[发明专利]基于深度学习的盾构隧道墙面渗漏水风险检测的方法

说明书

本发明提供一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，用于根据拍摄盾构隧道墙面得到的检测图像进行盾构隧道墙面渗漏水风险检测，包括：将检测图像通过分类模型进行分类类别判断，得出包含无风险、有风险已处理以及有风险未处理的分类类别，并对分类类别为有风险未处理的检测图像进行定位并上色从而得到上色标签图，将上色标签图输出从而提供警示作用并实现对所警示的监测图像的自动化定位，并根据隧道墙面分类数据集以及隧道墙面分割数据集进行训练。因此，能够减缓针对急剧增加的隧道养护需求，通过发出相关警示并自动化定位从而满足实际工程对渗漏水病害图像识别自动化并且批量化处理的需求，隧道墙面渗漏水检测更加准确高效。

技术领域

本发明涉及一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，属于隧道风险检测技术领域。

背景技术

随着我国经济的蓬勃发展，城市对交通的便利度与多元化需求越来越高，地铁隧道与公路过江隧道的建设也越多。随之而来的是急剧增加的隧道养护需求，地铁盾构隧道结构病害尤其是渗漏水病害亟需快速精准的识别诊断。利用计算机视觉对盾构隧道进行健康检测是近年来国内外的一种新趋势，理论上可以用很低的成本实现鲁棒性较高的效果，但目前渗漏水病害图像的识别效果尚不能满足实际工程的需要。

深度学习是近十年来人工智能领域取得的重大突破之一，它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等领域都取得了巨大的成功，深度学习与传统模式识别方式的最大不同在于它是从大数据中自动学习特征，而非采用手动设计的特征，因而模型的表达能力更强，更具效率。

目前的隧道墙面渗漏水风险检测方法，不是人工检测，就是采用分割方法的定位，没有一个能够提供警示并且对警示做出定位的自动化实现。

发明内容

为解决上述问题，提供一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，本发明采用了如下技术方案：

本发明提供了一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，用于根据拍摄盾构隧道墙面得到的检测图像进行盾构隧道墙面渗漏水风险检测，其特征在于，包括：步骤1-1，将检测图像通过预先训练的分类模型进行分类得到对应检测图像的分类类别，分类类别包括无风险、有风险已处理以及有风险未处理；步骤1-2，对分类类别进行判定；步骤1-3，当分类类别被判定为无风险以及有风险已处理时，输出无风险结果；步骤1-4，当分类类别被判定为有风险未处理时，通过预先训练的分割模型对分类类别为有风险未处理的检测图像进行渗漏水定位并对检测图像进行处理得到上色标签图；步骤1-5，输出上色标签图从而进行预警，其中，分类模型以及分割模型的训练过程包括以下步骤：步骤2-1，将预先采集的隧道墙面光学图像通过降采样到统一尺寸制作成隧道墙面分类数据集；步骤2-2，将隧道墙面分类数据集分别拆分成包含有风险未处理、有风险已处理和无风险的隧道墙面分类数据集，并将其中有风险未处理的部分通过分割标注工具进行关于有无风险的标记，进一步并将标记部分作为隧道墙面分割数据集；步骤2-3，基于隧道墙面分类数据集训练得到分类模型；步骤2-4，基于隧道墙面分割数据集训练得到分类模型。

本发明提供的一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，还可以具有这样的技术特征，其中，在步骤2-3中包含如下子步骤：步骤2-3-1，调取卷积神经网络以及该卷积神经网络的模型参数，该卷积神经网络为基于迁移学习获取大规模开源数据集得到的；步骤2-3-2，将卷积神经网络的最后的全连接层修改为全局池化模块、1*1的卷积核结构以及分类器作为待训练分类模型；步骤2-3-3，将根据待训练分类模型中的分类器对隧道墙面分类数据集进行计算得到该待训练分类模型的分类概率；步骤2-3-4，将最大的分类概率所对应的类别作为分类类别；步骤2-3-5，利用交叉熵损失函数通过随机梯度下降的方式对待训练分类模型的模型参数进行更新；步骤2-3-6，计算分类模型所得出的分类类别的准确率以及模型训练速度；步骤2-3-7，通过调整待训练分类模型的超参数以及通过交叉验证的方法对待训练分类模型进行训练；步骤2-3-8，重复步骤2-3-3至步骤2-3-7，将具有准确率最高的模型参数以及超参数所对应的待训练分类模型作为分类模型输出。