一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法技术

本发明专利技术公开了一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法，首先，通过无人机搭载高分辨相机对隧道洞口墙体结构以及坡面防护结构进行巡检，对采集到的数据进行处理，建立一套基于隧道洞口墙体结构及坡面防护结构裂缝的数据集，通过深度学习的方法建立检测模型，随后基于实际情况进行调试，提高准确率，利用检测模型即可实现隧道洞口墙体及防护结构裂缝的自动识别以及统计数据分析。构裂缝的自动识别以及统计数据分析。构裂缝的自动识别以及统计数据分析。

【技术实现步骤摘要】
一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法


[0001]本专利技术涉及交通检测
，更具体的说是涉及一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法。

技术介绍

[0002]铁路隧道比较多，因此隧道的安全也是铁路安全的重要组成部分。为了保证列车安全、整点、不间断地运行，隧道应当基础稳定，结构坚固、耐久，并经常保持完好状态。隧道尤其是长大隧道的工程地质是极为复杂的，为了掌握隧道及洞口仰坡的技术状态，及时发现、分析病害原因，应对隧道洞口仰坡进行周密的专项检查，避免重大的地质灾害。
[0003]随着无人机平台及传感器技术的进步，无人机助力铁路巡检走向智能化、自动化。无人机支持高精度自主飞行，不受地形环境等约束，可在人工难以涉足区域进行勘察；通过无人机定位自主巡航，利用无人机测摄视频、正射影像与卫星数字地图相结合，对铁路隧道洞口及仰坡隐患等进行高效、精准排查，可代替人工对铁路隧道洞口及仰坡环境进行精准监测，达到对安全隐患或紧急事故的预警目的，从而加强铁路沿线突发性灾害的预防和控制。
[0004]隧道口墙体主要以混凝土为材质建造而成。由于材质、温差、腐蚀和外力等因素的影响，隧道墙体会出现不可预测的收缩或膨胀，从而产生裂纹。裂纹不仅影响隧道整体美观性，而且一旦裂纹向深层发展，便有可能发展成对隧道具有破坏性的掉块或深层裂缝，影响隧道的安全和稳定。洞口墙体结构及坡面防护结构劣化主要危害为墙体裂缝和支挡结构开裂，当墙体和支挡出现裂纹时，需要对裂纹进行持续的检测，并定量分析裂纹生长情况。因此，采用无人机技术对隧道口墙体进行定期裂纹检测，实时监测裂纹发展趋势尤为重要。
[0005]目前对无人机巡检结果主要采用人工分析、研判的方法，效率较低，易产生误判、漏判。所以当前裂纹识别研究的重心逐渐向基于图像处理的裂纹检测算法和基于机器学习的裂纹检测算法转移。另外，当前检测技术多应用在规则的建筑物表面检测，在隧道口墙体等不规则墙面应用较少。
[0006]在现有技术下获取的原始隧道裂纹图像往往包含许多非裂纹的噪声纹理，这些背景噪声纹理增加了裂纹提取的难度，使得在进行裂纹的定量分析时，智能检测方法误差往往较大，人工分析智能化程度较低。现有基于深度学习的图像分析方法，太过依赖数据集，然而现有数据集并不适用于隧道口墙体裂缝，同时现有数据样本较少，不能形成有效的数据集进行训练。现有全线普查的铁路数据，经过后期处理存储资料，只对重点区域、敏感区域进行标注，必要时选出局部进行判断，效率较低，并没有一套针对铁路隧道洞口墙体结构及坡面防护结构劣化快速分析的流程。
[0007]因此，如何实现隧道口墙体的快速、高效病害检测是本领域技术人员亟需解决的问题。

