【技术实现步骤摘要】
本专利技术涉及计算机,尤其涉及一种基于深度神经网络的隧道渗漏水检测方法。
技术介绍
1、地铁在当今城市交通中占据重要地位,是缓解城市交通压力的最有效途径之一。然而,随着时间的推移,隧道衬砌会出现渗漏水病害现象。及时准确地识别渗漏水缺陷对于隧道维护和安全管理至关重要。
2、传统的隧道渗漏水识别方法严重依赖人工经验和主观判断,识别效率低,易受人为因素影响。此外,微小的缺陷可能会逃过人眼,进一步降低渗漏水识别的准确性和及时性。
3、随着深度学习算法的快速发展,基于深度学习的隧道渗漏水智能识别已成为一个很有前途的研究方向。深度学习算法超越了传统方法,克服了人为设计缺陷特征的局限性,通过学习数据中隐含的特征,实现更准确、更全面的渗漏水病害识别。这些算法具有很强的泛化能力,可以处理各种尺度、角度和光照条件下的图像,从而增强了识别鲁棒性,非常适合隧道渗漏水病害检测。
4、目前隧道渗漏水检测方法有人工检测法、光纤测温法、基于图像处理的视觉方法、深度学习等,但存在以下缺点:
5、(1)检测精确度低、效率低。
...【技术保护点】
1.一种基于深度神经网络的隧道渗漏水检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述采集隧道渗漏水图像数据,并对所述隧道渗漏水图像数据进行预处理,以建立训练集和测试集,包括:
3.根据权利要求2所述的方法,其特征在于,所述改进YOLOv5渗漏水检测模型由输入、主干网络、颈部和检测头构成,所述主干网络包括CBS模块、GhostConv模块、C3GhostV2模块及SPPF模块。
4.根据权利要求3所述的方法,其特征在于,所述模型训练过程包括:
5.根据权利要求4所述的方法,其特征在于,所述通过所
...【技术特征摘要】
1.一种基于深度神经网络的隧道渗漏水检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述采集隧道渗漏水图像数据,并对所述隧道渗漏水图像数据进行预处理,以建立训练集和测试集,包括:
3.根据权利要求2所述的方法,其特征在于,所述改进yolov5渗漏水检测模型由输入、主干网络、颈部和检测头构成,所述主干网络包括...
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。