基于机器视觉的公路边坡微小位移形变监测方法技术

本发明专利技术公开了基于机器视觉的公路边坡微小位移形变监测方法，包含以下步骤：构建基于公路边坡图像的轻量级裂缝分割网络模型；训练轻量级裂缝分割网络模型；将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型；轻量级裂缝分割网络模型对对输入图片进行自动的分割。利用分割结果来统计裂缝的面积变化，实现对边坡微小形变位移的监测。本发明专利技术充分利用了卷积神经网络在图像分割领域内展现的优势，创新性地将逐通道卷积与空洞卷积的思想相结合，构建了包含多个阶段性模块的编码

【技术实现步骤摘要】
基于机器视觉的公路边坡微小位移形变监测方法


[0001]本专利技术涉及图像识别
，尤其涉及一种基于机器视觉的公路边坡微小位移形变监测方法。

技术介绍

[0002]目前，公路边坡的位移形变监测多数仍采用人工定期巡查监测的方式，个别路段的边坡采用了现场埋设位移传感器的方式。这些监测方式存在以下缺点：(1)人工巡查监测受天气、地形和人的主观感觉因素影响较大，恶劣天气情况下无法监测，会出现监测真空期；(2)现场埋设位移传感器的方法需要以边坡断面为单位布设传感器，整个边坡监测的初期投资较高，且部分公路边坡受空间、地形、沿途特性因素影响，施工和后期维护都比较困难。这些因素都导致了大部分公路边坡无法全面、长期、持续监测，建设管理单位缺少有效技术手段来保障公路边坡安全。
[0003]机器视觉是一种用机器代替人眼来进行测量和判断的技术。近年来，随着深度学习技术的发展，机器视觉技术也在各个领域取得了突破性的进展。卷积神经网络CNN(Convolutional Neural Network)作为深度学习最热门的方法之一，在面对大数据量、复杂数据时，识别性能已远远超越了传统的图像识别方法，因此，在机器视觉领域得到了广泛的应用，并取得了十分显著的成效。
[0004]卷积神经网络CNN是一种以卷积运算为核心的深度前馈神经网络。卷积是一种特殊的线性运算，卷积网络是指在网络中至少有一层是利用卷积运算来代替一般的矩阵乘法运算的神经网络。CNN具有两大特点：一是网络结构中至少包含一层用来提取特征的卷积层，二是其卷积层通过权值共享的方式进行工作，来降低网络的复杂性。
[0005]卷积神经网络CNN上述强大的图像特征提取和分析能力为利用机器视觉技术监测公路边坡位移形变提供了可能。公路边坡裂缝的形态是其微小位移形变的主要表征之一。基于此，对公路边坡形变位移的监测可以用图像分割的方式来建模，即将公路边坡监测影像中的裂缝进行分割，通过持续性观测可以度量公路边坡的形变位移量。其核心技术是如何能够准确地分割获得当前公路边坡裂缝形态。卷积神经网络通过对海量数据的学习，能够更加精准地学习目标物体的特征，从而达到对不规则裂缝图像分割的目的。但针对公路边坡图像中裂缝的分割任务，现有的卷积神经网络模型不具备针对性，直接应用时分割效果不理想；此外，现有的卷积神经网络分割模型显存占用较高，难以实际部署。鉴于上述问题，本专利技术设计了适用于公路边坡图像裂缝分割且便于部署的轻量级分割网络，以实现对公路边坡微小形变位移的自动监测。

