一种基于多尺度特征融合的隧道裂缝检测方法技术

本发明专利技术提供了一种基于多尺度特征融合的隧道裂缝检测方法

【技术实现步骤摘要】
一种基于多尺度特征融合的隧道裂缝检测方法


[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于多尺度特征融合的隧道裂缝检测方法
。

技术介绍

[0002]随着城市建设的快速发展以及道路建设技术的提高，隧道已成为缓解城市拥堵，提高运输效率的方式之一
。
隧道在带给人们出行便利的同时，同样也面临着各种隧道病害的威胁
。
[0003]由于长时间的运营，隧道会受到自然环境等因素的影响出现裂缝
、
墙体的脱落
、
渗漏水等潜在风险，这会对行车的安全造成威胁
。
为了预防隧道病害的发生，初期的实现方式主要通过投入大量的人力进行实地检查，由于检查人员存在着检测水平的差异，导致检测结果可信度不高并且效率也非常低
。
为了提高检测的结果和效率，研究人员开始利用探地雷达技术
、
扫描技术
、
冲击回波技术和红外探测技术等来实现隧道病害的检测
。
利用上述技术在一定程度上解决了病害检测的问题，但检测结果和效率还是不能满足实际的需求
。
[0004]2012
年后，随着深度学习技术的发展，基于深度学习的方法在各个领域不断刷新着最高记录，基于深度学习的病害检测方法是目前主流的研究方向，现有大部分基于深度学习的隧道病害检测方法主要是利用
VGG16
或
ResNet
系列卷积神经网络提取图像特征进行学习，这种方式能够取得高于传统方法的检测准确率和效率
。
基于深度学习的隧道病害检测方法在显式隧道病害的情况下具有较好的检测效果，然而，对于隐式隧道病害的检测效果较差，其主要原因是现有模型未能提取到鲁棒的细粒度特征，这造成模型学习鲁棒的特征的能力和泛化性能有限
。
这也使得无法起到预防隧道病害发生的效果
。

