[发明专利]一种基于深度学习的隧道渗漏水自动识别方法

说明书

本发明为一种基于深度学习的隧道渗漏水自动识别方法，主要解决现有识别方法难以准确检测分割问题。本发明包括步骤：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；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；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。

技术领域

本发明涉及一种基于深度学习的隧道渗漏水自动识别方法，应用于隧道工程技术领域。

背景技术

随着我国隧道工程不断发展，结构病害检测技术也受到广泛关注。渗漏水是常见的隧道病害之一，如不及时对渗漏水区域进行处理，会导致隧道内部的钢筋、螺栓金属腐蚀，严重的引起隧道管片开裂、隧道变形，对隧道的安全运营构成威胁。

目前对于隧道结构渗漏水检测，主要为人工检测和基于图像识别检测技术。人工检测的作业效率低、主观因素影响大、成本高，且对交通运营产生干扰。

随着计算机图像识别技术的不断发展，产生了利用相关技术进行渗漏水检测的方法。专利CN202010570943.3公开了一种隧道渗漏水识别方法，对视频流单针图像进行预处理，并使用LVQ模型判断是否存在渗漏水，若存在则进行canny边缘检测，但隧道背景复杂干扰多，传统算法难以准确检测分割。专利CN201810066937.7公开了一种隧道渗漏水病害自动识别方法，根据隧道渗漏水图像灰度值较低的特点，结合边缘检测算法，自动识别渗漏水病害点，但实际渗漏水（喷射、涌流、滴漏、浸渗）图像灰度特征多样，白色结晶物类渗漏水的灰度值较高，算法适应性不强。专利CN201811528692.1公开了一种基于图像特征识别的盾构隧道渗漏水，基于隧道表面灰度图各特征物的像素长度、宽度、灰度信息进行干扰物的剔除和渗漏水检测，但存在同样问题，隧道背景复杂干扰多，难以设置固定的阈值适应所有情况。

综上，迫切需求一种基于深度学习的隧道渗漏水自动识别方法，以解决隧道结构病害检测质量低的难题。

发明内容

本发明的目的是解决现有技术的缺陷，设计一种基于深度学习的隧道渗漏水自动识别方法，能快速精准地检测及分割渗漏水区域，以提高隧道结构病害检测工作的质量。

本发明是这样实现的：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，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。

进一步，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，。

进一步，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。