位置信息，得到9*(3+1)的通道的输出，3代表病害类别数，1代表背景。
[0046]
第二步：求取感兴趣区域上每个类别的分数，取平均值得
[0047]
所述位置敏感分析层还通过4*9个通道的卷积层用于边界框回归，最终每个感兴趣区域经过位置敏感分析层后得到一个4维的定位预测值。
[0048]
所述非极大线性抑制层用于对位置敏感分析层的输出进行过滤。
[0049]
所述输入层用于输出感兴趣区域的病害类别预测值与病害定位预测值。
[0050]
s4：通过训练集对所搭建的深度学习模型进行训练及参数迭代，通过测试集评估经训练后的深度学习模型的检测效果，选择最终应用的深度学习模型。
[0051]
本步骤中，对深度学习模型训练时，采用端到端的方式，使用误差的反向传播以及随机梯度下降的算法，每批次图像在训练时的损失函数为：
[0052]
l(s,l
x,y,w,h
)＝l
cls
(s
c*
)+λ[c*＞0]l
reg
(t,t*)
[0053]
l
cls
(s
c*
)＝-log(s
c*
)
[0054][0055]
其中，为分类损失函数，l
reg
(t,t*)为回归损失函数，使用smooth-l1，c*是感兴趣区域的真实框类别，t*是感兴趣区域的真实框位置信息，λ＝1；c*＝0表示背景，当c*为物体类别时，[c*＞0]＝1，否则为0，即当判断类别为背景时，不做回归运算，为类别响应。
[0056]
本步骤中，采用准确率、召回率指标作为测试数据的精度指标，选择召回率指标最好的深度学习模型作为最终应用的模型。
[0057]
s5：用经选择得到的深度学习模型检测隧道图像中病害，输出病害类别与位置信息。
[0058]
本实施例基于深度学习的隧道衬砌病害智能检测方法，其以隧道图像为数据源，通过深度学习模型对隧道表观病害进行智能识别并分类，并对病害位置进行定位，相对于现有依靠人工判别和评估病害，其工作效率大大提高。
[0059]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。