[发明专利]一种基于深度学习的车载隧道缺陷在线检测系统及方法

权利要求书

1.一种基于深度学习的车载隧道缺陷在线检测系统，其特征在于，包括数据采集模块、GPU服务器实时检测模块与缺陷报警模块，所述数据采集模块的输出端与所述GPU服务器实时检测模块的输入端连接，所述GPU服务器实时检测模块的输出端与所述缺陷报警模块的输入端连接；

所述数据采集模块用于采集隧道缺陷检测所需数据以及定位信息，所述GPU服务器实时检测模块用于对数据采集模块输入的视频图片信息进行构建和渲染，并行处理数据，加快检测速度；所述缺陷报警模块用于对检测网络检测出的隧道缺陷进行定位确认，确认缺陷的位置信息与类别，并将检测结果输出到终端报警设备。

2.根据权利要求1所述的一种基于深度学习的车载隧道缺陷在线检测系统，其特征在于，所述数据采集模块包括相机、多普勒测速雷达与射频标签RFID，所述相机用于采集隧道里面有缺陷的图像数据，所述多普勒测速雷达和射频标签RFID用于获取定位信息。

3.根据权利要求1所述的一种基于深度学习的车载隧道缺陷在线检测系统，其特征在于，所述GPU服务器实时检测模块还连接有数据处理存储模块与电源模块，所述数据处理存储模块用于将接收到的数据存储为检测模块所需的数据格式，所述电源模块用于对GPU服务器实时检测模块供电。

4.一种基于深度学习的车载隧道缺陷在线检测方法，其特征在于，包括以下步骤：

S1，数据采集模块采集隧道缺陷图像数据以及定位信息；

S2，GPU服务器实时检测模块对数据采集模块输入的隧道缺陷图像数据进行预处理后进行检测，将检测结果及定位信息传送到缺陷报警模块；

S3，缺陷报警模块对检测出的隧道缺陷进行定位确认，判断是否存在隧道缺陷，如果存在隧道缺陷，则确认缺陷的位置信息与类别，并将检测结果输出到终端报警设备，否则返回执行步骤S1。

5.根据权利要求4所述的一种基于深度学习的车载隧道缺陷在线检测方法，其特征在于，所述S1包括以下子步骤：

S1.1，通过对多普勒测速雷达输出的速度信息进行累计积分，实时输出车辆前进的距离；

S1.2，通过RFID天线接收装置获取线路道床沿线安装的RFID标签的标号，进而查找对应的公里标S0，即可定位当前公里标S＝S0，并记录此时雷达位移S1；

S1.3，经过一个多普勒雷达输出周期后，获取雷达位移S2，当前公里标S＝S0+(S2-S1)；

S1.4，重复上述步骤即可获取当前定位信息。

6.根据权利要求4所述的一种基于深度学习的车载隧道缺陷在线检测方法，其特征在于，所述步骤S2包括以下子步骤：

S2.1,将图像大小进行重置

S2.2,将重置后的图像数据进行归一化；

S2.3，将归一化后的图像数据输入检测网络进行缺陷检测；

S2.4,建立隧道缺陷库，将检测网络检测出的结果进行过滤，留下的检测结果经人工确认后进行分类并标记；

S2.5，用建立好的缺陷库进行网络训练，选取训练精度最好的模型部署到整个检测系统中。

7.根据权利要求6所述的一种基于深度学习的车载隧道缺陷在线检测方法，其特征在于，所述检测网络采用的检测算法为Mask RCNN，Mask RCNN采用的主干网络为Resnet101，主干网后面连接一个特征金字塔的颈脖部分，用于检测不同尺度的目标。

8.根据权利要求7所述的一种基于深度学习的车载隧道缺陷在线检测方法，所述步骤S2.3包括以下子步骤：

S2.3.1,推荐网络提取缺陷候选区域,推荐网络是一个轻量的深度卷积网络，通过滑动窗口扫描输入图像进行卷积操作，结合不同的的尺寸与长宽比，生成互相重叠的区域，并得到每个区域的位置信息，即(x,y,w,h)，用来提取候选区域；

S2.3.2,根据提取的候选区域，得到一个二值掩码，根据这个二值掩码进一步进行缺陷分类与检测框的回归，使检测结果更加准确，最终检测结果返回缺陷类别与位置信息(x,y,w,h)。