[发明专利]一种基于深度学习的地铁隧道病害检测方法

权利要求书

1.一种基于深度学习的地铁隧道病害检测方法，其特征在于，包括以下步骤：

S10、制作待检测地铁隧道影像数据库，包括地铁隧道正常区域图片数据库以及地铁隧道病害区域图片的数据库；

S20、将含病害的图片输入Faster R-CNN目标检测网络模型中，对病害进行区域定位及精准识别分类，其中所述Faster R-CNN目标检测网络模型采用CURE算法得到地铁隧道的各类病害的先验框anchor；所述CURE算法包括以下步骤：

S201、读取标签文件，在数据集上随机抽取一个样本S，采样的大小s为

其中，f是采样的频率；|u|是类u的大小，N是整个数据集的大小，δ是从|u|个样本点中采样得到f|u|个样本点的概率(0≤δ≤1)；

S202、将S划分为几个局部数据；

S203、对每个局部数据进行CURE聚类，假如其中类的增长速度很慢，可认为其是离群点，将其剔除；

S204、对S203中各个局部的聚类结果进行进一步聚类，得到规定数目的聚类；

S205、每个类选取n个代表点，其代表点按设定的收缩因子向每个聚类的中心移动；

S206、输出k个聚类及k×n个代表点；

S30、将病害定位区域图像输入深度卷积神经网络中，训练隧道病害状态检测模型；

S40、将待检测的图片输入目标检测网络，得到定位图片后输入隧道病害状态检测模型，得到隧道病害检测结果。

2.根据权利要求1所述的基于深度学习的地铁隧道病害检测方法，其特征在于，所述标签文件的获取方法为：

对采集的原始图像进行图像预处理，将经过预处理的照片整理为VOC2007格式，使用LabelImg图像标注软件，对数据集进行病害部位的标注，生成所需的XML文件，完成VOC2007格式的转换。

3.根据权利要求1所述的基于深度学习的地铁隧道病害检测方法，其特征在于，所述改进的Faster R-CNN目标检测网络模型采用ResNet-50+FPN网络结构，提取不同尺度的特征图并融合，结合CURE算法获取地铁隧道表面病害的anchors，经RPN网络得到候选区域，将得到的不同大小的特征图和候选区域输入ROI Align进行区域校准池化，得到准确的7×7大小的特征图后送入两个1024维全连接层对其进行分类和边框回归。

4.根据权利要求1所述的基于深度学习的地铁隧道病害检测方法，其特征在于，所述Faster R-CNN目标检测网络模型是中采用的RPN网络结构，可使用神经网络自主学习生成候选框；在特征提取网络输出的特征图上进行滑窗来生成候选区域，通过设置多种面积尺寸不同的anchor，能够得到期望的目标建议区域；每个anchor映射到256-D低维特征，然后被输入到分类层和边界框回归层，从而进行下一步的分类回归运算。

5.根据权利要求1所述的基于深度学习的地铁隧道病害检测方法，其特征在于，S20中利用Faster R-CNN目标检测网络模型进行隧道病害区域定位的过程如下：

使用一组CNN提取输入图像的特征图，再将提取的特征图作为RPN和分类回归网络的输入；利用RPN网络结构先判断anchor中是否存在目标，并进行边界框回归，修正anchor，从而得到相对准确的建议框；利用ROI池化层生成固定大小的建议特征图，然后通过全连接层输入到后面的分类回归网络，再利用分类层判断建议框的类别，同时利用边界框回归层进行边界框回归，得到检测框的精确位置。