[發(fā)明專利]隧道裂紋區(qū)域檢測(cè)方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010101625.2
• 申請(qǐng)日: 2020-02-19
• 公開(kāi)（公告）號(hào): CN111325724B
• 公開(kāi)（公告）日: 2023-06-09
• 發(fā)明（設(shè)計(jì)）人: 耿鵬;馬洪濤;吳薇娜;羅俊;李俊良;盧琳
• 申請(qǐng)（專利權(quán)）人: 石家莊鐵道大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06T7/73;G06T5/00;G06V10/764;G06V10/80;G06V10/82
• 代理公司: 石家莊國(guó)為知識(shí)產(chǎn)權(quán)事務(wù)所 13120
• 代理人: 秦敏華

本發(fā)明適用圖像識(shí)別技術(shù)領(lǐng)域，提供了一種隧道裂紋區(qū)域檢測(cè)方法和裝置。該方法包括：獲取隧道圖像；通過(guò)第一預(yù)設(shè)卷積層對(duì)所述隧道圖像進(jìn)行卷積運(yùn)算，并通過(guò)預(yù)設(shè)激活函數(shù)進(jìn)行激活，獲得第一特征圖集；利用預(yù)設(shè)層數(shù)的特征金字塔網(wǎng)絡(luò)對(duì)所述第一特征圖集進(jìn)行處理，獲得第二特征圖集；對(duì)所述隧道圖像進(jìn)行預(yù)設(shè)次數(shù)的小波分解處理和非子采樣方向?yàn)V波處理，獲得第三特征圖集；組合所述第二特征圖集和所述第三特征圖集，獲得組合特征圖集；基于所述組合特征圖集中的圖像特征信息，得到所述隧道圖像的隧道裂紋區(qū)域檢測(cè)結(jié)果。上述方法可以提高裂紋定位和分割隧道裂紋區(qū)域的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像識(shí)別技術(shù)領(lǐng)域，尤其涉及一種隧道裂紋區(qū)域檢測(cè)方法和裝置。

背景技術(shù)

隨著鐵路和公路建設(shè)的快速發(fā)展，截至2018年底，我國(guó)成為世界上擁有隧道最多的國(guó)家。鐵路隧道在鐵路建設(shè)和運(yùn)營(yíng)中占據(jù)了重要地位。但由于隧道所處地質(zhì)環(huán)境和大規(guī)模快速發(fā)展，隧道運(yùn)營(yíng)會(huì)面臨很多挑戰(zhàn)，其中隧道病害就是其中主要的一種。對(duì)于隧道原有檢測(cè)方式來(lái)說(shuō)，其更多的依靠人工巡檢，其在具體巡檢中可能受到人為因素的影響，如：在判別某座病害隧道時(shí)，不同技術(shù)人員在判別時(shí)，都將聯(lián)系自身經(jīng)驗(yàn)獲得具有較大差別的判別結(jié)果，該情況無(wú)論是對(duì)于隧道的正常運(yùn)行還是維修養(yǎng)護(hù)都將產(chǎn)生較大的影響。

隨著計(jì)算機(jī)技術(shù)的高速發(fā)展,特別是圖像處理與計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展,基于圖像的無(wú)損檢測(cè)技術(shù)已經(jīng)成為了國(guó)內(nèi)外隧道病害檢測(cè)的研究熱點(diǎn)。近年來(lái),為了從影像中準(zhǔn)確、快速、高效的提取隧道病害,國(guó)內(nèi)外學(xué)者對(duì)此進(jìn)行了廣泛而深入的研究,并且取得了一些研究成果，包括針對(duì)路面裂縫的檢測(cè)和提取的迭代閾值分割的方法和針對(duì)從影像中準(zhǔn)確的提取裂縫的基于相鄰差分直方圖的裂縫分割算法。但這類基于閾值分割的裂縫識(shí)別方法雖然簡(jiǎn)單易用,但是并沒(méi)有考慮影像表面環(huán)境的變化以及光照、噪聲、紋理對(duì)于裂縫識(shí)別的影響，很難取得穩(wěn)定的效果。隧道病害圖像不同于傳統(tǒng)的路面病害圖像、巖石病害圖像，它具有很多復(fù)雜的特性，比如背景紋理多樣復(fù)雜、噪聲種類繁多、分布無(wú)規(guī)律等。因此，傳統(tǒng)的病害檢測(cè)算法不能很好的對(duì)隧道病害進(jìn)行檢測(cè)。

