[发明专利]一种基于学习的隧道表面缺陷定位方法

权利要求书

1.一种基于深度学习的隧道表面缺陷定位方法，其特征在于：具体包括以下步骤：

S1：数据的采集：使用数据采集装置采集隧道表面数据；

S2：数据集的构建：以采集到的隧道表面数据构建隧道表面缺陷定位数据集；

S3：模型的构建：利用深度学习技术构建隧道表面缺陷定位模型；

S4：模型的训练：将采集的到的数据集输入步骤S3构建的隧道表面缺陷定位模型中，对模型进行训练；

S5：缺陷定位：以新的数据作为输入，用S4训练好的隧道表面缺陷定位模型进行隧道表面缺陷的定位。

2.根据权利要求1所述的一种基于深度学习的隧道表面缺陷定位方法，其特征在于：所述步骤S1中的数据采集装置包括高分辨率线阵相机，数据采集装置采集数据时通过高亮度光源照亮被拍摄隧道表面，从而进行影像数据的采集，所述数据采集装置采集的数据即为拍摄到的隧道表面的照片，根据设备性能及存储空间将线阵相机采集到的数据进行定时的裁切，得到分辨率合适的图像数据。

3.根据权利要求1所述一种基于深度学习的隧道表面缺陷定位方法，其特征在于：所述步骤S2中构建隧道表面缺陷定位数据集的具体方法为：

(1)对步骤S1采集到的照片数据进行处理；

(2)对处理后的照片进行缺陷的标注。

4.根据权利要求3所述一种基于深度学习的隧道表面缺陷定位方法，其特征在于：所述步骤(1)中对采集到的照片进行的处理包括去噪、滤波、裁剪、分辨率调整和亮度调整。

5.根据权利要求3所述一种基于深度学习的隧道表面缺陷定位方法，其特征在于：所述步骤(2)中对处理后的照片进行缺陷的标注的具体方法为：将照片中有缺陷的部位用一个包围缺陷的矩形进行标注，针对每个缺陷标注所得信息为5维的向量，包括是否为缺陷、缺陷的坐标和缺陷的大小，对不含缺陷的隧道表面照片不进行任何标注。

6.根据权利要求1所述一种基于深度学习的隧道表面缺陷定位方法，其特征在于：所述步骤S3中构建深度学习模型的具体步骤为：

(1)特征提取网络选取：所述特征提取网络可将输入的隧道表面图片转换为高维空间的特征矩阵(特征图)；

(2)缺陷检测模型的构建：构建的缺陷检测模型为一个单类别的目标检测网络，用于缺陷的检测及定位，包含16个卷积层，2个全连接层。所述缺陷检测模型的使用为：对特征提取网络输出的特征图在通道方向上每一维向量取3个不同长宽比的目标框，采用SVM分类器对目标框中是否包含缺陷进行分类，同时将每个目标框输入一个自编码器进行目标框的回归，得到更精确的检测结果，将分类的结果和回归的结果一起作为网络的输出，用于缺陷的检测及定位；

(3)loss的设计：所构建的loss为L＝L_cls+L_pos，其中L_cls表示有无缺陷分类的损失函数，对分类的准确性负责；L_pos表示缺陷定位的损失函数，对缺陷定位的精确度负责。

7.根据权利要求1所述一种基于深度学习的隧道表面缺陷定位方法，其特征在于：所述步骤S4中对模型进行训练的方法为：将所述步骤S2得到的数据集输入所述步骤S3构建的缺陷定位模型中，并选择超参数进行网络模型的训练，每迭代一定的次数保存一个模型，将最终所得的全部模型在另一部分预留的未参与训练的数据集上进行测试，将测试准确率最高的模型进行保存供步骤S5使用，其中，对模型进行训练停止的条件为loss降低到特定的数量级或训练达到最大迭代次数，最优模型选择的条件为模型在测试数据上达到最高准确率。

8.根据权利要求1所述一种基于深度学习的隧道表面缺陷定位方法，其特征在于：所述步骤S5中缺陷定位的具体步骤为：

(1)新数据的采集与处理：新数据的采集与步骤S1中的数据采集操作相同，新数据处理与步骤S2中的数据处理操作一致；

(2)缺陷的定位：将采集到的新数据输入到步骤S4训练好的缺陷定位模型中，所述缺陷定位模型对输入的数据进行评估，并输出缺陷定位结果。

9.根据权利要求8所述一种基于深度学习的隧道表面缺陷定位方法，其特征在于：所述缺陷定位结果为n×5的矩阵，其中，n与网络结构以及输入网络的数据大小有关，5表示(cls,x,y,w,h)，其中，cls指示检测结果是否包含缺陷，(x,y,w,h)表示缺陷的位置信息，将采集到的新数据输入到S4训练好的模型后，对输出矩阵进行遍历，当cls置信度大于特定阈值θ时表示对应位置包含一个缺陷，若所有的均小于θ，则表示输入数据中不包含缺陷。