【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 ...
【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:
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。