[发明专利]一种基于卷积神经网络的隧道表面缺陷检测方法

说明书

本发明公开了一种基于卷积神经网络的隧道表面缺陷检测方法，获取隧道图像数据；对获取的图像数据进行预处理，并将数据集划分为测试数据集以及训练和验证数据集；搭建全卷积缺陷检测网络，进行网络模型训练，将隧道表面图像输入到卷积神经网络，输出预测的类别与缺陷的区域。本发明可快速判断隧道表面图像是否有缺陷，并给出缺陷类别和缺陷所在的位置，完成对隧道表面图像中缺陷的自动分析，节省人力成本并排除人为主观因素的干扰，具有效率高，准确率高，实用性强的优点。

技术领域

本发明涉及一种隧道表面缺陷检测方法，特别是一种基于卷积神经网络的隧道表面缺陷检测方法，属于图像处理分析领域。

背景技术

隧道是重要的铁路设施，其状态好坏直接影响铁路行车安全及运输效能。随着我国铁路提速战略的实施，对列车的安全性提出了更高要求，同时，运行速度的提高和重载列车的开行，对轨道破坏作用加大，导致轨道状态的恶化加剧。因此，定期检测隧道，及早发现损坏并及时维修，避免事故发生，已成为铁路工作中的一项基础工作。

目前隧道表面缺陷检测技术手段主要有人工目测法、磁粉法和电涡流法，这些方法各自存在劣势。目测法劳动强度大、危险性高、费事费力、效率低且测量结果受主观影响大；磁粉法则有较高的操作成本，同时分类准确度低，检测速度低；电涡流法由于存在高频激励信号，使系统结构及信号处理较为复杂，而且检测效率比较低。因此，开发一种高精度，高效的隧道表面缺陷检测技术显得尤为重要。

发明内容

本发明所要解决的技术问题是提供一种基于卷积神经网络的隧道表面缺陷检测方法，其提高了隧道表面缺陷检测的精度和效率。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于卷积神经网络的隧道表面缺陷检测方法，其特征在于包含以下步骤：

步骤一：获取隧道图像数据；

步骤二：对获取的图像数据进行预处理，并将数据集划分为测试数据集以及训练和验证数据集；

步骤三：搭建全卷积缺陷检测网络，利用深度卷积神经网络从预处理后的隧道表面图像提取特征，利用解码网络和带标签数据集预测缺陷类型及缺陷位置；

步骤四：进行网络模型训练，初始化网络参数，设置初始学习率，将训练和验证数据集成批次输入深度卷积神经网络，每批次更新网络参数，设置训练停止条件，满足条件时停止训练，得到最终模型；

步骤五：隧道图像数据测试，将隧道表面图像输入到卷积神经网络，输出预测的类别与缺陷的区域。

进一步地，所述步骤一具体为利用工业相机获取待测隧道表面的图像数据。图像采集过程全面，包括隧道不同区域的样本图片，亦包括含缺陷图片及无缺陷图片，隧道表面缺陷包括：渗水，裂缝，脱落，缺损等

进一步地，所述步骤二具体为对步骤一获取的原始图像进行图像去噪和图像增强预处理操作，使得预处理后的图像中的缺陷更易于被网络识别；在步骤一的基础上，采用滑动分割法将原始图像分割为若干小块，利用人工监测对这些小块进行缺陷标注，获得带标签的数据集，从中选取20％作为测试数据集，剩余80％作为训练和验证数据集。

进一步地，所述图像去燥采用联合双边滤波算法，对原始裂缝图像进行光滑处理，滤除干扰噪声的同时，保护图像的边缘及结构，其中，采取双边滤波的窗口大小为7X7,其中参数sigma_C为0.1.sigma_S为25；图像增强采用旋转、缩放、切割方法对图像进行扩充和增强，增加学习数据的数量，提升数据的鲁棒性。具体地，采用向左旋转30度，60度，70度，90度角度的方式扩展数据集，采用向缩小1倍度，2倍，3倍的方式扩展数据集。