[发明专利]基于Mask-RCNN的地铁隧道衬砌脱落识别模型训练方法和识别方法

权利要求书

1.基于Mask-RCNN的地铁隧道衬砌脱落识别模型训练方法，其特征在于，包含如下步骤：

(1)采集外业数据：通过移动高清影像采集装置进行隧道全断面三维激光点云数据采集；

(2)预处理：将获取的高精度点云数据转换为隧道深度图；将深度图分为两个部分：训练数据集和测试数据集；

在训练数据集中采用人工标注的方式，肉眼在图像上识别出作为检测对象，即存在衬砌脱落的区域、位置和真实掩码信息，得到用于特征训练的数据集；

(3)获得特征图：使用残差神经网络提取特征；

(4)特征图金字塔网络：将步骤(3)中提取的底层特征与高层特征通过进行融合，以构建区域候选网络和衬砌脱落掩膜所需要的特征图；

(5)获得多个候选建议框：对特征图中的每一个点设定多个锚框；固定每种特征图对应的锚框尺寸，即对每一个金字塔层级应用单尺度的、多比例的锚框，将生成的所有锚框作为检测的初始建议框；

(6)初步筛选建议框，进行RPN模型的训练：

过滤掉一部分候选的建议框；删掉多余的锚框并对建议框的位置初步纠正，剩下的作为最后的建议框；

(7)区域特征聚集方式：

引入区域特征聚集方式来统一输入前的尺寸；在特征层中包括有不同大小的特征框，将其映射成7*7大小，该过程中，处理像素值时，采用双线性插值算法，获得坐标为浮点数的像素点上的图像数值；

(8)掩膜生成：

在进行预测是否是衬砌脱落部分和对建议框进行边界框回归之外，对每个建议框输出添加了一个进行图像像素二分类掩膜的分支，采用全卷积网络能最大限度地保留空间位置信息；对于每个建议框进行逐像素分析，输出28*28大小的二值掩膜，每个掩膜都是二值的0或1，对应着目标区域和非目标区域，即衬砌脱落区域和非衬砌脱落区域；

(9)预测分类结果

利用真实框，对初步筛选出的建议框再次进行调整，得到更加准确的建议框参数以及损失函数；

最后得到预测的分类结果；

(10)综合分析：将步骤(9)中的预测分类结果与步骤(8)的掩膜分类结果进行综合分析，并计算损失函数，以此判断预测分类结果和掩膜分类结果之间的差异，输出此次分类结果的精确度、误判率；在建议框上的整体损失包括了三个部分，分别是：分类损失、坐标回归损失、掩膜损失。

2.根据权利要求1所述的基于Mask-RCNN的地铁隧道衬砌脱落识别模型训练方法，其特征在于，步骤(6)具体过程为：

将初始建议框输入到区域候选网络模型中，结合标注的、已知的真实衬砌脱落特征框进行并交比值的求解，以进一步对锚框进行二值分类和边框回归，得到衬砌脱落部分和非衬砌脱落部分，以及相对于真实衬砌脱落所在范围，每个锚框需要调整的中心点偏移量、锚框的宽高修正系数，并计算损失函数；根据分数阈值筛选分类结果和锚框过滤掉一部分候选的建议框；对类别的原始分数值从大到小做非极大值抑制，保留前面的1000个ROI作为最后的锚框；对1000个锚框进行正负样本采样，再次删掉多余的锚框，剩下的作为最后的建议框。

3.根据权利要求1所述的基于Mask-RCNN的地铁隧道衬砌脱落识别模型训练方法，其特征在于，步骤(9)所述的调整，具体操作是进行SoftMax函数分类和边框回归：对建议框进行边框回归和SoftMax分类，获得每个锚框相对于真实衬砌脱落区域的中心点偏移量以及锚框的宽高修正系数。

4.根据权利要求1所述的基于Mask-RCNN的地铁隧道衬砌脱落识别模型训练方法，其特征在于，步骤(10)所述的损失函数为平均二值交叉熵损失函数。