一种隧道衬砌裂缝长度与宽度的检测分割方法及系统与流程

本发明属于隧道病害检测，具体的说，涉及一种隧道衬砌裂缝长度与宽度的检测分割方法及系统。

背景技术：

1、随着中国经济高速发展，城市空间需求急剧膨胀与地面空间有限这一矛盾日益突出，有效地开发利用城市地下空间愈来愈迫切。隧道结构作为人类利用地下空间的重要生命线工程，其建设得到了前所未有的发展。然而，由于隧道是修建在地下岩土介质中的半隐蔽工程，而且我国隧道是在不同时期、不同地质条件和不同技术水平下修建的。经过多年运营，许多隧道已出现多种病害，衬砌裂缝是最常见也是最严重的病害之一。实现隧道衬砌裂缝病害的自动快速识别和检测，对于隧道衬砌结构安全评估和隧道的安全运营管理具有重要的基础性意义，是现实工程应用中的迫切需要，也是目前隧道工程领域国内外研究的热点和前沿问题。

2、长期以来，隧道衬砌裂缝的检测方法以手工测量为主，此类方法存在效率低、危险程度高、主观性强、准确性无法保证以及费时费力等缺点。近年来，得益于更大的数据集、更强大的计算机和能够训练更深网络的技术，深度学习算法在裂缝识别领域取得重大突破并且获得了比传统方法更好的识别效果，现有技术中常用的典型目标检测算法主要有r-cnn、spp net、faster r-cnn，虽然这些算法具有较高的检测精度，但其检测速度较慢，检测的精度和速度难以兼顾，且在复杂环境影响下检测精度不能满足工程需要。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、本发明采用如下的技术方案。

3、一种隧道衬砌裂缝长度与宽度的检测分割方法，具体步骤包括：

4、s1:搜集隧道衬砌裂缝的图像，并进行数据增强后，获得训练图像；

5、s2：将训练图像进行划分，预留好测试集，将剩余图像进行标记，按照比例随机划分为训练集和验证集；

6、s3：将训练集输入到yolov8网络模型中进行预训练，使用验证集测试模型检测与分割性能，使用测试集优化模型训练超参数，获取检测与分割模型；

7、s4:采集隧道衬砌裂缝的图像，输入至检测与分割模型；

8、s5:使用检测与分割模型对隧道衬砌裂缝图像中的裂缝进行检测与分割，计算裂缝的长度和最大宽度。

9、进一步的，所述步骤s1中使用的数据增强方法为mosaic、随机hsv、仿射变换。

10、进一步的，所述步骤s2中对图像进行标记的工具为roboflow在线标注工具，数据集划分方式为预留部分数据作为测试集，训练集和验证集划分比例为8：2。

11、进一步的，所述步骤s3的具体步骤包括：

12、将训练集输入到yolov8网络模型中进行预训练，初步获取检测与分割模型；

13、从测试集中提出图像，作为预训练模型输入，优化模型训练超参数；

14、输入验证集，得到的检测与分割结果，评估是否满足检测与分割精度；

15、调整训练超参数，重复上述步骤，直至获得最优训练超参数组合。

16、进一步的，所述训练超参数包括训练轮数、优化器类型、初始学习率、参数优化算法、输入图像的批次与分割掩码下采样率。

17、进一步的，所述步骤s4中图像采集方式为无人机系统采集、智能手机拍照采集和单反相机采集中的至少一种。

18、进一步的，步骤s5中所述长度计算的具体步骤为：

19、将裂缝检测与分割模块的结果掩码通过astype函数转换为uint8类型，并将其转换为二值化图像；

20、通过skimage.morphology模块中的skeletonization函数对二值化图像进行骨架提取，并通过lee方法得到最细的骨架结构，再通过regionprops函数检索骨架化之后的边界长度，得到裂缝的骨架路径长度；

