一种地铁隧道表面病害特征提取方法技术

本发明专利技术公开了一种地铁隧道表面病害特征提取方法。该方法包括：构建用于特征提取的深度学习模型，该模型包含主干网络、第一分支网络和第二分支网络，其中，主干网络以原始图像为输入，用于提取图像的多个原始特征图，第一分支网络和第二分支网络设置为金字塔结构，第一分支网络用于对主干网络提取的特征进行自顶向下的正向特征融合，第二分支网络用于对主干网络提取的特征进行自底向上的反向特征融合；以图像真实标注区域为目标，以设定的损失函数为约束训练所述深度学习模型，以用于地铁隧道表面病害的检测和识别。本发明专利技术改善了深度学习网络对病害特征的提取能力，进而提高了病害检测质量。

【技术实现步骤摘要】
一种地铁隧道表面病害特征提取方法
本专利技术涉及隧道衬砌表面病害图像检测与识别
，更具体地，涉及一种地铁隧道表面病害特征提取方法。
技术介绍
地铁隧道表面渗漏水、裂缝等病害的检测与识别是既有地铁隧道巡检中的重要内容。由于人工检查存在主观性强、效率低等缺点，近年来基于机器视觉的隧道表面病害检测与识别成为行业发展的新趋势。基于机器视觉的隧道表面病害检测与识别主要包括传统图像处理方法与深度学习方法。传统图像处理方法包括阈值分割、边缘检测、形态学分析等，虽然算法计算复杂度低、算法硬件计算需求也不高，但是难以克服地铁隧道表面病害对比度低、光照不均、背景噪声污染严重等干扰。与传统图像处理方法相比，深度学习方法通过利用多层神经网络从海量图像数据信息中挖掘图像多层特征并将其不断汇集到网络模型中，再通过训练特定的网络模型，完成对输入图像数据的分类、定位、分割等任务。由于深度学习方法表现出优良的泛化能力和鲁棒性，近几年开始被广泛应用于隧道衬砌表面病害图像检测与识别领域。例如，专利申请CN201910348834.4公开了一种基于深度学习的地铁盾构隧道病害检测方法，通过对采集到的盾构隧道图像利用CrackNet深度学习模型进行病害检测，在一定程度上解决了环境因素对损伤识别的干扰问题。专利申请CN201810843204.X公开了一种隧道结构表观病害检测装置及方法，通过所研制的检测装置对地铁隧道表面进行拍摄，并对拍摄图像利用基于区域建议候选框的全卷积神经网络(R-FCN)完成病害的检测与识别。上述方法借助深度学习网络强大的特征提取与模式分类能力，取得了比传统图像处理方法更准确的实验效果，但将其应用于实际地铁隧道表面病害巡检，仍存在以下问题：1)隧道在复杂环境下目标病害与背景干扰(管片拼缝、螺栓孔、管线等)表征相似、难以区分；2)诸如渗漏水等块状病害，由于其边界不明显导致检测时易出现边界丢失，检测精度不够。
技术实现思路
本专利技术的目的是克服上述现有技术的缺陷，提供一种地铁隧道表面病害特征提取方法。根据本专利技术的第一方面，提供一种地铁隧道表面病害特征提取方法。该方法包括以下步骤：构建用于特征提取的深度学习模型，该模型包含主干网络、第一分支网络和第二分支网络，其中，主干网络以原始图像为输入，用于提取图像的多个原始特征图，第一分支网络和第二分支网络设置为金字塔结构，其中第一分支网络用于对主干网络提取的特征进行自顶向下的正向特征融合，第二分支网络用于对主干网络提取的特征进行自底向上的反向特征融合；图像真实标注区域为目标，以设定的损失函数为约束训练所述深度学习模型，以用于地铁隧道表面病害的检测和识别。根据本专利技术的第二方面，提供一种地铁隧道表面病害检测方法。该方法包括：采集待检测的地铁隧道表面图像，输入根据本专利技术方法获得的经训练的深度学习模型进行特征提取，进而基于所提取的特征识别地铁隧道表面病害。与现有技术相比，本专利技术的优点在于，提出一种基于双向金字塔与层间特征增强学习的地铁隧道表面病害特征提取新方法，可以显著提高深度学习网络对隧道表面病害的检测与识别性能。通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。附图说明被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。图1是根据本专利技术一个实施例的双向金字塔特征增强学习的框架图；图2是根据本专利技术一个实施例的地铁隧道表面病害特征提取方法的流程图；图3是根据本专利技术一个实施例的两种层间特征增强学习模型的示意图；图4是根据本专利技术一个实施例的双向金字塔网络的网络架构图；图5是根据本专利技术一个实施例的残差网络的两种基本块结构图；图6是根据本专利技术一个实施例的特征空间权重计算网络示意图；图7是根据本专利技术一个实施例的特征通道权重计算网络示意图。具体实施方式现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。为了强化对隧道表面病害区域显著特征信息的挖掘利用，本专利技术构建用于特征提取的深度学习模型框架，整体上该框架包含主干网络和双向金字塔结构，分别用于自底向上的正向特征融合和自顶向下的反向特征融合。例如，参见图1所示，以深度残差网络ResNet-101为基本特征提取框架，并且在传统自顶向下特征金字塔方向的基础上补充一条自底向上的特征金字塔，实现深层语义特征图与浅层空间特征图的双向交叉融合。此外，结合图3所示，在双向金字塔的特征融合过程中，针对浅层特征图具有的空间尺度大、空间杂波内容多的特点，提出构建浅层特征图空间权重计算模块，提高对浅层特征图中病害区域显著特征的加强学习；而针对深层特征图具有的空间尺度小、通道语义特征聚集的特点，提出构建特征通道权重计算模块，提高对深层特征图中目标特征通道的注意力学习。具体地，参见图2，所提供的地铁隧道表面病害特征提取方法包括以下步骤。步骤S110，提取图像的原始特征。参见图4的“原始特征提取”部分所示，该实施例选用深度残差网络ResNet-101为基本特征提取模块，ResNet-101由两种基本块ConvBlock与IdentityBlock交替串联组成，共101层，两种基本块的结构如图5所示，其中Conv2D、BatchNorm、ReLu分别代表卷积、批标准化、ReLu激活函数。利用ResNet-101主干特征提取网络，生成C2、C3、C4、C5共4个原始特征层，其中C2为底层特征，C5为顶层特征。以输入图像尺寸为1024*1024*3为例，C2、C3、C4、C5的尺度分别为256*256*256、128*128*512、64*64*1024、32*32*2048。步骤S120，正向金字塔特征融合。在得到原始特征图C2-C5后，如图4中“通道降维”与“正向特征融合”部分所示，首先将4个特征图的通道数均降维至256，然后进行自顶向下的特征融合，具体包括：步骤S121，对C5进行上采样使其尺寸与经通道降维后的C4特征图尺寸相同(即64*64*256)，并将二者输入至基于层间特征增强的特征融合模块(EnhanceFusionBlock，EF-Block)，得到P4；步骤S122本文档来自技高网...

