一种基于双流扩散模型的隧道衬砌病害识别方法技术

本发明专利技术提供了一种基于双流扩散模型的隧道衬砌病害识别方法

【技术实现步骤摘要】
一种基于双流扩散模型的隧道衬砌病害识别方法


[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于双流扩散模型的隧道衬砌病害识别方法
。

技术介绍

[0002]随着我国公路交通事业的大力发展，公路隧道工程取得了飞速发展
。
然而，由于地质
、
地形
、
气候条件以及设计
、
施工过程中各种因素的影响，隧道在建设阶段及后期交付的使用阶段中会出现不同程度的病害
。
常见的人眼可观测的病害类型包括长度类
(
如裂缝
)
和面积类
(
如涂层脱落
、
渗漏水
、
瓷砖脱落
)。
如不及时对这些病害进行排查处理，将会影响隧道安全运营
、
造成严重经济损失
、
危害交通安全
。
[0003]近些年，随着
GPU(graphics processing unit
，图形处理器
)
加速技术的发展及计算机计算能力的提升，深度学习在许多领域取得了突破性进展，如自然语言处理和计算机视觉领域
。
其中，语义分割是一种典型的计算机视觉问题，旨在识别出图像每个像素的类别，是一种像素级别的图像分类问题
。
在智能交通领域，通过语义分割模型识别病害区域引起了广泛注意
。
然而，现阶段解决该问题仍存在诸多挑战，例如隧道图像中存在恶劣的光照条件
、
隧道图像人工标注量大等问题
。
[0004]尽管之前的研究工作已利用语义分割模型来识别隧道图像病害，但是几乎所有方法都存在以下问题：首先，隧道展布图
(
即隧道表观图
)
的表观差异较小，且容易受光照及失真影响
。
因此，直接利用语义分割模型提取的特征判别能力较低，导致模型难以识别微小差异的病害
。
其次，隧道展布图的数量骄傲多，且分辨率通常较高，导致对隧道展布图的人工标注量较大
。
因此对海量隧道展布图直接训练全监督模型是耗时耗力的
。

