[发明专利]隧道裂缝识别方法、装置、计算机设备和存储介质

说明书

本申请涉及一种隧道裂缝识别方法、装置、计算机设备和存储介质。所述方法包括：对隧道衬砌表面图像进行径向畸变校正和切向畸变校正，得到第一校正图像；对所述第一校正图像进行非线性失真校正，得到第二校正图像；将所述第二校正图像输入卷积神经网络模型，得到所述第二校正图像裂缝的识别结果；其中，所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。采用本方法能够提高隧道裂缝识别的准确度。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种隧道裂缝识别方法、装置、计算机设备和存储介质。

背景技术

隧道是埋置于地层内的工程建筑物，是人类利用地下空间的一种形式，隧道可分为交通隧道、水工隧道、市政隧道、矿山隧道。随着社会的发展，人类对隧道的需求越来越大，通过对隧道的建设与扩大，对隧道的维护也变得越来越重要。隧道在使用过程中，由于收到车辆的振动、周边载荷的扰动、岩土的压力以及其它自然环境的风化侵蚀，在隧道的衬砌表面出现裂缝，如果对裂缝不能及时发现和维修，会出现混泥土层对内部的钢筋保护失效、混泥土掉落，甚至严重的会出现隧道坍塌。

目前，出现了通过图像处理技术来实习对隧道衬砌表面的裂缝的识别。然而，现有的识别技术只能识别尺寸较大的裂缝，对于尺寸小裂缝的无法进行识别。

发明内容

基于此，有必要针对上述技术问题，提供一种能够裂缝识别精度的隧道裂缝识别方法、装置、计算机设备和存储介质。

一种隧道裂缝识别方法，所述方法包括：

对隧道衬砌表面图像进行径向畸变校正和切向畸变校正，得到第一校正图像；

对所述第一校正图像进行非线性失真校正，得到第二校正图像；

将所述第二校正图像输入卷积神经网络模型，得到所述第二校正图像裂缝的识别结果；其中，所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。

在其中一个实施例中，所述方法还包括：对所述裂缝图像根据相机标定参数，计算得到所述裂缝图像中裂缝的长度、宽度和距离。

在其中一个实施例中，所述对所述第一校正图像进行非线性失真校正，得到第二校正图像包括：

获取所述第一校正图像中每个像素点所处的网格的四个顶点；所述第一校正图像均匀划分成多个网格；

根据所述四个顶点所对应节点的最优补偿值，通过双线性插值算法计算出所述像素点的补偿值；

根据所述补偿值对每个所述像素点进行位置校正，得到第二校正图像。

在其中一个实施例中，在将所述第二校正图像输入卷积神经网络模型，得到所述第二校正图像裂缝的识别结果之前，包括：

从所述第二校正图像中获取裂缝训练集图像，并获得所述裂缝训练集图像的人工识别结果；

将所述裂缝训练集图像输入初始卷积神经网络，得到初始分类结果；其中，所述初始分类结果为对所述裂缝训练集图像的判断为裂缝分数和非裂缝分数；

计算所述初始分类结果与所述人工识别结果的平方误差代价函数的值；

当所述平方误差代价函数的值不为最小时，调整所述初始卷积神经网络的卷积层参数；

当所述平方误差代价函数的值为最小时，得到所述卷积神经网络模型。

在其中一个实施例中，所述当所述平方误差代价函数值不为最小时，调整所述初始卷积神经网络的卷积层参数，包括：

当所述平方误差代价函数的值不为最小时，根据平方误差代价函数的偏导计算卷积层参数的调整步长；

根据所述调整步长对所述初始卷积神经网络的卷积层参数进行调整。