【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。现有检测方法侧重于从隧道渗漏水图像中提取局部信息，对全局信息的提取能力有限，虽然可以识别出隧道渗漏水情况，但是其算法精确度低、效率低。
6、(2)检测方法的模型抗干扰能力与鲁棒性差。现有检测方法依托于隧道渗漏水图像处理，然而当隧道环境面临光照条件变化、噪声和遮挡时，算法的有效性会大幅度降低，抗干扰能力、鲁棒性较差。
7、(3)检测速度慢，现有检测方法无法在移动设备上进行渗漏
技术实现思路
1、有鉴于此，本专利技术提供一种基于深度神经网络的隧道渗漏水检测方法，以至少解决上述问题。
2、本专利技术提供一种基于深度神经网络的隧道渗漏水检测方法，包括采集隧道渗漏水图像数据，并对隧道渗漏水图像数据进行预处理，以建立训练集和测试集；建立改进yolov5渗漏水检测模型；将训练集输入至改进yolov5渗漏水检测模型中进行模型训练，并保存训练好的改进yolov5渗漏水检测模型；将测试集输入至改进yolov5渗漏水检测模型中进行模型测试及模型超参数调优；输入待检测隧道图片或待检测隧道视频至改进yolov5渗漏水检测模型中进行渗漏水区域检测。
3、在本专利技术的一实现方式中，采集隧道渗漏水图像数据，并对隧道渗漏水图像数据进行预处理，以建立训练集和测试集，包括通过相机采集隧道渗漏水图像数据；对隧道渗漏水图像数据进行数据增强处理，数据增强处理包括平移、旋转、翻转、裁剪、cutout、高斯噪声、颜色变换、对比度增强中的至少一项；通过labelme标注工具，对初步处理后的隧道渗漏水图像数据的渗漏水位置进行标注，得到隧道渗漏水图像数据集；对隧道渗漏水图像数据集按比例进行随机分配，得到训练集和测试集，其中，训练集用于训练模型参数，测试集用于模型测试。
4、在本专利技术的另一实现方式中，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，主干网络包括cbs模块、ghostconv模块、c3ghostv2模块及sppf模块。
5、在本专利技术的另一实现方式中，模型训练过程包括配置改进yolov5渗漏水检测模型，包括根据隧道渗漏水图像数据集的位置、类别数及类别名称，建立数据配置文件；设置模型训练过程需要的模型训练参数，其中，模型训练参数包括模型配置文件、超参数文件、训练次数、批大小、数据集配置文件、训练设备、权重文件、输入图片分辨率大小；对改进yolov5渗漏水检测模型进行权重初始化，通过前向传播，计算置信度损失、分类损失及边界框损失，通过反向传播更新网络中的参数；通过训练集完成训练后，通过测试集进行模型测试以评估模型性能，进行模型超参数调优；当迭代次数达到阈值时，结束训练。
6、在本专利技术的另一实现方式中，通过测试集进行模型测试以评估模型性能，进行模型超参数调优，包括设置模型测试过程需要的模型测试参数，其中，模型测试参数包括测试的模型权重文件、数据集配置文件、前向传播时的批次、输入图片分辨率大小、筛选框时的置信度阈值、进行nms处理的iou阈值；运行模型测试程序，得到算法精确度的具体值；通过算法精确度的具体值，评估改进yolov5渗漏水检测模型的性能；若算法精确度没有达到预设阈值，则对改进yolov5渗漏水检测模型进行超参数调整。
7、在本专利技术的另一实现方式中，该方法还包括对改进yolov5渗漏水检测模型进行超参数调整后，重新进行模型训练。
8、与现有技术相比，本专利技术的方案具有以下有益效果：
9、(1)本专利技术提高了渗漏水检测算法精确度。本专利技术采用了改进yolov5渗漏水检测算法，在主干网络中采用c3ghostv2模块、ghostconv模块，在保证主干网络轻量化的同时，增强图像的特征，利用颈部网络融合不同层次的特征图，利用fpn和pan相结合的结构，实现不同层语义特征和纹理特征的融合，减少局部信息消失，将这些信息送入检测层，提高了算法的精确度。
10、(2)本专利技术提高了模型的抗干扰能力与鲁棒性。本专利技术在算法的特征提取网络中，采用dfc注意力机制，以提高网络的抗干扰能力，在复杂的隧道环境中，提高其鲁棒性与泛化能力。
11、(3)本专利技术实现了在移动设备上进行渗漏水自动化检测，提高了检测速度。本专利技术采用轻量化的ghostconv、c3ghostv2模块，使得算法可部署于移动设备上，从而实现渗漏水自动化检测。
本文档来自技高网...【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，所述通过所述测试集进行所述模型测试以评估模型性能，进行模型超参数调优，包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
【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。