[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

说明书

本发明提供基于Mask‑RCNN的地铁隧道衬砌脱落识别模型训练方法和识别方法，包括模型的训练方法和识别方法；对模型标签标注和特征提取模块进行适应性改进的算法，以特征更为明显的三维激光点云深度图为实验对象，结合残差神经网络，对目标分割算法掩码‑区域卷积神经网络进行模型训练，用训练好的模型对点云深度图进行识别，实现根据隧道全断面深度图数据进行衬砌掉落区域的自动化识别提取。该方法可以解决现阶段衬砌掉落区域识别效率低、精度差的关键问题，保证最后的识别率达到95％，识别效果显著。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于Mask-RCNN的地铁隧道衬砌脱落识别模型训练方法和识别方法。

背景技术

随着我国地铁建设的快速发展，目前建设里程达到七千多公里，规划在建地铁预计6000公里。尤其进入二十一世纪以来轨道交通行业不断发展，新建的和投入运营的铁路隧道日益增多，我国地铁已经进入新建与维护并重期。不同于其他交通方式，地铁大多建于隧道内，隧道施工、运营一般均在地下封闭环境进行，隧道在运营期间，衬砌结构会因为设计不合理、施工不当、地质灾害、运营年限、气候条件等原因产生多种病害，且影响地铁隧道与轨道的病害因素具有多方位、多层次和时延性的特点，一旦发生安全事故，后果极其严重，不单会造成设施设备损坏，严重影响着隧道运营安全，还会造成乘客伤亡，给国家财产带来重大经济损失。

针对地铁隧道衬砌脱落的病害监测提取方法的研究，目前大多是基于高清照片，通过人工的方式查找病害区域，自动化程度低，存在耗时耗力效率低的问题；也有学者尝试利用计算机视觉技术，采用图像滤波法、最小路径自动检测等方法进行检测提取。但由于地铁隧道内部存在光线条件差、管线及电力设备箱等干扰物多的问题，导致采集图像质量较差、计算机快速准确地识别提取衬砌脱落区域效果不理想，加上采集数据量大等特点，对衬砌脱落地智能化提取产生了巨大挑战。

发明内容

本发明通过智能分析算法将获取的高精度点云数据转换为隧道深度图影像，同时对其做了优化后，提出了一种以Mask-RCNN目标分割算法掩码-区域卷积神经网络(Mask-region convolutional neural network，简称Mask-RCNN)为基础，对模型架构和非极大值抑制模块进行了适应性改进算法，将该算法成功地运用到了衬砌脱落的计算机自动检测中，使得衬砌脱落检测和分割更加精细；且同已有算法比较，该算法运行速度更快，大大提高了现有的衬砌识别效率以及检测精度。

本发明所要解决的技术问题是将深度学习的方法应用到地铁隧道内部衬砌脱落区域的自动识别检测中，包括模型的训练方法和识别方法。对模型标签标注和特征提取模块进行适应性改进的算法，以特征更为明显的三维激光点云深度图为实验对象，结合残差神经网络(ResNet101)，对目标分割算法掩码-区域卷积神经网络进行模型训练，用训练好的模型对点云深度图进行识别，实现根据隧道全断面深度图数据进行衬砌掉落区域的自动化识别提取。该方法可以解决现阶段衬砌掉落区域识别效率低、精度差的关键问题，保证最后的识别率达到95％，识别效果显著。

本发明解决其技术问题所采用的技术方案包含如下步骤：

基于Mask-RCNN的地铁隧道衬砌脱落识别模型训练方法，包括以下步骤：

(1)采集外业数据：主要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，较以往技术中使用到的高清影像图来说，深度图的衬砌脱落特征更加明显、干扰物更少，更有利于进行特征的识别提取；将获得的深度图数据以7：3的比例分为两个部分——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，使用图像标注软件进行标注，得到用于特征训练的数据集。