[發(fā)明專利]一種基于全卷積神經(jīng)網(wǎng)絡(luò)的隧道大規(guī)模鉚釘孔提取方法

有效

• 申請?zhí)枺?/td>: 202011285066.1
• 申請日: 2020-11-17
• 公開（公告）號: CN112270383B
• 公開（公告）日: 2021-11-23
• 發(fā)明（設(shè)計(jì)）人: 汪俊;王洲濤;魯?shù)聦?/a>;謝乾
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 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

本發(fā)明公開了一種基于全卷積神經(jīng)網(wǎng)絡(luò)的隧道大規(guī)模鉚釘孔提取方法，包括獲取地鐵隧道點(diǎn)云數(shù)據(jù)并生成圖像；對圖像進(jìn)行預(yù)處理，建立并擴(kuò)充圖像數(shù)據(jù)集，劃分訓(xùn)練集和測試集；構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)并進(jìn)行訓(xùn)練，得到用于鉚釘孔特征提取的全卷積網(wǎng)絡(luò)模型；基于全卷積網(wǎng)絡(luò)模型，對測試集樣本進(jìn)行鉚釘孔特征提取；將待檢測的隧道圖像輸入全卷積網(wǎng)絡(luò)模型中，實(shí)現(xiàn)圖像中鉚釘孔結(jié)構(gòu)的自動提取。本發(fā)明解決了現(xiàn)有技術(shù)中針對地鐵隧道大規(guī)模鉚釘孔結(jié)構(gòu)無法識別定位問題，有效提高了隧道鉚釘孔的提取精度，基于準(zhǔn)確提取的隧道鉚釘孔，可根據(jù)不同類別的鉚釘孔排列模板進(jìn)行隧道管片塊的分割提取，從而提高隧道結(jié)構(gòu)形變分析準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明屬于軌道交通技術(shù)領(lǐng)域，具體涉及一種基于全卷積神經(jīng)網(wǎng)絡(luò)的隧道大規(guī)模鉚釘孔提取方法。

背景技術(shù)

近年來，隨著城市的發(fā)展，地面交通壓力越來越大。造成交通阻塞的關(guān)鍵原因在于城市道路容量不足，道路擴(kuò)建的速度跟不上車流量增加的速度。為了解決交通擁擠的問題，地鐵等公共交通工具越來越普遍。地鐵隧道作為城市中運(yùn)送旅客的主要載體，其安全性和穩(wěn)定性至關(guān)重要，因此其隧道結(jié)構(gòu)的定位和分析具有重要的現(xiàn)實(shí)意義。

隧道結(jié)構(gòu)是由不同類型的管片塊經(jīng)過鉚釘拼接而成的，鉚釘作為隧道結(jié)構(gòu)的關(guān)鍵組成部分，其真實(shí)可靠的定位及分析數(shù)據(jù)的來源是隧道檢測的基礎(chǔ)，傳統(tǒng)鉚釘孔定位分析通過接觸式測量及人工肉眼檢測，人力財(cái)力成本極高，檢測周期長準(zhǔn)確性低，近年來，三維激光掃描技術(shù)快速發(fā)展，基于此的隧道鉚釘孔結(jié)構(gòu)定位及分析技術(shù)能夠克服傳統(tǒng)測量方法的不足。

然而，目前三維掃描技術(shù)在隧道檢測領(lǐng)域的應(yīng)用還處于初級階段，存在成本高、自動化程度低、實(shí)時性差等缺陷，相應(yīng)的數(shù)據(jù)處理方法也不能滿足實(shí)際需求，無法對鉚釘孔結(jié)構(gòu)進(jìn)行準(zhǔn)確的定位和分析，從而進(jìn)一步影響隧道結(jié)構(gòu)的形變分析等后續(xù)步驟

針對現(xiàn)有技術(shù)中隧道大規(guī)模鉚釘孔結(jié)構(gòu)無法準(zhǔn)確定位的問題，目前尚未提出有效的解決方案。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是針對上述現(xiàn)有技術(shù)的不足，提供一種基于全卷積神經(jīng)網(wǎng)絡(luò)的隧道大規(guī)模鉚釘孔提取方法，可解決現(xiàn)有技術(shù)中隧道鉚釘孔結(jié)構(gòu)無法準(zhǔn)確定位的問題。

為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采取的技術(shù)方案為：

一種基于全卷積神經(jīng)網(wǎng)絡(luò)的隧道大規(guī)模鉚釘孔提取方法，包括：

S1：獲取地鐵隧道點(diǎn)云數(shù)據(jù)并生成圖像；

S2：對S1生成的圖像進(jìn)行預(yù)處理，建立并擴(kuò)充圖像數(shù)據(jù)集，從擴(kuò)充后的圖像數(shù)據(jù)集中劃分出訓(xùn)練集和測試集；

S3：構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)，并利用訓(xùn)練集對全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到用于鉚釘孔特征提取的全卷積網(wǎng)絡(luò)模型；

S4：基于S3得到的全卷積網(wǎng)絡(luò)模型，對測試集樣本進(jìn)行鉚釘孔特征提取，輸出鉚釘孔提取結(jié)果，檢驗(yàn)全卷積網(wǎng)絡(luò)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(wǎng)絡(luò)模型中，實(shí)現(xiàn)圖像中鉚釘孔結(jié)構(gòu)的自動提取。

為優(yōu)化上述技術(shù)方案，采取的具體措施還包括：

上述的S2所述對S1生成的圖像進(jìn)行預(yù)處理，建立并擴(kuò)充圖像數(shù)據(jù)集，從擴(kuò)充后的圖像數(shù)據(jù)集中劃分出訓(xùn)練集和測試集，包括：

對S1生成的圖像進(jìn)行裁剪，得到統(tǒng)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(jìn)行分類標(biāo)注，其中同一朝向的作為一類，從而建立圖像數(shù)據(jù)集；

對于建立的圖像數(shù)據(jù)集，采用平移和增加噪聲的方式進(jìn)行擴(kuò)充；

然后，將擴(kuò)充后的圖像數(shù)據(jù)集按比例劃分為訓(xùn)練集和測試集。

上述的S2將圖像數(shù)據(jù)集中的70％作為訓(xùn)練集，30％作為測試集。