技术实现思路

[0005]本专利技术的实施例提供了一种基于多尺度特征融合的隧道裂缝检测方法，以实现有效地对图像进行隧道裂缝检测
。
[0006]为了实现上述目的，本专利技术采取了如下技术方案
。
[0007]一种基于多尺度特征融合的隧道裂缝检测方法，包括：
[0008]利用采集的隧道裂缝图像数据构建一个隧道裂缝图像数据集，将所述隧道裂缝图像数据集划分为训练集和验证集；
[0009]构建基于多尺度特征融合的隧道裂缝检测模型，隧道裂缝检测模型是深度学习模型，该模型由编码器和解码器组成，利用所述训练集和验证集对所述隧道裂缝检测模型进行训练和验证，得到训练好的隧道裂缝检测模型；
[0010]将待检测的隧道图像数据输入到训练好的隧道裂缝检测模型中，隧道裂缝检测模型对输入图像进行裂缝检测，输出裂缝检测结果
。
[0011]优选地，所述的利用采集的隧道裂缝图像数据构建一个隧道裂缝图像数据集，将所述隧道裂缝图像数据集划分为训练集和验证集，包括：
[0012]利用采集的隧道裂缝图像数据构建一个隧道裂缝图像数据集，对该隧道裂缝图像数据集进行数据标注，该隧道裂缝数据集的图像尺寸都为
512
×
512。
[0013]对标注后的隧道裂缝的图像数据进行预处理，预处理包含旋转
、
裁剪
、
翻转和高斯模糊，将预处理后的隧道裂缝图像数据集划分为训练集和验证集，模型训练过程中一次读取批次大小为
32
张的图像数据进行训练
。
[0014]优选地，所述的构建基于多尺度特征融合的隧道裂缝检测模型，隧道裂缝检测模型是深度学习模型，该模型由编码器和解码器组成，利用所述训练集和验证集对所述隧道裂缝检测模型进行训练和验证，得到训练好的隧道裂缝检测模型，包括：
[0015]构建基于多尺度特征融合的隧道裂缝检测模型，该隧道裂缝检测模型是深度学习模型，该模型由编码器和解码器组成，编码器用于生成具有语义信息的特征，包括第一特征尺度转换模块
、
第二特征尺度转换模块
、
第三特征尺度转换模块和第四特征尺度转换模块，所述第一特征尺度转换模块
、
第二特征尺度转换模块
、
第三特征尺度转换模块和第四特征尺度转换模块的输出特征图尺度分别为原始尺寸的
1/4、1/8、1/16、1/32
，特征尺度转换模块用于进行块的融合
、
自注意力的计算以及位置信息的汇入操作，解码器包含线性变换
、
非线性变换和上采样，用于将特征恢复到原始数据空间；
[0016]将训练集中的采样图像数据进行分块操作，块间采用重叠的方式进行编码，将编码后得到的特征图依次输入编码器的第一特征尺度转换模块
、
第二特征尺度转换模块
、
第三特征尺度转换模块和第四特征尺度转换模块中提取不同尺度的具有语义信息的特征；
[0017]将第一特征尺度转换模块
、
第二特征尺度转换模块
、
第三特征尺度转换模块和第四特征尺度转换模块得到的四种不同尺度的具有语义信息的特征输入到解码器中，进行细粒度特征学习并恢复到原始数据空间，解码器对不同尺度的特征分别进行上采样得到
H/4
×
W/4
特征图并进行特征融合，将融合特征进行细粒度特征学习，最终输出所述采样图像数据的裂缝检测结果；
[0018]利用设定的损失函数经过前向传播计算出所述采样图像数据的裂缝检测结果的损失值，进行反向传播优化所述隧道裂缝检测模型的参数，当经过多轮迭代训练后所述隧道裂缝检测模型的损失值趋于收敛时，停止训练，得到训练好的隧道裂缝检测模型，利用所述验证集对所述训练好的隧道裂缝检测模型进行验证
。
[0019]优选地，所述的将待检测的隧道图像数据输入到训练好的隧道裂缝检测模型中，隧道裂缝检测模型对输入图像进行裂缝检测，输出裂缝检测结果，包括：
[0020]将待检测的隧道图像数据输入到训练好的隧道裂缝检测模型中，训练好的隧道裂缝检测模型对待检测的隧道图像数据进行预处理，将预处理后的图像进行分块输入到解码器中，生成具有语义信息的特征，将编码器的输出特征输入到解码器中进行原始数据空间的恢复，输出待检测的隧道图像数据的裂缝检测结果，进行性能指标的计算和检测结果的可视化
。
[0021]由上述本专利技术的实施例提供的技术方案可以看出，本专利技术方法能够学习不同尺度的裂缝病害特征，将不同尺度的特征进行融合以此来挖掘细粒度的特征，从而有效地对图像进行隧道裂缝检测
。
[0022]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到
。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多尺度特征融合的隧道裂缝检测方法，其特征在于，包括：利用采集的隧道裂缝图像数据构建一个隧道裂缝图像数据集，将所述隧道裂缝图像数据集划分为训练集和验证集；构建基于多尺度特征融合的隧道裂缝检测模型，隧道裂缝检测模型是深度学习模型，该模型由编码器和解码器组成，利用所述训练集和验证集对所述隧道裂缝检测模型进行训练和验证，得到训练好的隧道裂缝检测模型；将待检测的隧道图像数据输入到训练好的隧道裂缝检测模型中，隧道裂缝检测模型对输入图像进行裂缝检测，输出裂缝检测结果
。2.
根据权利要求1所述的方法，其特征在于，所述的利用采集的隧道裂缝图像数据构建一个隧道裂缝图像数据集，将所述隧道裂缝图像数据集划分为训练集和验证集，包括：利用采集的隧道裂缝图像数据构建一个隧道裂缝图像数据集，对该隧道裂缝图像数据集进行数据标注，该隧道裂缝数据集的图像尺寸都为
512
×
512。
对标注后的隧道裂缝的图像数据进行预处理，预处理包含旋转
、
裁剪
、
翻转和高斯模糊，将预处理后的隧道裂缝图像数据集划分为训练集和验证集，模型训练过程中一次读取批次大小为
32
张的图像数据进行训练
。3.
根据权利要求1或者2所述的方法，其特征在于，所述的构建基于多尺度特征融合的隧道裂缝检测模型，隧道裂缝检测模型是深度学习模型，该模型由编码器和解码器组成，利用所述训练集和验证集对所述隧道裂缝检测模型进行训练和验证，得到训练好的隧道裂缝检测模型，包括：构建基于多尺度特征融合的隧道裂缝检测模型，该隧道裂缝检测模型是深度学习模型，该模型由编码器和解码器组成，编码器用于生成具有语义信息的特征，包括第一特征尺度转换模块
、
第二特征尺度转换模块
、
第三特征尺度转换模块和第四特征尺度转换模块，所述第一特征尺度转换模块
、
第二特征尺度转换模块
、
第三特征尺度转换模块和第四特征尺度转换模...

【专利技术属性】
技术研发人员：张冠华，李文全，王超，武旭娟，邵帅，刘志远，
申请(专利权)人：辽宁交通投资有限责任公司，
类型：发明
国别省市：