【技术实现步骤摘要】
基于机器视觉的隧道病害目标智能识别及提取方法
本专利技术涉及隧道检测领域，尤其涉及一种基于机器视觉的隧道病害目标智能识别及提取方法。
技术介绍
目前，隧道检测车、无人机等集成有相机群的快速、自动化隧道衬砌病害图像采集设备广泛应用于隧道检测领域，然而该检测方法产生的数据量大，衬砌病害尤其是裂缝在图幅内所占面积相对较小，因此如何从海量图片中快速识别复杂背景条件下的病害特征、并对病害参数进行提取极具挑战。当前，对实际拍摄范围小的衬砌图像的病害进行分割，常采用直接使用语义分割算法的方式，通过对病害进行标定构建隧道衬砌病害语义分割样本集，将样本集内原图及标定图同步输入语义分割网络进行模型训练，在模型训练完成后，直接将隧道衬砌图片输入模型中，即可实现对图像中各像素类别的判定，达到对病害进行分割的效果。但是，快速。自动化隧道衬砌图像采集设备，为兼顾采集速度及硬件存储能力，通常单张图片实际得拍摄范围较大，导致隧道衬砌图像背景复杂，而且病害尤其是裂缝，在图幅内所占面积相对较小，产生了严重的样本不均衡问题(背景与目标物所占比例差异显著)...
【技术保护点】
1.一种基于机器视觉的隧道病害目标智能识别及提取方法，包括步骤：/nS1：在一隧道内进行衬砌图像拍摄，获取多个隧道衬砌原始图像；/nS2：在所述隧道衬砌原始图像中挑选存在病害的图片作为存病害图片，利用矩形框在所述存病害图片的病害区域内标识获得一目标识别样本集；/nS3：构建一病害目标识别模型，利用所述目标识别样本集对所述病害目标识别模型进行训练；/nS4：在所述隧道内进行衬砌图像拍摄，获得一待病害分割图像；/nS5：将所述待病害分割图像输入训练后的所述病害目标识别模型；/nS6：训练后的所述病害目标识别模型输出一病害目标识别结果；/nS7：对所述目标识别样本集和所述病害目标...
【技术特征摘要】
1.一种基于机器视觉的隧道病害目标智能识别及提取方法，包括步骤：
S1：在一隧道内进行衬砌图像拍摄，获取多个隧道衬砌原始图像；
S2：在所述隧道衬砌原始图像中挑选存在病害的图片作为存病害图片，利用矩形框在所述存病害图片的病害区域内标识获得一目标识别样本集；
S3：构建一病害目标识别模型，利用所述目标识别样本集对所述病害目标识别模型进行训练；
S4：在所述隧道内进行衬砌图像拍摄，获得一待病害分割图像；
S5：将所述待病害分割图像输入训练后的所述病害目标识别模型；
S6：训练后的所述病害目标识别模型输出一病害目标识别结果；
S7：对所述目标识别样本集和所述病害目标识别结果进行语义分割标定，获得一语义分割样本集；
S8：构建一病害语义分割模型，利用所述语义分割样本集对所述病害语义分割模型进行训练，获得目标识别网络；
S9：将后续新获取的隧道衬砌图像，直接输入训练后的所述目标识别网络，产生病害目标识别结果，将所述病害目标识别结果输入训练后的所述病害语义分割模型；
S10：训练后的所述病害语义分割模型输出一隧道衬砌图像病害分割图。
2.根据权利要求1所述的基于机器视觉的隧道病害目标智能识别及提取方法，其特征在于，所述S3步骤进一步包括步骤：
S31：构建一病害目标识别模型，所述病害目标识别模型包括一卷积神经网络、一推荐框生成网络和一边框回归层；
S32：按预设比例将所述目标识别样本集分为一第一训练集、一第一验证集和一第一测试集；
S33：利用所述卷积神经网络提取所述第一训练集、所述第一验证集和所述第一测试集的图片的图像特征并生成推荐框，所述推荐框设置于所述图像特征外围；
S34：判断所述推荐框包括的所述图像特征的类别，当判断为非病害时舍弃当前所述图像特征所对应的图像，当判断为病害时继续后续步骤；
S35：利用边框回归层对当前所述推荐框进行回归；
S36：在当前推荐框对应的所述存病害图片上进行边框标识，将边框标识后的当前所述存病害图片作为目标识别结果；
S37：对比所述目标识别结果与...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。