[發明專利]一種基于深度學習的車載隧道缺陷在線檢測系統及方法

在審

• 申請號: 202011003709.9
• 申請日: 2020-09-22
• 公開（公告）號: CN112113978A
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 范國海;胡文銳;徐邵偉;陳茹;呂太洪;薛曉利
• 申請（專利權）人: 成都國鐵電氣設備有限公司
• 主分類號: G01N21/95
• 分類號: G01N21/95;G01N21/88;G01S13/06;G01S13/60;G06K17/00
• 代理公司: 成都時譽知識產權代理事務所(普通合伙) 51250
• 代理人: 葉斌

1.一種基于深度學習的車載隧道缺陷在線檢測系統，其特征在于，包括數據采集模塊、GPU服務器實時檢測模塊與缺陷報警模塊，所述數據采集模塊的輸出端與所述GPU服務器實時檢測模塊的輸入端連接，所述GPU服務器實時檢測模塊的輸出端與所述缺陷報警模塊的輸入端連接；

所述數據采集模塊用于采集隧道缺陷檢測所需數據以及定位信息，所述GPU服務器實時檢測模塊用于對數據采集模塊輸入的視頻圖片信息進行構建和渲染，并行處理數據，加快檢測速度；所述缺陷報警模塊用于對檢測網絡檢測出的隧道缺陷進行定位確認，確認缺陷的位置信息與類別，并將檢測結果輸出到終端報警設備。

2.根據權利要求1所述的一種基于深度學習的車載隧道缺陷在線檢測系統，其特征在于，所述數據采集模塊包括相機、多普勒測速雷達與射頻標簽RFID，所述相機用于采集隧道里面有缺陷的圖像數據，所述多普勒測速雷達和射頻標簽RFID用于獲取定位信息。

3.根據權利要求1所述的一種基于深度學習的車載隧道缺陷在線檢測系統，其特征在于，所述GPU服務器實時檢測模塊還連接有數據處理存儲模塊與電源模塊，所述數據處理存儲模塊用于將接收到的數據存儲為檢測模塊所需的數據格式，所述電源模塊用于對GPU服務器實時檢測模塊供電。

4.一種基于深度學習的車載隧道缺陷在線檢測方法，其特征在于，包括以下步驟：

S1，數據采集模塊采集隧道缺陷圖像數據以及定位信息；

S2，GPU服務器實時檢測模塊對數據采集模塊輸入的隧道缺陷圖像數據進行預處理后進行檢測，將檢測結果及定位信息傳送到缺陷報警模塊；

S3，缺陷報警模塊對檢測出的隧道缺陷進行定位確認，判斷是否存在隧道缺陷，如果存在隧道缺陷，則確認缺陷的位置信息與類別，并將檢測結果輸出到終端報警設備，否則返回執行步驟S1。

5.根據權利要求4所述的一種基于深度學習的車載隧道缺陷在線檢測方法，其特征在于，所述S1包括以下子步驟：

S1.1，通過對多普勒測速雷達輸出的速度信息進行累計積分，實時輸出車輛前進的距離；

S1.2，通過RFID天線接收裝置獲取線路道床沿線安裝的RFID標簽的標號，進而查找對應的公里標S0，即可定位當前公里標S＝S0，并記錄此時雷達位移S1；

S1.3，經過一個多普勒雷達輸出周期后，獲取雷達位移S2，當前公里標S＝S0+(S2-S1)；

S1.4，重復上述步驟即可獲取當前定位信息。

6.根據權利要求4所述的一種基于深度學習的車載隧道缺陷在線檢測方法，其特征在于，所述步驟S2包括以下子步驟：

S2.1,將圖像大小進行重置

S2.2,將重置后的圖像數據進行歸一化；

S2.3，將歸一化后的圖像數據輸入檢測網絡進行缺陷檢測；

S2.4,建立隧道缺陷庫，將檢測網絡檢測出的結果進行過濾，留下的檢測結果經人工確認后進行分類并標記；

S2.5，用建立好的缺陷庫進行網絡訓練，選取訓練精度最好的模型部署到整個檢測系統中。

7.根據權利要求6所述的一種基于深度學習的車載隧道缺陷在線檢測方法，其特征在于，所述檢測網絡采用的檢測算法為Mask RCNN，Mask RCNN采用的主干網絡為Resnet101，主干網后面連接一個特征金字塔的頸脖部分，用于檢測不同尺度的目標。

8.根據權利要求7所述的一種基于深度學習的車載隧道缺陷在線檢測方法，所述步驟S2.3包括以下子步驟：

S2.3.1,推薦網絡提取缺陷候選區域,推薦網絡是一個輕量的深度卷積網絡，通過滑動窗口掃描輸入圖像進行卷積操作，結合不同的的尺寸與長寬比，生成互相重疊的區域，并得到每個區域的位置信息，即(x,y,w,h)，用來提取候選區域；

S2.3.2,根據提取的候選區域，得到一個二值掩碼，根據這個二值掩碼進一步進行缺陷分類與檢測框的回歸，使檢測結果更加準確，最終檢測結果返回缺陷類別與位置信息(x,y,w,h)。