【技术实现步骤摘要】
基于深度学习的在役隧道衬砌结构缺陷识别方法及系统
[0001]本专利技术属于隧道缺陷识别
，特别涉及基于深度学习的在役隧道衬砌结构缺陷识别方法及系统。
技术介绍
[0002]随着我国隧道及地下工程建设事业的不断完善，隧道里程及数量得到迅猛发展，隧道已成为我国路网中的咽喉工程，随着隧道长期服役和后期养护等诸多原因，由各类衬砌结构缺陷导致隧道病害产生，进而引发的运营安全问题严重影响隧道的服役性能和使用寿命，同时对国家和人民群众生命财产安全构成严重威胁。因此，快速准确检测出衬砌结构质量缺陷类型、判断其所在位置，才可以更有针对性制定有效、合理的隧道质量缺陷处置方案，控制隧道病害的产生和发展，将隧道病害影响降到最低，延长隧道使用寿命，减少隧道运营事故，保障人民的生命财产安全。
[0003]探地雷达(ground penetrating radar,简称GPR)作为一种新兴的地球物理测试方法以其高分辨率、无损、快速、连续、强抗干扰性强等优点逐渐成为地下隐蔽工程检测的有力工具,被广泛应用于隧道质量检测与病害诊断等领域。
【技术保护点】
【技术特征摘要】
1.基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，包括：在隧道进行现场采集，获取隧道衬砌原始数据；对隧道衬砌探地雷达数据进行预处理，并进行数据存储；对预处理后的图像中的钢筋网、钢拱架以及空洞三类信号进行分类标记，将矩形框中对应的标注信息以txt格式存储；矩形框是对三类特征进行标注时用到的标注框形式；根据不同介质的相对介电常数不同采用数值模拟随机生成不同的仿真模型，采用时域有限差分FDTD方法正演出与仿真模型相对应的雷达仿真数据，最终获得与仿真模型相对应的雷达仿真图，用作训练集来扩充数据集；将获取的若干衬砌结构图像按比例分为训练集和验证集；比例为7：3；其中7为训练集，3为测试集；构建病害目标识别模型，利用目标识别训练集对病害目标识别模型进行训练；将测试集病害图像输入训练后的病害目标识别模型；训练后的病害目标识别网络输出目标识别结果，获取隧道衬砌病害类型与区域大小。2.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，采用探地雷达在隧道进行现场采集：在隧道拱顶、左右拱腰以及左右边墙部位布置若干条纵向雷达测线进行探地雷达无损检测，获取隧道衬砌原始数据。3.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，分类标记采用Labellmg软件，具体为：YOLO模型要求输入图像的大小是32像素的倍数，捕获320*320像素的图像；利用矩形框在衬砌结构和病害区域位置标记，盒子的标签信息以txt格式存储在一个文件中，并且包括沿着矩形盒子对角线的两个点的坐标。4.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，预处理具体为：包括零点校正、背景去除、频率域滤波、空间中值滤波、增益放大、修剪时间窗口处理，压制随机的和规则的干扰，以最大可能的分辨率在图像剖面上显示反射波，提取反射波的有效参数和信息。5.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，构建病害目标识别模型，其中包括Input、Backbone、Neck、Output四部分；Input：输入端；Backbone：主干网络；Neck：提取的特殊特征；Outpu：输出端。6.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法，其特征在于，目标识别训练集对病害目标识别模型进行训练：输入端对标记好的衬砌结构病害图像经过Mosaic数据增强，同时随机用缩放、裁剪、排布的方式对样本进行拼接，自动计算数据集的最佳锚框值；病害样本数据从Focus结构进入主干网络，Focus结构包含4次切片操作和1次32个卷积核的卷积操作将原始608
×
608
×
3的图像变成304
×
304
×
32的特征图，CSPNet仿照Densenet密集跨层跳层连接的思想，进行局部跨层融合，利用不同层的特征信息来获得更为丰富的...
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。