【技术保护点】
1.一种地铁隧道表面病害特征提取方法，包括以下步骤：/n构建用于特征提取的深度学习模型，该模型包含主干网络、第一分支网络和第二分支网络，其中，主干网络以原始图像为输入，用于提取图像的多个原始特征图，第一分支网络和第二分支网络设置为金字塔结构，第一分支网络用于对主干网络提取的特征进行自顶向下的正向特征融合，第二分支网络用于对主干网络提取的特征进行自底向上的反向特征融合；/n以图像真实标注区域为目标，以设定的损失函数为约束训练所述深度学习模型，以用于地铁隧道表面病害的检测和识别。/n

【技术特征摘要】
1.一种地铁隧道表面病害特征提取方法，包括以下步骤：
构建用于特征提取的深度学习模型，该模型包含主干网络、第一分支网络和第二分支网络，其中，主干网络以原始图像为输入，用于提取图像的多个原始特征图，第一分支网络和第二分支网络设置为金字塔结构，第一分支网络用于对主干网络提取的特征进行自顶向下的正向特征融合，第二分支网络用于对主干网络提取的特征进行自底向上的反向特征融合；
以图像真实标注区域为目标，以设定的损失函数为约束训练所述深度学习模型，以用于地铁隧道表面病害的检测和识别。


2.根据权利要求1所述的方法，其中，所述第一分支网络对于主干网络提取的多个原始特征图，首先将该多个原始特征图的通道数均降维至相同的尺寸，然后进行自顶向下的特征融合，包括：
对顶层特征进行上采样使其尺寸与经通道降维后的次顶层特征图尺寸相同，并将顶层特征图和次顶层特征图输入至基于层间特征增强的特征融合模块，得到融合特征；
对融合特征进行上采样使其尺寸与经通道降维后的次顶层特征图的下一特征图尺寸相同，并将二者输入至基于层间特征增强的特征融合模块，得到融合特征，依次类推，最终将经过特征融合生成的特征作为正向特征融合的预测特征图输出。


3.根据权利要求1所述的方法，其中，所述第二分支网络执行以下步骤：
对主干网络提取的第一底层特征图进行下采样使其尺寸与经通道降维后的第二底层特征图尺寸相同，并将二者进行基于层间特征增强的特征融合，得到融合特征；
对融合特征进行下采样使其尺寸与经通道降维后的第三底层特征图尺寸相同，并将二者进行基于层间特征增强的特征融...

【专利技术属性】
技术研发人员：王保宪，杨宇飞，杜彦良，任伟新，徐飞，王俊芳，赵杨平，张颖，
申请(专利权)人：石家庄铁道大学，深圳大学，
类型：发明
国别省市：河北;13