[发明专利]隧道衬砌裂缝图像检测方法

说明书

本发明属于基于深度学习的目标检测领域，具体技术方案为：隧道衬砌裂缝图像检测方法，具体步骤如下：将高分辨率隧道衬砌裂缝图像作为输入数据，在原始图像上做滑动窗口，依次记录滑窗的编号N_i,j得到26*24矩阵大小，滑窗经Faster R‑CNN网络检测得到裂缝置信度最高的候选框区域；对候选框中裂缝进行判断真伪，将存在裂缝的每个滑窗(N_i,j)分为9个区域，对该滑窗图像中的裂缝取中心点，用于确定属于哪个区域；将确定是真伪裂缝的滑窗图像转化成0‑1矩阵的图像信息，转化为二值图像，利用连通区域删除小面积算法，阈值设置为4，深度去除伪裂缝，确定精确的裂缝候选框，有更好的鲁棒性，降低了错检率和漏检率。

技术领域

本发明属于基于深度学习的目标检测领域，具体涉及一种应用于隧道衬砌裂缝图像的检测方法。

背景技术

计算机视觉领域中深度学习已经得到了很好的发展与应用，并且在目标检测与定位研究领域上取得了很大的成就。近年来，随着对深度学习目标检测领域的研究，在隧道衬砌裂缝的检测上得到了很好的应用，也达到了不错的效果，为隧道的检修带来了方便。

构建候选框来提取目标是目标检测任务中最重要的一步，生成候选框的数量和定位框的准确性对整个目标检测框架在识别速度和精确度上都有很大影响。因此，针对隧道衬砌裂缝图像分辨率和裂缝的特征设计出一种更准确识别出裂缝的方法，将减小了模型的误检率和错检率。

Ross Girshick等人在2013年发表“Rich feature hierarchies for accurateobject detection and semantic segmentation”中应用Selective Search方法生成建议框，此方法将建议框统一拉伸到相同大小才输入网络，导致建议框中特征变形，破坏了目标中原有的特征信息。之后Kaiming He等人在2015年发表“Towards Real-Time ObjectDetection with Region Proposal Networks”文中利用RPN网络生成建议窗口，此方法对于超高分辨率裂缝衬砌图像识别精度较低，计算量大，对图像中小目标不敏感。本发明是基于Faster R-CNN网络框架上做的改进，以适应于隧道衬砌裂缝图像并提高精度。

发明内容

本发明解决了在超高分辨率隧道衬砌裂缝图像中微小裂缝检测不足和一些伪裂缝干扰的技术问题，本发明提出了一种对候选框的选择方法，此方法可以消除伪裂缝的干扰，并且加强了对微小裂缝的判断。

为实现上述目的，本发明所采用的技术方案为：隧道衬砌裂缝图像检测方法，具体步骤如下：

步骤一、将高分辨率隧道衬砌裂缝图像(7448*3000)作为输入数据，在进入网络之前做预处理，在原始图像上做大小为500*500的滑动窗口，向右平移步长为x像素，向下平移步长为y像素，依次记录滑窗的编号N_i，j得到26*24矩阵大小，滑窗经Faster R-CNN网络检测得到裂缝置信度最高的候选框区域；

其中，i＝1，2，……，26；j＝1，2，……，24；

步骤二、对候选框中裂缝进行判断真伪，将存在裂缝的每个滑窗(N_i，j)分为9个区域，对该滑窗图像中的裂缝取中心点(x₀，y₀)，用于确定属于哪个区域，具体各个位置的判别方法如下：

1)、对裂缝中心点处于滑窗区域左上角位置的真伪判断：计算N_i，j-1图像中检测到的裂缝与N_i，j图像裂缝重叠为η₁，计算N_i-1，j图像中检测到的裂缝与N_i，j图像裂缝重叠为η₂，η₁＞ηη₂＞η，则可判定N_i，j图像上以(x₀，y₀)为中心的裂缝是个真裂缝，反之则判断其为伪裂缝；