[發(fā)明專利]一種基于雙深度學習模型的隧道裂縫檢測及測量方法

在審

• 申請?zhí)枺?/td>: 202011506567.8
• 申請日: 2020-12-18
• 公開（公告）號: CN112508030A
• 公開（公告）日: 2021-03-16
• 發(fā)明（設計）人: 張國華;程保喜;劉濤;張建清;龐宏源;趙向南;魏漢明;尉東曉;呂波;劉衛(wèi)軍;胡利娜;辛志陶
• 申請（專利權(quán)）人: 山西省信息產(chǎn)業(yè)技術(shù)研究院有限公司
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 太原榮信德知識產(chǎn)權(quán)代理事務所(特殊普通合伙) 14119
• 代理人: 楊凱;連慧敏

本發(fā)明屬于隧道檢測技術(shù)領域，具體涉及一種基于雙深度學習模型的隧道裂縫檢測及測量方法，包括下列步驟：采集隧道圖像；創(chuàng)建目標檢測的訓練集；創(chuàng)建語義分割的訓練集；訓練目標檢測模型；訓練語義分割模型；使用訓練好的目標檢測模型對輸入的待檢測圖像進行檢測判斷是否有裂縫；將有裂縫的圖像輸入到訓練好的語義分割模型中進行圖像分割；預測圖像類別、裂縫位于圖像中的坐標、裂縫長度信息；將模型預測的結(jié)果進行輸出和保存。本發(fā)明與單純圖像處理技術(shù)相比，本發(fā)明檢測準確率高，檢測速度快；與純深度學習算法相比，本發(fā)明除具有深度學習算法的優(yōu)點外，還能進一步挖掘裂縫長度信息。本發(fā)明用于隧道裂縫的檢測及測量。

技術(shù)領域

本發(fā)明屬于隧道檢測技術(shù)領域，具體涉及一種基于雙深度學習模型的隧道裂縫檢測及測量方法。

背景技術(shù)

交通是國家發(fā)展的命脈，而交通建設的生產(chǎn)安全和運營安全就成為永恒的主題。隧道作為交通建設的重要組成部分，定期對隧道展開病害檢測，早發(fā)現(xiàn)早預防能夠?qū)煌ò踩鸬接葹橹匾谋Ｕ稀?/p>

目前，基于深度學習的方法已成為檢測領域的重要手段，這些方法往往應用于光線較好的自然環(huán)境下，且檢測目標一般都比較明顯，然而，面對隧道的復雜環(huán)境，檢測效果就會相對降低，且目前的深度學習檢測方法只有檢測功能，對于進一步挖掘檢測目標的信息還不完善。

基于圖像處理的方法能夠挖掘檢測目標的信息，如計算目標面積、周長等，但圖像處理方法易受噪聲干擾，無法很好的挖掘復雜環(huán)境下檢測目標的信息。

發(fā)明內(nèi)容

針對上述現(xiàn)有的圖像處理方法易受噪聲干擾的技術(shù)問題，本發(fā)明提供了一種檢測準確率高、檢測速度快、檢測范圍廣的基于雙深度學習模型的隧道裂縫檢測及測量方法。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：

一種基于雙深度學習模型的隧道裂縫檢測及測量方法，包括下列步驟：

S1、采集隧道圖像；

S2、創(chuàng)建基于深度學習用于目標檢測的訓練集；

S3、創(chuàng)建基于深度學習用于語義分割的訓練集；

S4、訓練目標檢測模型；

S5、訓練語義分割模型；

S6、使用訓練好的目標檢測模型對輸入的待檢測圖像進行檢測判斷是否有裂縫；

S7、將有裂縫的圖像輸入到訓練好的語義分割模型中進行圖像分割；

S8、根據(jù)目標檢測與語義分割模型預測圖像類別、裂縫位于圖像中的坐標、裂縫長度信息；

根據(jù)步驟S7語義分割出的圖像通過Opencv庫獲取連通域，即裂縫，并提取連通域的輪廓點坐標集，記作M_set，將輪廓點坐標集中的坐標個數(shù)記作N；

計算裂縫的長度，計算公式如下：

所述α為圖像中單像素值與實際相機到隧道壁距離的比值系數(shù)，所述表示以N_l的抽樣間隔抽取的輪廓點坐標個數(shù)；所述表示以N_l的抽樣間隔抽取的輪廓點坐標集；所述x、y為連通域的輪廓點坐標(x,y)；所述i取值范圍為0，1，2，…，

S9、將模型預測的結(jié)果進行輸出和保存，若預測結(jié)果中有裂縫，則保存裂縫圖像名稱、裂縫位于圖像中的坐標、裂縫的長度信息；若預測結(jié)果中無裂縫，則不保存。