[发明专利]一种基于深度学习的隧道渗漏水自动识别方法

权利要求书

1.一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，包括以下步骤：

S1、依据渗漏水图像灰度多样性特征对采集的原始图像进行分割标注，构建渗漏水分割数据集，记为；

S2、对标注获得的分割标签图扩充区域进行原图裁剪以及区域检测标注，构建渗漏水检测数据集，记为；

S3、基于retinanet检测网络进行模型训练及预测，对渗漏水区域进行检测筛查，剔除污渍、线缆、衬砌修补、阴影；

S4、基于融合可变形卷积以及Focal Loss损失函数的deeplabv3+网络训练分割模型，对检测到的渗漏水进行区域分割；

S5、采用方向区域搜索算法及形态学处理实现渗漏水邻近断开轮廓的连接和平滑优化。

2.根据权利要求1所述的一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，所述步骤S1中，渗漏水图像灰度多样性特征是指喷射、涌流造成的暗黑色区域和滴漏、浸渗结构腐蚀造成的白色结晶物区域，标注时给与不同标签，渗漏水标注区域大于50x50像素，原始图像记为，宽高分别记为，。

3.根据权利要求1所述的一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，所述步骤S2中，原图裁剪是以渗漏水轮廓最小外接矩形为中心，裁剪区域扩充为像素，裁剪区域左上角坐标(,)具体计算如下：

其中，裁剪区域宽高分别为，，渗漏水轮廓最小外接矩形左上角坐标点(,)，表示矩形的宽度，表示矩形的高度。

4.根据权利要求1所述的一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，所述步骤S4中，融合可变形卷积以及Focal Loss损失函数的deeplabv3+网络训练分割模型，对检测到的渗漏水区域进行分割，获得的分割图记为：

（1）deeplabv3+网络采用可变形卷积提取渗漏水非刚性目标特征，可变形卷积公式如下：

其中，表示输出特征图，表示权重，表示输入特征图，为特征图上的某一点，表示标准采样点，为需要增加的位置偏移；

（2）网络使用Focal Loss损失函数计算预测标签与实际标签的预测误差，公式为：

其中，表示标签的预测概率，和是超参数，表示权重。

5.根据权利要求1所述的一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，所述步骤S5中采用方向区域搜索算法，具体操作如下：

（1）当前渗漏水轮廓区域查找最小外接矩形，矩形左上角坐标点为、右下角坐标点为；

（2）对渗漏水轮廓区域分别进行上、下、左、右四方向区域搜索，分别记为区域、、、，限定上、下、左、右任一方向搜索距离为像素，分割图宽、高分别记为、；

（2.1）选取任一方向进行区域搜索，区域行坐标遍历范围，列坐标遍历范围，其中，

，

，

若，则，若，则，若，则，，则；

（2.2）上、下搜索时，设记录搜索到的左边列坐标最小值，记录右边列坐标最大值，其中初始值设为，初始值设为；对分割图从上至下逐行遍历，当前行从左至右搜索非0像素，一旦搜索到，记录左边坐标为，同时从右至左搜索非0像素，一旦搜索到，记录右边坐标为，当满足条件时，若，则，若，则；继续遍历行，重复当前操作，直至遍历完所有行；

（2.3）左、右搜索时，设记录搜索到的上边行坐标最小值，记录下边行坐标最大值，其中初始值设为，初始值设为；对分割图从左至右逐列遍历，当前列从上至下搜索非0像素，一旦搜索到，记录上边坐标为，同时从下至上搜索非0像素，一旦搜索到，记录下边坐标为，当满足条件时，若，则，若，则；继续遍历列，重复当前操作，直至遍历完所有列；

（3）上述四个方向搜索结束后，基于分割图截取四个方向的限定区域、、、，任一区域左上角坐标，宽度为，高度为

，

，

四个方向对应截取不同的限定区域，左上角坐标以及宽、高如下：

，

，

（4）提取上、下任一限定区域、与最左边及最右边指定距离、像素区域内边缘像素坐标点，使用RANSAC算法分别拟合左、右两边曲线，连接与、任一断开区域左边及右边部分，同样，提取左、右任一限定区域、与最上边及最下边指定距离、像素区域内边缘像素坐标点，使用RANSAC算法分别拟合上、下两边曲线，连接与、任一断开区域上边及下边部分，实现渗漏水邻近断开轮廓的连接；

（5）对连接的渗漏水轮廓进行形态学闭运算处理平滑边缘。