[发明专利]一种基于深度学习的隧道裂缝快速识别方法

权利要求书

1.一种基于深度学习的隧道裂缝快速识别方法，其特征在于，包括以下步骤：

S1、创建深度学习图像训练集；

（1）采集隧道图像：通过移动检测装备拍摄隧道表面得到单通道的隧道图像；

（2）通过人工筛查隧道图像，选出足够数量的张裂缝图像和非裂缝图像，并调整图像大小，图像格式与原始隧道图像一致；原始隧道图像记为I，宽和高记为（W,H），调整后的图像记为I^’，宽和高记为（w^’，H^’）；

（3）使用Photoshop软件打开调整大小后的裂缝图像，并通过“快速选择”工具选出裂缝区域，记为 ，非裂缝区域记为；

（4）选出的裂缝区域标记为1，并设置裂缝区域填充颜色为白色；非裂缝区域标记为0，并设置非裂缝区域填充颜色为黑色；

（5）裂缝和非裂缝区域颜色填充完成后，保存为训练集标签图像，记为，其格式与原始隧道图像I一致，大小为（w^’,H^’）；

S2、训练深度卷积神经网络模型；

（1）搭建卷积神经网络结构：卷积神经网络通过改进AlexNet结构来实现，把3个全连接层换成3个卷积层，增加1个反卷积层，改进后的网络由10个卷积层，5个池化层，1个Dropout层，1个反卷积层，10个卷积层记为C1~C10，5个池化层记为P1~P5，1个反卷积层记为DC1；卷积神经网络的代价函数选择softmax loss函数，激活函数选择整流线性单元函数；为了防止卷积神经网络模型过拟合，在代价函数中加入权值衰减正则化项，并在第6个卷积层C6后加入Dropout层，Dropout比例设为0.5；

（2）选择训练策略：卷积神经网络训练使用随机梯度下降方法进行优化求解，实现模型参数更新，并使用动量方法、批正则化方法来加速学习过程；

（3）选择深度学习库：使用深度学习库Caffe实现以上所述的卷积神经网络结构，并根据已选择的训练策略和图像训练集进行训练；

S3、使用训练好的卷积神经网络模型对待检测图像进行检测并输出预测标签图像；

（1）选择一张隧道图像作为待检测图像，并使用双线性插值方法把待检测图像大小调整至（w^’,H^’）像素，其中待检测图像的采集要求与深度学习训练集图像一致；

（2）调用Caffe的C++接口加载训练好的卷积神经网络模型，对待检测图像进行推理预测，输出预测标签图像；

S4、根据预测标签图像输出检测结果，包括图像类别、裂缝的坐标信息以及裂缝的像素级宽度值和长度值；

（1）使用双三次插值方法把预测标签图像大小调整至隧道原始图像大小（W,H），调整后的预测标签图像记为, 其格式与I一致；

（2）遍历预测标签图像中所有连通域，即裂缝区域，使用连通域面积最小化策略提取裂缝区域的外接矩形，并计算外接矩形的宽高比，记为；若大于或等于线性判定阈值，标记为有效裂缝区域；若小于线性判定阈值，则标记为无效裂缝区域，其中线性判定阈值记为；若预测标签图像中无有效裂缝区域，图像类别Class设为0；否则图像类别Class设为1；

（3）遍历有效裂缝区域，提取其轮廓点坐标集，记为，轮廓点坐标的个数记为，并计算其外接矩形长边的角度，记为；计算方法如下：

其中，和是外接矩形长边的两个端点坐标；

（4）计算裂缝的像素级长度：对裂缝区域的轮廓点坐标集进行抽样，抽样间隔记为，抽样后的轮廓点坐标的个数记为；根据抽样后的轮廓点坐标集计算裂缝的像素级长度值，计算方法如下：

；

（5）计算裂缝的像素级宽度：对裂缝区域的轮廓点坐标集进行抽样，抽样间隔记为，抽样后的轮廓点坐标集记为，轮廓点坐标的个数记为；根据抽样后的轮廓点坐标集计算裂缝的像素级宽度值，具体的计算步骤如下：

（a）把抽样后的各轮廓点位置的裂缝像素级宽度值初始化为0；

（b）遍历抽样后的轮廓点坐标集，计算相邻两点的角度值，记为；比较和，若两者间的误差绝对值大于或等于角度偏差阈值，那么放弃计算当前轮廓点位置的裂缝的像素级宽度值，遍历下一个轮廓点，角度偏差阈值记为；若两者间的误差绝对值小于角度偏差阈值，则计算出当前轮廓点位置的裂缝的像素级宽度值；各轮廓点位置的裂缝的像素级宽度值记为，计算方法如下：

其中，；

（c）裂缝的像素级宽度值后处理：首先去除中的零值，然后计算的平均值，取此平均值作为最终的裂缝的像素级宽度值；

S5、根据检测结果输出病害记录结果，若待检测图像中存在裂缝，则记录图像名称、裂缝的坐标信息以及裂缝的实际宽度值和长度值；若待检测图像中没有裂缝，则不记录。

2.根据权利要求1所述的一种基于深度学习的隧道裂缝快速识别方法，其特征在于，所述步骤S5包括：根据检测结果输出病害记录结果，若待检测图像中存在裂缝，则记录图像名称、裂缝的坐标信息以及裂缝的实际宽度值和长度值；若待检测图像中没有裂缝，则不记录；其中裂缝的实际宽度值和长度值分别记为w_real、L_real，计算方法如下：

其中，是尺度变换系数，表示图像中单个像素对应的实际距离值，取0.2 mm/pixel。