[發明專利]一種基于全卷積神經網絡的隧道大規模鉚釘孔提取方法

有效

• 申請號: 202011285066.1
• 申請日: 2020-11-17
• 公開（公告）號: CN112270383B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 汪俊;王洲濤;魯德寧;謝乾
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 徐燕

1.一種基于全卷積神經網絡的隧道大規模鉚釘孔提取方法，其特征在于，包括：

S1：獲取地鐵隧道點云數據并生成圖像；

S2：對S1生成的圖像進行預處理，建立并擴充圖像數據集，從擴充后的圖像數據集中劃分出訓練集和測試集；

S3：構建全卷積神經網絡，并利用訓練集對全卷積神經網絡進行訓練，得到用于鉚釘孔特征提取的全卷積網絡模型；

S4：基于S3得到的全卷積網絡模型，對測試集樣本進行鉚釘孔特征提取，輸出鉚釘孔提取結果，檢驗全卷積網絡模型的提取效果；

S5：將待檢測的隧道圖像輸入完成S4測試的全卷積網絡模型中，實現圖像中鉚釘孔結構的自動提取；

S3訓練過程中，建立基于Tensor Flow深度學習庫搭建損失函數和優化器，經前向傳播后，采用隨機梯度下降法及反向傳播算法進行神經網絡的權重更新；

所述損失函數分為兩項，一項為分類損失函數，一項為識別框的定位損失函數，以保證網絡對于圖像中鉚釘孔的分類和定位都具有較高的準確度；

所述損失函數為：

其中，N_cls，N_reg分別表示圖像中候選區域的數量及正樣本的數量，p_i表示網絡對圖像候選區域r_i的預測結果；p_i^*表示該候選區域的理論結果，λ表示分類損失函數和定位損失函數的權重參數，t_i表示網絡預測的識別框的位置，t_i^*表示識別框的理論位置；

其中，分類損失函數：

L_cls(p_i，p_i^*)＝(p_i-p_i^*)²

識別框的定位損失函數：

L_reg(t_i，t_i^*)＝0.5|t_i-t_i^*|² |t_i-t_i^*|≤1

L_reg(t_i，t_i^*)＝|t_i-t_i^*|-0.5 |t_i-t_i^*|＞1。

2.根據權利要求1所述的一種基于全卷積神經網絡的隧道大規模鉚釘孔提取方法，其特征在于，S2所述對S1生成的圖像進行預處理，建立圖像數據集并進行擴充，從擴充后的圖像數據集中劃分出訓練集和測試集，包括：

對S1生成的圖像進行裁剪，得到統一尺寸的子圖像，并將所述子圖像中所有不同朝向的鉚釘孔進行分類標注，其中同一朝向的作為一類，從而建立圖像數據集；

對于建立的圖像數據集，采用平移和增加噪聲的方式進行擴充；

然后，將擴充后的圖像數據集按比例劃分為訓練集和測試集。

3.根據權利要求2所述的一種基于全卷積神經網絡的隧道大規模鉚釘孔提取方法，其特征在于，所述S2將圖像數據集中的70％作為訓練集，30％作為測試集。

4.根據權利要求1所述的一種基于全卷積神經網絡的隧道大規模鉚釘孔提取方法，其特征在于，所述S3基于Faster RCNN網絡構建全卷積神經網絡，所述全卷積神經網絡包括卷積注意力模塊和方向感知模塊；

所述卷積注意力模塊用于Faster RCNN網絡的特征提取階段，用于加強圖像中的鉚釘孔特征，增強鉚釘的識別；

所述方向感知模塊，用于對鉚釘每個方向的特征進行提取，最后將方向特征與卷積特征融合用于鉚釘孔的檢測。