技术实现思路

[0006]本专利技术主要解决的技术问题是在进行公路边坡形变位移的监测时，人工巡查方法易受主观因素影响、传感器方法成本高且难以维护、现有卷积神经网络的方法针对性差且难以部署。为此，构建了轻量级的公路边坡裂缝分割模型，基于分割结果统计裂缝的面积变
化，实现了基于机器视觉的公路边坡微小形变位移监测。
[0007]为实现上述目的，本专利技术采用如下的技术方案：
[0008]一种基于机器视觉的公路边坡微小形变位移监测方法，包含以下步骤：
[0009]步骤1：构建基于公路边坡图像的轻量级裂缝分割网络模型；
[0010]基于“Encoder
‑
Decoder”思想构建轻量级裂缝分割网络模型，所述的轻量级裂缝分割网络模型包括编码部分以及解码部分。
[0011]进一步地，输入的公路边坡图像首先经过一层卷积核池化进行特征的粗提取，然后经过编码部分进行尺度降采样和特征提取，获得裂缝特征图；最后裂缝特征图经过解码部分进行尺度上采样和特征的解析，并输出公路边坡图像的分割结果。
[0012]进一步地，编码部分包括四个阶段性模块，每个阶段性模块都通过堆叠卷积层、激活层、批归一化层以及池化层实现，其中卷积层用于实现特征的提取，激活层用于避免多层卷积层退化为一层，批归一化层用于保证训练的稳定性，池化层用于降低输入公路边坡图像的尺度，减少计算量。
[0013]进一步地，解码部分也包含四个阶段性模块，每个阶段性模块以前一个模块的输出以及其对应的一个编码阶段模块的输出作为输入进行特征的解析以及尺度上采样；额外的，第一个阶段模块以编码部分最终输出和其对应的一个编码阶段模块的输出作为输入。解码部分的每个公路边坡阶段模块主要由上采样单元Up
‑
Conv构成，其输出经过最后的final Up
‑
Conv生成分割结果。Up
‑
Conv单元采用膨胀卷积来降低模型的参数量及运算复杂度，final Up
‑
Conv单元以3
×
3卷积代替膨胀卷积从而避免了特征损失，以实现更加精细的公路边坡图像特征重现。
[0014]步骤2：训练轻量级裂缝分割网络模型；
[0015]训练轻量级裂缝分割网络模型的具体步骤为：获取经过人工标注的公路边坡裂缝数据训练集；对数据集中的数据进行预处理；将经过预处理的数据输入到轻量级裂缝分割网络模型进行训练。
[0016]进一步地，对训练数据集中的数据进行预处理的具体方法为：对训练集中的公路边坡图像进行归一化处理；对训练公路边坡图像进行数据增强(包括随机伽马变换、旋转、模糊、加噪)。进一步地，在训练网络模型时，选用二值交叉熵作为损失函数，优化器为Adam，网络训练的batch_size设置为32，epoch设置为100000，输入尺寸为512
×
512，初始学习率为0.01，利用自适应学习率在训练速度和精度之间找到平衡，引入早停机制，当连续迭代100次验证损失没有减少时就停止训练。
[0017]步骤3：轻量级裂缝分割网络模型对输入的公路边坡裂缝图像进行自动分割；
[0018]轻量级裂缝分割网络模型的输出为二通道特征图，两个通道分别代表对当前像素是否划分为裂缝以及非裂缝的概率，取较大值为分割结果，完成公路边坡裂缝图像的自动分割。利用分割后得到的结果，统计裂缝的面积，利用多个时间段的面积绘制边坡裂缝微小形变曲线图，通过对面积的分析判断当前边坡裂缝的稳定性，从而实现边坡微小形变位移的监测。
[0019]本专利技术与现有技术相比具有以下优点：
[0020]1.采用所设计的轻量级裂缝分割网络模型可以根据边坡裂缝图像的特点进行更具针对性的分割，并利用分割结果实现对裂缝的面积统计，结合不同时间段的统计结果来
分析边坡的微小形变，有效解决了人工巡查方法易受主观因素影响、传感器方法成本高且难以维护的问题。
[0021]2.创新性的构建了包含多个阶段性模块的编码部分和解码部分，并由编码部分和解码部分构建了轻量级裂缝分割网络模型，在保证了网络能进行高精度分割的前提下，有效降低了网络参数量，减少了参数运算，所构建的轻量级裂缝分割网络模型更适用于实际部署。
附图说明
[0022]图1是本专利技术提供的基于机器视觉的公路边坡微小位移形变监测方法的流程示意图。
[0023]图2是本专利技术的轻量级裂缝分割网络模型的网络结构示意图。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器视觉的公路边坡微小位移形变监测方法，其特征在于，包含以下步骤：步骤1：构建基于公路边坡图像的轻量级裂缝分割网络模型；基于“Encoder
‑
Decoder”思想构建轻量级裂缝分割网络模型，所述的轻量级裂缝分割网络模型包括编码部分以及解码部分；输入的公路边坡图像首先经过一层卷积核池化进行特征的粗提取，然后经过编码部分进行尺度降采样和特征提取，获得裂缝特征图；最后裂缝特征图经过解码部分进行尺度上采样和特征的解析，并输出公路边坡图像的分割结果；步骤2：训练轻量级裂缝分割网络模型；训练轻量级裂缝分割网络模型的具体步骤为：获取经过人工标注的公路边坡裂缝数据训练集；对数据集中的数据进行预处理；将经过预处理的数据输入到轻量级裂缝分割网络模型进行训练；步骤3：轻量级裂缝分割网络模型对输入的公路边坡裂缝图像进行自动分割；轻量级裂缝分割网络模型的输出为二通道特征图，两个通道分别代表对当前像素是否划分为裂缝以及非裂缝的概率，取较大值为分割结果，完成公路边坡裂缝图像的自动分割；利用分割后得到的结果，统计裂缝的面积，利用多个时间段的面积绘制边坡裂缝微小形变曲线图，通过对面积的分析判断当前边坡裂缝的稳定性，从而实现边坡微小形变位移的监测。2.根据权利要求1所述的基于机器视觉的公路边坡微小位移形变监测方法，其特征在于，编码部分包括四个阶段性模块，每个阶段性模块都通过堆叠卷积层、激活层、批归一化层以及池化层实现，其中卷积层用于实现特征的提取，激活层用于避免多层卷积层退化为一层，批归一化层用于保证...

【专利技术属性】
技术研发人员：刘鹏宇，陈善继，刘天禹，王聪聪，白岩冰，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：