结合卷积神经网络和支持向量机的隧道表面缺陷检测方法技术

本发明专利技术公开了一种结合卷积神经网络和支持向量机的隧道表面缺陷检测方法，获取地铁隧道表面图像数据，图像数据预处理增强及划分数据集，对筛选后的图像进行预处理，从扩充后的图像数据集中划分出训练集和测试集；构建缺陷检测网络模型：构建一个四层的卷积神经网络结构来提取图像特征，后面将提取到的特征输入支持向量机模块中；进行缺陷网络模型训练，采用训练集样本步骤三构建的卷积神经网络和支持向量机相结合的缺陷检测模型进行训练，隧道表面缺陷检测测试，自动生成隧道表面缺陷检测结果。本发明专利技术可以快速识别隧道表面缺陷特征，并检测出隧道表面缺陷，具有效率高，准确率高，实用性强的优点。

【技术实现步骤摘要】
结合卷积神经网络和支持向量机的隧道表面缺陷检测方法
本专利技术涉及一种隧道表面缺陷检测方法，特别是一种结合卷积神经网络和支持向量机的隧道表面缺陷检测方法，属于计算机视觉、图像处理领域。
技术介绍
近年来，随着我国社会的进步、经济的发展，基础设施建设的规模越来越大，混凝土已经应用于各种各样的工程中。早期建设的地铁隧道基础设施已经进入养护维护期，而新建成的地铁隧道，因地质、地下水、邻近基坑施工以及本身结构负荷等各方面的综合影响，可能会使隧道结构产生渗水、裂缝、形变等危害隧道安全的变化，必须及时准确的进行长期的形变监测和病害调查以便及时发现和预报险情，保证隧道运营安全。目前采用较多的地铁隧道缺陷检测方式仍然是现场人工检测，配合常用的仪器设备，如：钢尺、游标卡尺、裂缝检测仪、裂缝测宽仪等，人工书面记录调查信息。传统的人工定期检测法，不仅效率不高，耗费人力、物力大；且存在效率低、主观性强、成本高等缺点，大于前期病害现象也很难发现，这样子无法保证隧道的长期安全运行。机器视觉检测技术具有功能多、人工干预少、非接触、精度高等优点。能很好地代替人来进行检本文档来自技高网...

【技术保护点】
1.一种结合卷积神经网络和支持向量机的隧道表面缺陷检测方法，其特征在于包含以下步骤：/n步骤一：获取地铁隧道表面图像数据，将获取到的隧道反射率影像进行初步筛选，选取无缺失和纹理信息丰富的反射率影像；/n步骤二：图像数据预处理增强及划分数据集，对筛选后的图像进行预处理，增强图像数据的信息特征，建立并扩充图像数据集，从扩充后的图像数据集中划分出训练集和测试集；/n步骤三：构建缺陷检测网络模型：构建一个四层的卷积神经网络结构来提取图像特征，后面将提取到的特征输入支持向量机模块中；/n步骤四：进行缺陷网络模型训练，采用训练集样本步骤三构建的卷积神经网络和支持向量机相结合的缺陷检测模型进行训练，经过前向...

【技术特征摘要】
1.一种结合卷积神经网络和支持向量机的隧道表面缺陷检测方法，其特征在于包含以下步骤：
步骤一：获取地铁隧道表面图像数据，将获取到的隧道反射率影像进行初步筛选，选取无缺失和纹理信息丰富的反射率影像；
步骤二：图像数据预处理增强及划分数据集，对筛选后的图像进行预处理，增强图像数据的信息特征，建立并扩充图像数据集，从扩充后的图像数据集中划分出训练集和测试集；
步骤三：构建缺陷检测网络模型：构建一个四层的卷积神经网络结构来提取图像特征，后面将提取到的特征输入支持向量机模块中；
步骤四：进行缺陷网络模型训练，采用训练集样本步骤三构建的卷积神经网络和支持向量机相结合的缺陷检测模型进行训练，经过前向传播后逐像素计算最终预测分类的损失，采用随机梯度下降法和反向传播算法进行权重的迭代更新,直到全卷积神经网络模型的损失值趋向于收敛时，停止训练，生成隧道表面缺陷检测模型；
步骤五：隧道表面缺陷检测测试，利用步骤四中训练好的隧道表面缺陷检测模型对测试集的样本进行裂缝特征提取，自动生成隧道表面缺陷检测结果。


2.按照权利要求1所述的一种结合卷积神经网络和支持向量机的隧道表面缺陷检测方法，其特征在于：所述步骤一中对图像进行筛选，在获取到影像后，剔除影像信息缺失五分之一集以上的影像；对于带有明显白点、空洞丢失和严重位置偏移的影像，也进行剔除。


3.按照权利要求1所述的一种结合卷积神经网络和支持向量机的隧道表面缺陷检测方法，其特征在于：所述步骤二具体为
图像预处理，对于初筛后的影像，采用加权均值算法，对原始隧道表面图像进行滤波，去除图像中所含有的噪声；
图像数据集划分，对于处理后的图像，随机挑选70％作为训练集，剩余30％作为测试集。

【专利技术属性】
技术研发人员：汪俊，邓森，李大伟，谢以顺，王飞球，王浩，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32