21、通过argwhere函数对骨架化图像进行非零元素的位置提取，得到表示路径像素的两列坐标，第一列表示x坐标，第二列表示y坐标；

22、通过linearregression函数创建一个线性回归模型对象，再使用拟合函数fit(x,y)函数对路径像素的坐标进行拟合，其中x是路径像素的横坐标数组，y是路径像素的纵坐标数组，通过min和max函数分别计算路径像素的x坐标的最小值和最大值，并使用训练好的线性回归模型对y的最小值和最大值进行预测；

23、根据预测得到的y坐标和路径的x坐标范围，使用欧氏距离计算路径的长度，即为裂缝的长度值l，其中欧式距离的具体表达式为：

24、

25、式中xmax、xmin分别为计算路径像素的x坐标的最小值和最大值，ymax、ymin分别为训练好的线性回归模型对y预测的最小值和最大值。

26、进一步的，步骤s5中所述宽度计算的具体步骤为：

27、将裂缝检测与分割模块的结果掩码通过astype函数转换为uint8类型，并将其转换为二值化图像；

28、通过opencv中的findcontours函数在图像中找到所有的裂缝轮廓，并指定轮廓检索模式为树形检索模式来检测所有的裂缝轮廓，建立轮廓之间的完整层级关系，再指定轮廓的近似方法为简单逼近方法，以减少轮廓点的存储空间，仅保留端点信息；

29、对于每个轮廓，通过提取轮廓上最左、最右、最上、最下的点，确定一个能包含该轮廓的最小矩形区域，计算最小矩形的最小边长的一半，作为内切圆的半径的上限，定义一个精度参数pr；

30、构造包含轮廓矩形区域内所有像素点的网格点坐标矩阵，遍历网格中的每个像素点，使用pointpolygontest函数判断该点是否在轮廓内，筛选出轮廓内的所有像素点，并将其坐标添加到列表中；

31、从列表中随机选择一部分像素点，计算它们对应的内切圆半径，并更新当前的最大半径和中心点；

32、对剩余的像素点进行循环搜索，计算它们对应的内切圆半径，更新最大半径和中心点，最终从裂缝内切圆半径列表中找到具有最大半径的裂缝位置，并获取其对应的中心点及直径值即最大裂缝宽度，其中精度参数pr具体表达式为：

33、

34、式中，rx、lx分别为轮廓上最左与最右的点的横坐标值，dy、uy分别为轮廓上最下与最上的点的纵坐标值。

35、进一步的，所述yolov8网络模型采用轻量化的yolov8s-seg网络结构。

36、本发明另外还提供一种隧道衬砌裂缝长度与宽度的检测分割系统，所述系统用于实现上述的检测分割方法，包括：

37、图像处理模块，用于搜集隧道衬砌裂缝的图像，并进行数据增强后，获得训练图像；

38、图像划分模块，用于将训练图像进行划分，预留好测试集，将剩余图像进行标记，按照比例随机划分为训练集和验证集；

39、模型训练模块，用于将训练集输入到yolov8网络模型中进行预训练，使用验证集测试模型检测与分割性能，使用测试集优化模型训练超参数，获取检测与分割模型；

40、图像采集模块，用于采集隧道衬砌裂缝的图像，输入至检测与分割模型；

41、裂缝测量模块，用于使用检测与分割模型对隧道衬砌裂缝图像中的裂缝进行检测与分割，计算裂缝的长度和最大宽度。

42、相比于现有技术，本发明的有益效果为：

43、本发明基于yolov8网络模型来替代现有技术中的r-cnn、spp net、fas ter r-cnn等二阶段检测模型，在提升模型对隧道衬砌裂缝检测与分割速度的同时还能保证高精度，使用经过数据增强后的图像训练yolov8网络模型，保证获得的模型满足检测与分割精度，让检测与分割模型可以用于多种复杂场景下的裂缝数目、长度、最大宽度测量，应用范围广泛，适应性强，为未来利用计算机视觉技术完全实现隧道病害识别与检测自动化提供了技术支撑。