[发明专利]基于深度学习与视场投影模型的渗漏水面积检测与识别方法

权利要求书

1.一种基于深度学习与视场投影模型的渗漏水区域检测与识别方法，其特征在于，具体包括如下步骤：

步骤1)采集待测区域的视频数据和点云数据；

步骤2)通过渗漏水图像识别神经网络对步骤1)采集的视频数据进行检测，得到渗漏水区域图片；

步骤3)对步骤1)采集的点云数据进行识别，得到曲面形状；

步骤4)根据步骤3)得到的曲面形状对步骤2)得到的漏水区域图片进行相应曲面形状投影，并计算投影后的渗漏水区域实际面积；

所述的步骤2)通过渗漏水图像识别神经网络对步骤1)采集的视频数据进行检测，得到渗漏水区域图片，具体检测步骤如下：

步骤2.1)采集历史渗漏水区域的视频数据和点云数据；

步骤2.2)对视频数据中的图片数据进行数据增强，得到增强图像；

步骤2.3)对增强图像中的渗漏水区域进行标注，作为标签；

步骤2.4)构建隧道渗漏水图像识别神经网络框架，并将增强图像和标签输入隧道渗漏水图像识别神经网络，训练隧道渗漏水图像识别神经网络框架，得到深度学习后的隧道渗漏水图像识别神经网络；

步骤2.5)将采集的视频数据输入到所述的深度学习后的隧道渗漏水图像识别神经网络，对图像中的渗漏水区域进行预测，属于渗漏水的像素被预测为前景像素，不属于渗漏水的像素被预测为背景像素，从而实现渗漏水病害的图像识别；

所述的步骤4)计算投影后的渗漏水区域实际面积，具体是：

步骤4.1)当识别到的曲面是圆柱面时，采用柱面投影模型将平面还原为柱面，小车运行时防抖摄像机的运动发生在X—Z平面，图像中心点就是光轴与图像平面的交点，为了得到投影中心O点观察到的原始图像，即图像J在柱面空间K上的柱面投影图像J’；设柱面半径为r，投影角为α，图像J宽度为W，图像高度为H；得到柱面图像的宽度W’为r*α，高度仍为H，图像的像素坐标均以图像平面中的最左上角像素为坐标原点；

对图像J上的任意一点P(x，y)，在柱面图像J’上的对应点为P’(x’，y’)，对点P沿X一Z平面和Y—Z的横截面分别投影，可得柱面投影变换公式：

其中，r为拍摄焦距，α为每张图像所占的弧度角，x，y为原图的坐标，x',y'为变换后图像的坐标，W和H为原图的宽和高，α为防抖摄像机水平视角，取值为(0,π)；通过柱面投影公式，可以将e中检测到的渗漏水病害区域图片每一个像素点投影到圆柱平面上去；

计算渗漏水病害实际面积S，公式如下：

其中，h是到物体表面的距离，P是图像中目标物体区域内像素个数测量值，Q是防抖摄像机整个视场范围内像素的个数，α和β分别是防抖摄像机的水平视场和垂直视场，γ是视场面积转化为圆形隧道的投影面积修正系数；

步骤4.2)当识别到的曲面是平面时，计算渗漏水病害实际面积S，公式如下：

其中h是到物体表面的距离，P是图像中目标物体区域内像素个数测量值，

步骤4.3)当识别到的曲面是椭圆柱面时，采用椭圆柱面投影模型将平面还原为椭圆柱面，小车运行时防抖摄像机的运动发生在X—Z平面，而且图像中心点就是光轴与图像平面的交点，为了得到投影中心O点观察到的原始图像，即图像J在椭圆柱面空间K上的投影图像J’；设椭圆柱面半长轴为b，半短轴为c，b和c可以通过点云数据拟合测得；投影角为α，图像J宽度为W，图像高度为H，得到椭圆柱面图像的宽度W’为高度仍为H；图像的像素坐标以图像平面中的最左上角像素为坐标原点；

对图像J上的任意一点P(x，y)，在椭圆柱面图像J’上的对应点为P’(x’，y’)，对点P沿X一Z平面和Y—Z的横截面分别投影，可得椭圆柱面投影变换公式：

α为每张图像所占的弧度角；椭圆柱面投影就是将一张二维的图像投影到三维的椭圆柱体上；其中，x,y为原图的坐标，x',y'为变换后图像的坐标，W和H为原图的宽和高，这里α为防抖摄像机水平视角，α取值为(0,π)之间；通过椭圆柱面投影公式，可以将e中检测到的渗漏水病害区域图片每一个像素点投影到椭圆柱面上去；

计算渗漏水病害实际面积S，公式如下：

其中h是到物体表面的距离，P是图像中目标物体区域内像素个数测量值，Q是防抖摄像机整个视场范围内像素的个数；α和β分别是防抖摄像机的水平视场和垂直视场，γ是视场面积转化为椭圆柱面形隧道的投影面积修正系数；

所述步骤2.3)对增强图像中的渗漏水区域进行标注，作为标签，具体如下：

步骤2.3.1)对增强图像进行自适应阈值法分割，得到二值图像，其中，黑色像素点为渗漏水区域，白色像素点为背景区域；

步骤2.3.2)对二值图像修正后，对像素点进行标签；

步骤2.3.3)将二值图像的黑色像素点转化为洋红色像素点，白色像素点转化为红色像素点，其中，洋红色像素点为训练的渗漏水区域，红色像素点为背景边界修正；

步骤2.3.4)对于二值图像中仍存在的黑色像素点进行形态学处理，得到可供训练的样本集，通过迭代，得到可供训练的样本集；

所述步骤2.4)训练渗漏水图像识别神经网络框架，得到深度学习后的隧道渗漏水图像识别神经网络，具体是：

步骤2.4.1)通过对增强图像的多次卷积、池化运算获得图像抽象的高维特征信息；

步骤2.4.2)通过总体误差函数度量网络输出的预测图与对应标签图之间的误差的对比，完成一次迭代中的正向推理运算；

步骤2.4.3)采用随机梯度下降法对总体误差函数进行最小化，并通过反向传播算法将误差的梯度进行反向传递，实现权值的更新，完成一次迭代中的反向学习运算：

步骤2.4.4)反复步骤2.4.3)-2.4.4)直至损失值达到既定值，使用验证集图像对网络进行交叉验证，当得到的交叉验证误差小时，则网络训练完成，否则调节学习率和学习衰减率参数重新进行交叉验证。