[发明专利]一种基于深度学习的隧道裂缝快速识别方法

说明书

本发明是一种基于深度学习的隧道裂缝快速识别方法，主要解决目前基于深度学习的裂缝检测方法无法直接获取裂缝的长度和宽度信息的问题，本发明包括步骤：S1、创建深度学习图像训练集；S2、训练深度卷积神经网络模型；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；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；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。

技术领域

本发明涉及一种隧道裂缝快速识别方法，并公开一种基于深度学习的隧道裂缝快速识别方法，应用于地下工程领域。

背景技术

随着科技的进步和社会的发展，隧道工程的建设规模与日俱增，大大方便了人们的出行和生活，如地铁隧道、铁路隧道、公路隧道等，而大部分已建成的隧道工程已进入养护维修阶段，因此，随着隧道数量持续增加，隧道结构的运营状态与病害检测也变得尤为重要。在隧道的运营过程中，由于受到车辆的振动、周边荷载的扰动、围岩压力变化等影响，隧道表面会出现裂缝，裂缝不仅导致混凝土层对内部钢筋保护失效，还可能会导致混凝土掉落，造成行车安全问题，严重的裂缝更是隧道坍塌的前兆，因此隧道裂缝检测是隧道日常运营状态与病害检测的主要项目之一。

目前的隧道裂缝检测方法主要有：人工观察、数字图像处理识别、雷达检测法等。相对于其他两种方法，数字图像处理识别方法，尤其是基于深度学习的隧道裂缝检测方法具有实时性高，精度高，鲁棒性高等优点，已成为隧道裂缝检测业务的主流方法。近年来，有许多学者对基于深度学习的裂缝检测展开了研究。

公开号为CN106910186A的专利文献，公开了一种基于CNN深度学习的桥梁裂缝检测定位方法，该方法使用55000张16*16像素大小的图像集训练一个包含四个卷积层和两个全连接层的神经网络，并采用滑动窗口和高斯图像金字塔下采样方法对待检测图像进行检测，输出裂缝的外接矩形框坐标和像素级面积。

公开号为CN106841216A的专利文献，公开了基于全景图像CNN的隧道病害自动识别装置，该方法首先通过全景视觉传感器获取隧道内壁全景图像，然后使用传统数字图像处理技术提取出疑似病害的图像，最后通过卷积神经网络对疑似病害的图像进行检测，并输出被检测图像存在裂纹、裂缝、衬砌脱落、渗漏水四种病害类型的概率。

以上文献公开的裂缝检测方法，都没有直接输出裂缝分割的结果，因此无法直接获取裂缝的长度和宽度信息，而是裂缝的长度和宽度信息是裂缝病害等级评估的重要指标。以上方案获取裂缝的长度和宽度信息需要增加后处理方法（如图像分割），增加了裂缝检测流程和时间成本，同时后处理方法的效果直接影响着裂缝的长度和宽度信息的准确度，降低了整个裂缝检测系统的鲁棒性。因此，有必要通过端对端的卷积神经网络直接输出裂缝分割的结果，以直接获取裂缝的长度和宽度信息，以提高效率和鲁棒性。

发明内容

针对目前基于深度学习的裂缝检测方法无法直接获取裂缝的长度和宽度信息的问题，本发明提供了一种基于深度学习的隧道裂缝快速识别方法，用于隧道裂缝检测，以提高隧道裂缝检测工作的效率。

本发明的技术方案：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。

所述步骤S1的具体操作如下：

（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，其分辨率一般要求不低于200万像素，图像的清晰度要求足够高，图像中的裂缝最小宽度不低于1像素；

（2）通过人工筛查隧道图像，选出5万张裂缝图像和5万张非裂缝图像，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^’）；