技术实现思路

[0008]有鉴于此，本专利技术提供了一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法，能够扩充分析数据，提高检测精度，实现隧道口墙体裂缝的实时检测和快速分析。
[0009]为了实现上述目的，本专利技术采用如下技术方案：
[0010]一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法，包括以下步骤：
[0011]步骤1：采集隧道洞口墙体及周边环境图像；
[0012]步骤2：对图像进行降噪处理及预处理；
[0013]步骤3：结合GAN模型对处理后的图像数据进行扩充，获得原始数据集；
[0014]步骤4：对原始数据集中的图像利用标注工具标注出墙体裂缝，建立训练数据集；
[0015]步骤5：根据墙体裂缝特征在Unet模型中使用YOLOv7重参化模块(RepConvN模块)进行重参化，获得改进Unet模型；
[0016]吸取RepVGG网络模型重参化思想，引入YOLOv7的RepConvN模块进行重参化；使用WCE loss损失函数替换原Dice loss函数，来加速模型收敛速度；将传统Unet模型的编码器解码器长连接形式替换为残差连接的形式，接着在残差分支部分并行添加一个1
×
1的卷积分支，然后将三路模型合并为单路模型，合并时将1
×
1的卷积扩充为四周为0的3
×
3卷积，将identity层等效为当前通道卷积核参数为1其余通道卷积核参数为0的带有特殊权重的卷积层，便等效为1
×
1的卷积层，再经过上述卷积核转换操作得到3
×
3的卷积层；通过量化操作完成conv和relu的合并；最终将并行的三条3
×
3卷积层进行融合得到单条通路形成RepConvN模块；至此完成了编码器的特征与解码器对应的特征拼接，获得改进Unet模型，部署时将分支通道的参数重参化到主分支上完成重参化；
[0017]步骤6：利用训练数据集对改进Unet模型进行迭代训练，获得可自动识别隧道口墙体裂缝的墙体及结构劣化检测模型；
[0018]步骤7：将待识别的隧道口墙体图像输入所述墙体及结构劣化检测模型中，提取裂纹，并基于四向正交骨架线法计算裂纹宽度和裂纹长度。
[0019]优选的，预处理包括基于变换域的模糊增强方法增强图像低频分量，利用非线性增强方法增强图像的高频分量及局部梯度信息。
[0020]上述技术方案的技术效果为，利用基于变换域的模糊增强方法增强图像低频分量，在不使图像失真的情况下提高图像的对比度，抑制图像噪声；利用非线性增强方法增强图像的高频分量及局部梯度信息，凸显图像中的边界信息，加强裂纹边缘信息，去除噪声影响。
[0021]优选的，所述步骤3的具体过程为：
[0022]步骤31：选取图像数据中若干符合墙体裂纹特征的图像，并对裂纹区域进行旋转、裁剪、PS等，获得一次扩充图像数据；
[0023]步骤32：对一次扩充图像数据利用生成式对抗网络进行二次数据扩充，获得原始数据集。
[0024]针对采集到的样本数据较少，无法进行有效的深度学习模型训练的问题，需要对这些原始裂纹图片进行数据扩充，利用旋转、裁剪、PS等手段进行数据扩充；接着针对样本少的问题，进一步利用生成式对抗网络(GAN,Generative Adversarial Networks)进行数据扩充。
[0025]优选的，采用Labelimg、Photoshop等软件相结合的方式对裂纹进行标注，获得裂纹位置文件和图像，建立裂纹训练数据集。
[0026]优选的，对传统Unet模型吸取RepVGG网络模型重参化思想并引入YOLOv7的RepConvN模块进行重参化，改进Unet模型的主干网络，获得改进Unet模型，并将此改进Unet模型经过训练作为墙体结构劣化检测模型。
[0027]优选的，步骤5获得改进Unet模型的具体过程为：
[0028]步骤51：将传统Unet模型的编码器和解码器长连接形式替换为残差连接的形式，接着在残差分支部分并行添加一个1
×
1的卷积分支，然后将Unet模型的下采样、残差分支和添加的卷积分支合并为单条通路，获得RepConvN模块；
[0029]合并时将1<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法，其特征在于，包括以下步骤：步骤1：采集隧道洞口图像；步骤2：对图像进行降噪处理及预处理；步骤3：结合GAN模型对处理后的图像数据进行扩充，获得原始数据集；步骤4：对原始数据集中的图像利用标注工具标注出墙体裂缝，建立训练数据集；步骤5：根据墙体裂缝特征在Unet模型中使用YOLOv7重参化模块进行重参化，获得改进Unet模型；步骤6：利用训练数据集对改进Unet模型进行迭代训练，获得墙体及结构劣化检测模型；步骤7：将待识别的隧道口墙体图像输入所述墙体及结构劣化检测模型中，提取裂纹，并基于四向正交骨架线法计算裂纹宽度和裂纹长度。2.根据权利要求1所述的一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法，其特征在于，预处理包括基于变换域的模糊增强方法增强图像低频分量，利用非线性增强方法增强图像的高频分量及局部梯度信息。3.根据权利要求1所述的一种基于无人机的铁路隧道洞口墙体裂缝定量化检测方法，其特征在于，所述步骤3的具体过程为：步骤31：选取图像数据中若干符合墙体裂纹特征的图像，并对裂纹区域进行旋转、裁剪，获得一次扩充图像数据；步骤32：对一次扩充图像数据利用生成式对抗网络进行二次数据扩充，获得原始数据集。4.根据权利要求1所述的一种基于无人机的铁路隧道洞口墙体裂缝定量化检测方法，其特征在于，所述步骤5获得改进Unet模型的具体过程为：步骤51：将Unet模型的编码器和解码器长连接形式替换为残差连接的形式，在Unet模型的残差分支部分并行添加一个1
×
1的卷积分支，将Unet模型的下采样、残差分支和添加的卷积分支合并为单条通路，获得RepConvN...

【专利技术属性】
技术研发人员：李尧，马伟斌，赵鹏，郭小雄，柴金飞，常凯，颜明冬，安哲立，邹文浩，随意，
申请(专利权)人：中国铁道科学研究院集团有限公司，
类型：发明
国别省市：