[發明專利]一種基于學習的隧道表面缺陷定位方法

在審

• 申請號: 202010319611.8
• 申請日: 2020-04-21
• 公開（公告）號: CN111523543A
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 汪俊;于正浩;李大偉;張沅;易程
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 劉林峰

1.一種基于深度學習的隧道表面缺陷定位方法，其特征在于：具體包括以下步驟：

S1：數據的采集：使用數據采集裝置采集隧道表面數據；

S2：數據集的構建：以采集到的隧道表面數據構建隧道表面缺陷定位數據集；

S3：模型的構建：利用深度學習技術構建隧道表面缺陷定位模型；

S4：模型的訓練：將采集的到的數據集輸入步驟S3構建的隧道表面缺陷定位模型中，對模型進行訓練；

S5：缺陷定位：以新的數據作為輸入，用S4訓練好的隧道表面缺陷定位模型進行隧道表面缺陷的定位。

2.根據權利要求1所述的一種基于深度學習的隧道表面缺陷定位方法，其特征在于：所述步驟S1中的數據采集裝置包括高分辨率線陣相機，數據采集裝置采集數據時通過高亮度光源照亮被拍攝隧道表面，從而進行影像數據的采集，所述數據采集裝置采集的數據即為拍攝到的隧道表面的照片，根據設備性能及存儲空間將線陣相機采集到的數據進行定時的裁切，得到分辨率合適的圖像數據。

3.根據權利要求1所述一種基于深度學習的隧道表面缺陷定位方法，其特征在于：所述步驟S2中構建隧道表面缺陷定位數據集的具體方法為：

(1)對步驟S1采集到的照片數據進行處理；

(2)對處理后的照片進行缺陷的標注。

4.根據權利要求3所述一種基于深度學習的隧道表面缺陷定位方法，其特征在于：所述步驟(1)中對采集到的照片進行的處理包括去噪、濾波、裁剪、分辨率調整和亮度調整。

5.根據權利要求3所述一種基于深度學習的隧道表面缺陷定位方法，其特征在于：所述步驟(2)中對處理后的照片進行缺陷的標注的具體方法為：將照片中有缺陷的部位用一個包圍缺陷的矩形進行標注，針對每個缺陷標注所得信息為5維的向量，包括是否為缺陷、缺陷的坐標和缺陷的大小，對不含缺陷的隧道表面照片不進行任何標注。

6.根據權利要求1所述一種基于深度學習的隧道表面缺陷定位方法，其特征在于：所述步驟S3中構建深度學習模型的具體步驟為：

(1)特征提取網絡選取：所述特征提取網絡可將輸入的隧道表面圖片轉換為高維空間的特征矩陣(特征圖)；

(2)缺陷檢測模型的構建：構建的缺陷檢測模型為一個單類別的目標檢測網絡，用于缺陷的檢測及定位，包含16個卷積層，2個全連接層。所述缺陷檢測模型的使用為：對特征提取網絡輸出的特征圖在通道方向上每一維向量取3個不同長寬比的目標框，采用SVM分類器對目標框中是否包含缺陷進行分類，同時將每個目標框輸入一個自編碼器進行目標框的回歸，得到更精確的檢測結果，將分類的結果和回歸的結果一起作為網絡的輸出，用于缺陷的檢測及定位；

(3)loss的設計：所構建的loss為L＝L_cls+L_pos，其中L_cls表示有無缺陷分類的損失函數，對分類的準確性負責；L_pos表示缺陷定位的損失函數，對缺陷定位的精確度負責。

7.根據權利要求1所述一種基于深度學習的隧道表面缺陷定位方法，其特征在于：所述步驟S4中對模型進行訓練的方法為：將所述步驟S2得到的數據集輸入所述步驟S3構建的缺陷定位模型中，并選擇超參數進行網絡模型的訓練，每迭代一定的次數保存一個模型，將最終所得的全部模型在另一部分預留的未參與訓練的數據集上進行測試，將測試準確率最高的模型進行保存供步驟S5使用，其中，對模型進行訓練停止的條件為loss降低到特定的數量級或訓練達到最大迭代次數，最優模型選擇的條件為模型在測試數據上達到最高準確率。

8.根據權利要求1所述一種基于深度學習的隧道表面缺陷定位方法，其特征在于：所述步驟S5中缺陷定位的具體步驟為：

(1)新數據的采集與處理：新數據的采集與步驟S1中的數據采集操作相同，新數據處理與步驟S2中的數據處理操作一致；

(2)缺陷的定位：將采集到的新數據輸入到步驟S4訓練好的缺陷定位模型中，所述缺陷定位模型對輸入的數據進行評估，并輸出缺陷定位結果。

9.根據權利要求8所述一種基于深度學習的隧道表面缺陷定位方法，其特征在于：所述缺陷定位結果為n×5的矩陣，其中，n與網絡結構以及輸入網絡的數據大小有關，5表示(cls,x,y,w,h)，其中，cls指示檢測結果是否包含缺陷，(x,y,w,h)表示缺陷的位置信息，將采集到的新數據輸入到S4訓練好的模型后，對輸出矩陣進行遍歷，當cls置信度大于特定閾值θ時表示對應位置包含一個缺陷，若所有的均小于θ，則表示輸入數據中不包含缺陷。