技术实现思路

[0005]本专利技术的实施例提供了一种基于双流扩散模型的隧道衬砌病害识别方法，以实现有效地对图像进行隧道衬砌病害识别
。
[0006]为了实现上述目的，本专利技术采取了如下技术方案
。
[0007]一种基于双流扩散模型的隧道衬砌病害识别方法，包括：
[0008]利用现有的衬砌表观图像数据构建一个隧道衬砌病害图像数据集，对隧道衬砌病害图像数据集进行数据标注后，划分为训练集和验证集；
[0009]基于深度学习构建隧道衬砌病害识别模型，该隧道衬砌病害识别模型包括扩散去噪图像生成分支模型和条件扩散去噪语义分割分支模型；
[0010]利用所述训练集和验证集对所述隧道衬砌病害识别模型进行训练和验证，得到训练好的隧道衬砌病害识别模型；
[0011]将待检测的隧道图像数据输入到训练好的隧道衬砌病害识别模型中，训练好的隧道衬砌病害识别模型对输入图像进行隧道衬砌病害识别识别，输出隧道衬砌病害识别结果
。
[0012]优选地，所述的利用现有的衬砌表观图像数据构建一个隧道衬砌病害图像数据集，对隧道衬砌病害图像数据集进行数据标注后，划分为训练集和验证集，包括：
[0013]利用隧道车采集衬砌表观图像，该衬砌表观图像为对整个隧道全方位的表观扫描图像，能够包含隧道中可能存在的所有病害区域，将衬砌表观图像分割为
512*512
分辨率的图像；
[0014]将分割处理后的全部图像数据集划分为训练集和验证集，训练集包含大量无监督图像和少量有标签图像，对训练数据集中的图像进行数据预处理，该数据预处理包含图像裁剪
、
图像镜面翻转和图像尺寸调整，将训练数据集中的图像尺寸变为
128*128。
[0015]优选地，所述的基于深度学习构建隧道衬砌病害识别模型，该隧道衬砌病害识别模型包括扩散去噪图像生成分支模型和条件扩散去噪语义分割分支模型，包括：
[0016]基于深度学习构建隧道衬砌病害识别模型，该隧道衬砌病害识别模型包括扩散去噪图像生成分支模型和条件扩散去噪语义分割分支模型，所述扩散去噪图像生成分支模型为无监督图像产生带高斯噪声的图像，并迭代训练一个扩散去噪概率模型来生成无噪声图像，在预训练该分支后，该分支作为图像特征提取器，通过上采样及特征融合来为后续语义分割提供图像特征；所述条件扩散去噪语义分割分支为人工标注分割图产生带高斯噪声的分割图，并以图像特征为条件来训练一个条件扩散去噪概率模型，产生无噪声分割图
。
[0017]优选地，所述的利用所述训练集和验证集对所述隧道衬砌病害识别模型进行训练和验证，得到训练好的隧道衬砌病害识别模型，包括：
[0018]使用全部训练集图像作为无监督数据集，预训练扩散去噪图像生成分支模型，具体训练过程包括；
[0019]S3.1
，前向扩散过程是指对图像逐渐添加
T
次高斯噪声直至变成随机噪声，总共包含
T
步扩散，具体公式如下：
[0020][0021][0022]其中，
x0表示原图，
x
t
∈{x1,
…
,x
T
}
表示叠加高斯噪声后产生的噪声图像，
β
t
∈{
β1,
…
,
β
T
}
表示前向扩散过程的取值为0到1的方差，
ε
表示高斯噪声，
α
t
为参数重组且取值为1‑
β
t
，表示平均值；
[0023]S3.2
，通过反向去噪过程从带噪声图像
x
t
中预测
x0，形式化为：
f1(x
t
,t)
，采用
UNet
作为去噪神经网络，该网络包括一个编码器和解码器，其中解码器产生多尺度鲁棒特征表示；
[0024]S3.3
，优化目标函数：使用均方误差损失函数，具体公式为：
[0025][0026]其中，表示损失函数，
f1(x
t
,t)
表示预测的去噪声图像，
x0表示原始无噪声图像，表示均方误差损失函数，用于度量
f1(x
t
,t)
和
x0的距离，越大表示去噪效果越差，越小表示去噪效果越好；
[0027]使用有标签图像训练条件扩散去噪语义分割分支模型，具体训练过程包括：
[0028]S3.4
，使用预训练的扩散去噪图像生成分支作为图像特征提取器，利用图像特征提取器中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于双流扩散模型的隧道衬砌病害识别方法
。
其特征在于，包括：利用现有的衬砌表观图像数据构建一个隧道衬砌病害图像数据集，对隧道衬砌病害图像数据集进行数据标注后，划分为训练集和验证集；基于深度学习构建隧道衬砌病害识别模型，该隧道衬砌病害识别模型包括扩散去噪图像生成分支模型和条件扩散去噪语义分割分支模型；利用所述训练集和验证集对所述隧道衬砌病害识别模型进行训练和验证，得到训练好的隧道衬砌病害识别模型；将待检测的隧道图像数据输入到训练好的隧道衬砌病害识别模型中，训练好的隧道衬砌病害识别模型对输入图像进行隧道衬砌病害识别识别，输出隧道衬砌病害识别结果
。2.
根据权利要求1所述的方法，其特征在于，所述的利用现有的衬砌表观图像数据构建一个隧道衬砌病害图像数据集，对隧道衬砌病害图像数据集进行数据标注后，划分为训练集和验证集，包括：利用隧道车采集衬砌表观图像，该衬砌表观图像为对整个隧道全方位的表观扫描图像，能够包含隧道中可能存在的所有病害区域，将衬砌表观图像分割为
512*512
分辨率的图像；将分割处理后的全部图像数据集划分为训练集和验证集，训练集包含大量无监督图像和少量有标签图像，对训练数据集中的图像进行数据预处理，该数据预处理包含图像裁剪
、
图像镜面翻转和图像尺寸调整，将训练数据集中的图像尺寸变为
128*128。3.
根据权利要求2所述的方法，其特征在于，所述的基于深度学习构建隧道衬砌病害识别模型，该隧道衬砌病害识别模型包括扩散去噪图像生成分支模型和条件扩散去噪语义分割分支模型，包括：基于深度学习构建隧道衬砌病害识别模型，该隧道衬砌病害识别模型包括扩散去噪图像生成分支模型和条件扩散去噪语义分割分支模型，所述扩散去噪图像生成分支模型为无监督图像产生带高斯噪声的图像，并迭代训练一个扩散去噪概率模型来生成无噪声图像，在预训练该分支后，该分支作为图像特征提取器，通过上采样及特征融合来为后续语义分割提供图像特征；所述条件扩散去噪语义分割分支为人工标注分割图产生带高斯噪声的分割图，并以图像特征为条件来训练一个条件扩散去噪概率模型，产生无噪声分割图
。4.
根据权利要求
1、2
或者3所述的方法，其特征在于，所述的利用所述训练集和验证集对所述隧道衬砌病害识别模型进行训练和验证，得到训练好的隧道衬砌病害识别模型，包括：使用全部训练集图像作为无监督数据集，预训练扩散去噪图像生成分支模型，具体训练过程包括；
S3.1
，前向扩散过程是指对图像逐渐添加
T
次高斯噪声直至变成随机噪声，总共包含
T
步扩散，具体公式如下：步扩散，具体公式如下：
其中，
x0表示原图，
x
t
∈{x1,
…
,x
T
}
表示叠加高斯噪声后产生的噪声图像，
β
t
∈{
β1,
…
,
β
T
}
表示前向扩散过程的取值为0到1的方差，
ε
表示高斯噪声，
α
t
为参数重组且取值为1‑
β
t
，表示平均值；
S3.2
，通过反向去噪过程从带噪声图像
x
t
中预测
x0，形式化为：
f1(x
t
,t)
，采用
UNet
作为去噪神经网络，该网络包括一个编码器和解码器，其中解码器产生多尺度鲁棒特征表示；
S3.3
，优化目标函数：使用均方误差损失...

【专利技术属性】
技术研发人员：张冠华，王超，侯娜，王雅静，崔凯华，
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：