[发明专利]一种地下基础设施渗漏水性态辨识方法及系统

说明书

本发明涉及一种地下基础设施渗漏水性态辨识方法及系统。该方法包括：获取多种环境条件下的地下基础设施渗漏水图像；对所述地下基础设施渗漏水图像进行标注，生成标注后的地下基础设施渗漏水图像；根据所述地下基础设施渗漏水图像以及标注后的地下基础设施渗漏水图像训练卷积神经网络，构建计算机视觉预测模型；获取任一环境条件下待预测的地下基础设施渗漏水图像，并利用所述计算机视觉预测模型预测所述待预测的地下基础设施渗漏水图像的渗漏水性态。本发明能够提高复杂多样的地下环境下的辨识精度。

技术领域

本发明涉及土木工程结构异常检测与机器学习技术交叉领域，特别是涉及一种地下基础设施渗漏水性态辨识方法及系统。

背景技术

随着中国经济的蓬勃发展，人们的出行需求大量增加，导致了如地铁、隧道、管廊等地下基础设施的大量建设。位于复杂地质段的地下基础设施，不可避免地造成隧道壁由于长期使用而出现的渗漏水损害，并且可能持续数月甚至数年，因此，开发一种可靠的方法来辨识隧道渗漏水性态对保证隧道的安全性至关重要。在过去的几年里，许多实证和半实证模型被提出来解决这个问题，但由于获取的图像数据复杂、采取的计算机视觉模型表达能力不足等诸多内外因素的限制，使得该工程具有一定的挑战性。因此，迫切需要建立一种合理的模型，以适应复杂的工况，并对其进行高精度的渗漏水性态识别。

近年来，随着计算机科学的飞速发展，利用计算机视觉技术对地下基础设施的性态进行实时监测引起了广泛的关注。卷积神经网络在计算机视觉上的应用最为广泛，因为卷积层能够使用局部操作对图像特征进行分层抽象，获取图像中不同部分的语义信息。基于卷积神经网络的方法是利用提取到的图像局部特征来对图像进行语义分割和预测的，近年来以卷积神经网络为基础的深度学习网络结构模型在图像处理中取得了优秀的表现。利用计算机视觉模型来辨识渗漏水性态是十分合适的以及可靠的，并且在以地下隧道为代表的工程中得到了广泛的应用。然而，传统的卷积神经网络结构虽然取得了一定的效果，但是面对复杂多样的地下环境，其预测精度却不太理想。

发明内容

本发明的目的是提供一种地下基础设施渗漏水性态辨识方法及系统，以解决传统的卷积神经网络结构面对复杂多样的地下环境辨识时，预测精度低的问题。

为实现上述目的，本发明提供了如下方案：

一种地下基础设施渗漏水性态辨识方法，包括：

获取多种环境条件下的地下基础设施渗漏水图像；所述多种环境条件下的地下基础设施渗漏水图像包括多角度、不同光线强度、不同距离以及不同渗漏水级别的地下基础设施渗漏水图像；

对所述地下基础设施渗漏水图像进行标注，生成标注后的地下基础设施渗漏水图像；

根据所述地下基础设施渗漏水图像以及标注后的地下基础设施渗漏水图像训练卷积神经网络，构建计算机视觉预测模型；所述计算机视觉预测模型用于预测述地下基础设施渗漏水图像的渗漏水性态；所述渗漏水性态包括无渗漏异常状态以及渗漏异常状态；

获取任一环境条件下待预测的地下基础设施渗漏水图像，并利用所述计算机视觉预测模型预测所述待预测的地下基础设施渗漏水图像的渗漏水性态。

可选的，所述对所述地下基础设施渗漏水图像进行标注，生成标注后的地下基础设施渗漏水图像，具体包括：

对所述地下基础设施渗漏水图像进行筛选，去除所述地下基础设施渗漏水图像内的非渗漏水异常数据，生成筛选后的地下基础设施渗漏水图像；

对所述筛选后的地下基础设施渗漏水图像进行清洗，去除所述筛选后的地下基础设施渗漏水图像内的模糊化的渗漏水异常数据，生成清洗后的地下基础设施渗漏水图像；

对所述清洗后的地下基础设施渗漏水图像进行批注，标注出所述清洗后的地下基础设施渗漏水图像内的渗漏水异常数据，生成标注后的地下基础设施渗漏水图像。