[发明专利]基于视频信号的深基坑裂缝检测方法

说明书

本发明涉及视频监控领域，公开了一种基于视频信号的深基坑裂缝检测方法，包括获取深基坑裂缝样本图像，处理样本并获取裂缝训练集和验证集，基于训练集训练深基坑裂缝检测模型，并使用裂缝验证集优化模型参数，基于深基坑裂缝检测模型对采集的图像进行自动化检测等步骤。本发明能够对视频信号中深基坑的裂缝进行自动化检测，具有良好的实时性和较高的准确度，可以有效的对深基坑中的裂缝进行检测，且具有较高的鲁棒性，能够适应深基坑背景和环境的变化。

技术领域

本发明涉及深基坑视频监控领域，具体涉及到一种视频信号的深基坑裂缝检测方法。

背景技术

深基坑是指开挖深度超过5米(含5米)，或深度虽未超过5米，但地质条件和周围环境及地下管线特别复杂的工程，是当前大型基建项目中常见的一种工程项目。随着基坑深度 的增加，其安全性需要得到绝对的保证。裂缝是诱发深基坑事故的一项重大原因，严重威胁 着基坑的安全。鉴于深基坑的特点，使用人工检测的方式排查基坑裂缝费时费力，随着计算 机视觉技术的快速发展，基于视频信号对深基坑裂缝进行检测成为一种可能。

发明内容

本发明的目的在于提供一种基于视频信号的深基坑裂缝检测方法。解决目前深基坑中检 测是否存在可能带来安全隐患的裂缝的检测方法缺乏的问题。

为解决上述的技术问题，本发明采用以下技术方案：一种基于视频信号的深基坑裂缝检 测方法，其步骤如下：

1)使用摄像机采集包含深基坑裂缝信息的图像样本；

2)对图像样本进行处理获取训练集和验证集，进行Faster R-CNN区域卷积神经网络训练， 包括以下步骤：

2.1将样本大小调整至统一尺寸并对样本中的裂缝信息进行标注，即裂缝的(x、y、w、h) 坐标信息以及类别信息，样本集中80％用作训练集，20％用作验证集；

2.2将训练集输入Faster R-CNN区域卷积神经网络，通过网络中共享卷积层和特有卷积层处 理得到样本特征值数据，通过RPN网络中的卷积层获取区域建议和区域得分，将区域建议和 特征值信息输入网络中的ROL池化层获取区域建议的特征，最终经由全连接层处理获取图像 中裂缝的坐标和类别；

使用验证集对模型进行验证，优化网络；

实时采集深基坑待检测图像，输入至深基坑裂缝检测模型检测裂缝信息。

作为上述的基于视频信号的深基坑裂缝检测方法的补充，所述步骤1中，深基坑裂缝样本 图像指在深基坑环境中所采集包含有深基坑裂缝的图像；在这些图像中随机挑选具有在不同 位置、具有不同样式和光照条件下的裂缝图像，并将其划分为训练集和验证集，训练样本集 用于训练深基坑裂缝检测模型，验证样本集用于优化模型的参数。

作为基于视频信号的深基坑裂缝检测方法的补充，所述步骤2中，处理训练样本，进行训 练，其特征在于所述步骤2.1中，将采用的图像大小调整为640*480，并对图像中的裂缝进 行标注，给出裂缝的边界坐标。

作为基于视频信号的深基坑裂缝检测方法的补充，所述步骤2.2中区域得分采用非极大值 抑制，阈值为0.75。

作为基于视频信号的深基坑裂缝检测方法的补充，所述步骤2.2中，其特征模型损失函数 如下：