[发明专利]一种基于深度学习的隧道表面缺陷分割方法

说明书

本发明公开了一种基于深度学习的隧道表面缺陷分割方法，图像采集；图像预处理及数据集划分；网络构建，以深度残差网络为基础，将其最后的全连接层替换为卷积层；训练深度神经网络，初始化网络参数，设置初始学习率，将步骤二处理后得到的训练和验证集成批次输入深度卷积神经网络，每批次更新网络参数，设置训练停止条件，满足条件时停止训练，得到最终模型；用步骤四中训练好的模型对待检测的隧道表面图像实施分割，将隧道表面图像输入到深度神经网络，网络输出像素级缺陷分割结果图。本发明可以快速判断隧道表面图像是否有缺陷，并给出缺陷类别和缺陷所在的位置，具有效率高，准确率高，实用性强的优点。

技术领域

本发明涉及一种隧道表面缺陷分割方法，特别是一种基于深度学习的隧道表面缺陷分割方法，属于计算机视觉、图像处理领域。

背景技术

隧道是重要的铁路设施，其状态好坏直接影响铁路行车安全及运输效能。随着我国铁路提速战略的实施，对列车的安全性提出了更高要求，同时，运行速度的提高和重载列车的开行，对轨道破坏作用加大，导致轨道状态的恶化加剧。因此，定期检测隧道，及早发现损坏并及时维修，避免事故发生，已成为铁路工作中的一项基础工作。

目前隧道表面缺陷检测技术手段主要有人工目测法、磁粉法和电涡流法，这些方法各自存在劣势。目测法劳动强度大、危险性高、费事费力、效率低且测量结果受主观影响大；磁粉法则有较高的操作成本，同时分类准确度低，检测速度低；电涡流法由于存在高频激励信号，使系统结构及信号处理较为复杂，而且检测效率比较低。因此，开发一种高精度，高效的隧道表面缺陷检测技术显得尤为重要。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的隧道表面缺陷分割方法，提高隧道表面缺陷检测的检测效果。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于深度学习的隧道表面缺陷分割方法，其特征在于包含以下步骤：

步骤一：图像采集；

步骤二：图像预处理及数据集划分；

步骤三：网络构建，以深度残差网络为基础，将其最后的全连接层替换为卷积层；

步骤四：训练深度神经网络，初始化网络参数，设置初始学习率，将步骤二处理后得到的训练和验证集成批次输入深度卷积神经网络，每批次更新网络参数，设置训练停止条件，满足条件时停止训练，得到最终模型；

步骤五：用步骤四中训练好的模型对待检测的隧道表面图像实施分割，将隧道表面图像输入到深度神经网络，网络输出像素级缺陷分割结果图。

进一步地，所述步骤一具体为使用拍摄装置采集大量的原始隧道表面图像，图像包含缺陷图片及无缺陷图片，隧道表面缺陷包括渗水、裂缝、脱落和缺损。

进一步地，所述步骤二具体为图像预处理过程包括：图像去噪、图像增强、图像裁剪及标注，采用旋转、缩放、切割等方法对图像进行扩充和增强，将扩充后的图像数据集的样本，80％作为训练集和验证集，20％作为测试集。

进一步地，所述图像预处理过程采用邻域加权平均算法对原始图像滤除干扰噪声，具体过程为

假设图像中某像素点的灰度为f(x,y)，它的邻域S为M×N的矩形窗口，则用邻域加权平均算法进行滤波后，该像素点的灰度为：

式(1)中，w代表像素点权值；

根据灰度值设置不同像素点的权值w，采用邻域加权平均方法可以使得原图像在滤除噪声的同时保护裂缝细节。