[发明专利]基于深度学习算法的地下结构裂纹病害判别方法

权利要求书

1.一种基于深度学习算法的地下结构裂纹病害判别方法，其特征在于，包括以下步骤：

(1)收集地下结构裂纹图像作为数据集，对图像进行预处理，采用交叉验证法将数据集划分为训练集和验证集；

(2)采用训练集的数据训练Mask R-CNN模型，通过学习训练集上裂缝特征不断调整连接权参数，直到达到设置的训练次数，则停止训练，得到Mask R-CNN模型及其连接权参数，通过该模型在验证集上的损失函数值来确定算法的超参数；

(3)采用最终Mask R-CNN模型检测待测的裂缝图像，从待测的裂缝图像随机采样出子图像，分别使用Mask R-CNN模型进行检测，并采用非极大抑制的方法进行筛选是否有裂缝，并输出裂缝掩膜图像；

(4)对裂缝掩膜图像进行二值化处理，利用骨架提取算法得到裂缝的骨架图像，统计骨架图像中像素值非0的像素点个数，得到裂缝的像素长度，获取裂缝骨架图像中像素非0点的坐标，将每个非0像素点看作离散点进行二次函数拟合，得到裂缝骨架的二次函数表达式，根据得到的二次函数表达式求曲线上点的法线方程，统计法线与裂缝掩膜相交部分非0像素点个数即为裂缝像素宽度，计算裂缝平均像素宽度参数值，根据裂缝平均像素宽度参数值和像素长度得到裂缝的面积；

(5)根据计算得到的裂纹几何特征确定地下结构裂纹病害等级。

2.根据权利要求1所述的基于深度学习算法的地下结构裂纹病害判别方法，其特征在于，所述步骤(1)中图像预处理包括放大、旋转、裁剪去除噪声保留裂缝部分，将数据按8：2划分测试集，再利用k折交叉验证法划分为训练集和验证集。

3.根据权利要求1所述的基于深度学习算法的地下结构裂纹病害判别方法，其特征在于，所述步骤(2)中损失函数包括RPN网络的两个损失函数，MRCNN的两个损失函数，以及MASK分支的损失函数，具体如下：

L＝L_rc+L_rb+L_cls+L_box+L_mask，

式中L_rc表示RPN网络的分类损失函数；L_rb表示RPN网络边界框回归损失函数；L_cls表示目标分类损失函数；L_box表示预测框回归损失函数；L_mask表示生成掩模图像损失函数。

其中RPN部分和MRCNN部分的分类损失使用交叉熵损失函数，而回归损失均采用SmoothL1函数；MASK分支的损失函数采用掩膜二进制交叉熵损失函数；

目标分类损失函数和RPN网络分类损失函数使用对数损失函数即：

式中y表示验证是否属于分类的二进制参数；p表示目标属于分类的概率；

预测框回归损失函数和RPN预测框回归损失函数选择L1范数损失函数，其中范围为(-1，+1)，具体如下：

式中表示预测抓取框位置，P_i表示标注抓取框位置；

掩模图损失函数采用的是MASK分支对应的二值掩模图，其中每个RoI输出的维度为k*m²，k个类别的掩模图的分辨率为m*m，L_mask表示平均二值交叉熵损失，其计算过程如下：

式中y_ij表示大小为m*m区域内像素(i,j)的标签；表示在相同位置上第K分类掩模像素预测值。

4.根据权利要求1所述的基于深度学习算法的地下结构裂纹病害判别方法，其特征在于，所述步骤(3)具体为：采用大小为K×K的滑动窗口按照每次移动m个步长对待测图像进行从上到下、从左到右的滑动；对每个窗口内的图像进行检测，可得到Mask R-CNN对窗口内图像的分类概率，当分类概率较高则认为该窗口内存在裂缝部分；对每个窗口都进行检测后，会得到不同窗口检测到裂缝的概率，最后采用非极大值抑制的方法筛选出概率分类最大的框，得到最终裂缝检测结果。