【技术实现步骤摘要】
本专利技术涉及隧道检查与维护领域，尤其涉及的是一种单阶段轻量化的地铁衬砌空洞识别方法系统、智能终端及计算机可读存储介质。
技术介绍
1、定期检查和维护地铁隧道衬砌对于确保安全可靠的地下地铁系统运行至关重要，因为尽管隧道衬砌采用耐用材料建造，但由于磨损、水侵入和环境条件等各种因素，隧道衬砌会随着时间的推移而退化，尽早发现潜在问题对于防止服务中断、安全隐患或灾难性事件至关重要；然而，传统的视觉和激光雷达检测方法只能检查衬砌表面，需要一种可穿透的检测方法来检测衬砌内部的缺陷，如裂纹、空洞和分层。
2、隧道衬砌空洞的形成主要是由于衬砌层间灌浆不足。这些空洞通常分别在垂直和水平维度上较薄且细长。此外，衬砌后的岩石中有一些孔洞呈圆形，由于水土侵蚀，孔洞较大、较深。当隧道衬砌出现空洞时，空洞内的空气与周围混凝土之间的介电常数差异会产生强烈的反射，在雷达图中表现为较高的振幅。
3、探地雷达(ground penetrating radar，简称gpr)具有穿透能力强、分辨率高、效率高、非接触等优点，是一种广泛应用于隧道衬砌检测的无损检测方法。然而，由于对专业知识和经验的依赖，隧道空洞病害数据，即gpr数据的解释具有挑战性，导致对其的解释结果存在差异，从而影响隧道衬砌空洞检测的准确性和一致性。另外，隧道内的基础设施、加固材料和不均匀的衬砌材料会产生复杂的噪音，这些噪声会干扰和扭曲探地雷达的响应，从而导致人为偏见和误解。目前，深度学习框架包括两种类型的gpr解释：一种包括识别和分类的两阶段方法，一种为单阶段方法。单阶段方法是
4、然而，现有技术中单阶段方法无法提供与两阶段方法相当的准确性，在对隧道空洞病害数据进行检测时，使用单阶段方法仍然存在不足之处，导致检测结果不准。
5、因此，现有技术还有待改进和发展。
技术实现思路
1、本专利技术的主要目的在于提供一种单阶段轻量化的地铁衬砌空洞识别方法系统、智能终端及计算机可读存储介质，旨在解决现有技术中在对隧道空洞病害数据进行检测时，使用单阶段方法仍然存在不足之处，导致检测结果不准的问题。
2、为了实现上述目的，本专利技术第一方面提供一种单阶段轻量化的地铁衬砌空洞识别方法，其中，上述单阶段轻量化的地铁衬砌空洞识别方法包括：
3、获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；
4、将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
5、可选的，所述获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，具体包括：
6、通过雷达获取所述隧道空洞病害数据；
7、对所述隧道空洞病害数据进行隧道空洞预处理得到所述预处理数据，所述预处理包括直流偏移消除、增益调整、时间零点校正、带通滤波和滑动平均操作中的至少一种。
8、可选的，所述优化检测模型的生成步骤，包括：
9、基于yolov7检测模型，通过对特征提取和融合过程进行优化，并对损失函数进行优化，得到所述优化检测模型。
10、可选的，上述对特征提取和融合过程进行优化，具体包括：
11、通过纯卷积模块、自注意力和卷积的融合模块以及优化后的高效聚合网络优化上述特征提取和上述融合过程。
12、可选的，上述对损失函数进行优化，具体包括：
13、通过加权交并比函数对上述损失函数进行优化。
14、可选的，上述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练，具体包括：
15、根据时域有限差分法生成初步合成数据；
16、根据训练完成的探地雷达深度卷积生成对抗网络优化上述初步合成数据，得到上述合成数据。
17、可选的，上述探地雷达深度卷积生成对抗网络包括生成器网络和鉴别器网络，通过生成器网络和鉴别器网络对上述探地雷达深度卷积生成对抗网络进行训练，得到上述训练完成的探地雷达深度卷积生成对抗网络。
18、本专利技术第二方面提供一种单阶段轻量化的地铁衬砌空洞识别系统，其中，上述单阶段轻量化的地铁衬砌空洞识别系统包括：
19、数据预处理模块，用于获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；
20、数据处理模块，用于将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
21、本专利技术第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的单阶段轻量化的地铁衬砌空洞识别程序，上述单阶段轻量化的地铁衬砌空洞识别程序被上述处理器执行时实现任意一项上述单阶段轻量化的地铁衬砌空洞识别方法的步骤。
22、本专利技术第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有单阶段轻量化的地铁衬砌空洞识别程序，上述单阶段轻量化的地铁衬砌空洞识别程序被处理器执行时实现任意一项上述单阶段轻量化的地铁衬砌空洞识别方法的步骤。
23、由上可见，本专利技术方案中获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
24、与现有技术相比，针对目前在对隧道空洞病害数据进行检测时，使用单阶段方法仍然存在不足之处，导致检测结果不准的问题，本申请所提出的单阶段轻量化的地铁衬砌空洞识别方法中通过使用对yolov7(yolo检测模型中的一种，简称yolov7)检测模型的特征提取和融合过程以及损失函数进行优化后得到的优化检测模型对隧道空洞病害数据进行处理，从而能够增强优化检测模型提取局部特征、全局特征以及融合特征的过程，同时可以降低计算成本而不影响模型的性能，从而提高模型的准确性，同时通过对损失函数进行优化从而提高模型的鲁棒性；并且本申请中，对模型的优化检测模型训练时采用的训练数据是通过真实数据以及探地雷达深度卷积生成对抗网络优化得到的合成数据，从而使得生成的合成数据更加正式，并且由于采用合成数据与真实数据的组合对优化检测模型进行训本文档来自技高网...
【技术保护点】
1.一种单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述单阶段轻量化的地铁衬砌空洞识别方法包括：
2.根据权利要求1所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，具体包括：
3.根据权利要求1所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述优化检测模型的生成步骤，包括：
4.根据权利要求3所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述对特征提取和融合过程进行优化，具体包括：
5.根据权利要求3所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述对损失函数进行优化，具体包括：
6.根据权利要求1所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练，具体包括：
7.根据权利要求6所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述探地雷达深度卷积生成对抗网络包括生成器网络和鉴别器网络，通过生成器网络和鉴
8.一种单阶段轻量化的地铁衬砌空洞识别系统，其特征在于，所述单阶段轻量化的地铁衬砌空洞识别系统包括：
9.一种智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的单阶段轻量化的地铁衬砌空洞识别程序，所述单阶段轻量化的地铁衬砌空洞识别程序被所述处理器执行时实现如权利要求1-7任意一项所述单阶段轻量化的地铁衬砌空洞识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有单阶段轻量化的地铁衬砌空洞识别程序，所述单阶段轻量化的地铁衬砌空洞识别程序被处理器执行时实现如权利要求1-7任意一项所述单阶段轻量化的地铁衬砌空洞识别方法的步骤。
...【技术特征摘要】
1.一种单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述单阶段轻量化的地铁衬砌空洞识别方法包括：
2.根据权利要求1所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，具体包括：
3.根据权利要求1所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述优化检测模型的生成步骤，包括：
4.根据权利要求3所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述对特征提取和融合过程进行优化，具体包括：
5.根据权利要求3所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述对损失函数进行优化，具体包括：
6.根据权利要求1所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练，具体包括：
7.根据权利要求6所述的单阶...
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。