隨著深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域取得巨大成功，深度學(xué)習(xí)也開(kāi)始被應(yīng)用到裂縫檢測(cè)中。在國(guó)外，通過(guò)將深度學(xué)習(xí)應(yīng)用到裂縫識(shí)別過(guò)程中，利用深度學(xué)習(xí)模型檢測(cè)混凝土裂縫，由于采用深度學(xué)習(xí)模型屬于目標(biāo)檢測(cè)模型，只能大體上確定一個(gè)接近裂紋的小長(zhǎng)方形區(qū)域，無(wú)法實(shí)現(xiàn)高精度的裂紋區(qū)域分割。在國(guó)內(nèi)，公開(kāi)號(hào)為CN109376773A的專利文獻(xiàn)采用的卷積神經(jīng)網(wǎng)絡(luò)模型為GoogleNet?Inception?V3，在該模型后添加一層全連接層實(shí)現(xiàn)模型的遷移學(xué)習(xí)的裂紋檢測(cè)。該模型為卷積神經(jīng)網(wǎng)絡(luò)，也不能精確地進(jìn)行裂紋區(qū)域的更精確分割。公開(kāi)號(hào)為CN106910186A的專利文獻(xiàn)，公開(kāi)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的橋梁裂縫檢測(cè)定位方法，對(duì)局部噪聲敏感，也不能準(zhǔn)確對(duì)局部區(qū)域進(jìn)行識(shí)別，難以滿足對(duì)圖像的裂縫檢測(cè)。公開(kāi)號(hào)為CN107133960A的專利文獻(xiàn)中，公開(kāi)了一種利用卷積神經(jīng)網(wǎng)絡(luò)的圖像裂縫分割方法，該方法將原始圖像輸入深層卷積神經(jīng)網(wǎng)絡(luò)，經(jīng)卷積、池化和激活層學(xué)習(xí)特征，獲得特征圖；通過(guò)對(duì)不同卷積層輸出的特征圖進(jìn)行不同比例的上采樣為與原始圖像大小相同的特征圖；再通過(guò)對(duì)這些上采樣獲得的特征圖進(jìn)行預(yù)測(cè)，獲得對(duì)應(yīng)位置所屬類別，從而實(shí)現(xiàn)裂縫區(qū)域的定位和分割。但在該方法中，由于對(duì)一些輸出層的上采樣比例過(guò)大，使得這些特征圖的信息不能精確地確定裂紋區(qū)域，因此，存在識(shí)別定位和分割不準(zhǔn)確的缺點(diǎn)。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供了一種隧道裂紋區(qū)域檢測(cè)方法和裝置，以解決現(xiàn)有技術(shù)中隧道裂紋定位和隧道裂紋區(qū)域分割不夠精準(zhǔn)的問(wèn)題。

本發(fā)明實(shí)施例的第一方面提供了一種隧道裂紋區(qū)域檢測(cè)方法，包括：

獲取隧道圖像；

通過(guò)第一預(yù)設(shè)卷積層對(duì)所述隧道圖像進(jìn)行卷積運(yùn)算，并通過(guò)預(yù)設(shè)激活函數(shù)進(jìn)行激活，獲得第一特征圖集；

利用預(yù)設(shè)層數(shù)的特征金字塔網(wǎng)絡(luò)對(duì)所述第一特征圖集進(jìn)行處理，獲得第二特征圖集；

對(duì)所述隧道圖像進(jìn)行預(yù)設(shè)次數(shù)的小波分解處理和非子采樣方向?yàn)V波處理，獲得第三特征圖集；