[发明专利]一种基于改进残差网络的铁路隧道裂缝检测方法

说明书

本发明提供一种基于改进残差网络的铁路隧道裂缝检测方法，包括收集铁路隧道裂缝图像并得到铁路隧道裂缝检测数据集，还包括以下步骤：对所述铁路隧道裂缝检测数据集中的图像进行增强处理并将所述图像随机划分为训练集和测试集；对残差网络结构进行改进，用训练集中的图像对改进后的残差网络进行训练；用训练后的残差网络结构对铁路隧道图像进行裂缝分类检测。该方法通过对ResNet残差网络结构进行改进，形成金字塔空洞卷积模块；添加金字塔空洞卷积模块改善ResNet网络的底层感受野并提高分类的准确率；采用基于度量学习的组合损失函数来区分不同类之间的相似差异，减少裂缝的漏检率和误检率，从而更好地实现复杂背景下细小裂缝的检测。

技术领域

本发明涉及铁路智能监测与机器视觉的技术领域，特别是一种基于改进残差网络的铁路隧道裂缝检测方法。

背景技术

铁路隧道在运营期间因为各种原因产生不同程度的病害，衬砌裂缝是最常见的一种，裂缝会影响隧道的稳定性，对于铁路隧道安全运行是个极大的隐患，久而久之会对列车的运行造成负面影响，因此对隧道裂缝进行及时有效的识别与处理是一项非常重要的工作。目前，铁路隧道裂缝的检测大多使用人工检查的方法，该方法难以满足铁路安全检测快速发展的要求。

目前利用计算机视觉和数字图像处理来检测裂缝已引起越来越多的关注，常用的方法如Gabor滤波、随机森林、稀疏表示方法、支持向量机(SVM)和Hough变换与SVM相结合等方法。虽然这些方法取得了较好的检测效果，但是它们对输入图像的质量要求较高，而铁路隧道图像包含复杂的自然特征，例如油漆、水渍和结构缝等，加之隧道内光线不均匀和噪声的干扰，使得裂缝检测受到极大的影响。基于深度学习的裂缝检测方法包括：利用图像块对卷积神经网络训练和检测，但该方法样本相似度高，且需要考虑训练样本中裂缝和非裂缝样本的比例，实现起来较为困难；基于GoogleNet模型，通过改进Inception模块和优化卷积核，提升网络对隧道衬砌图像病害分类识别的能力，但该方法未考虑图像中病害的位置特征，检测效率有待进一步提升；使用迁移学习的方法对裂缝进行分类，对较小的数据集采用预训练的VGG16模型进行微调来完成分类任务，但模型精度有待提高。

公开号为CN111489352A的发明专利申请公开了一种基于数字图像处理的隧道缝隙检测与测量方法及装置，该方法包括：采集铁路隧道的衬砌表面图像；灰度化处理衬砌表面图像；增强灰度图像中裂缝与背景的对比度；将再次引导滤波的图像进行图片二值化；建立全卷积神经网络模型并融合部分输出结果；筛选灰度图像中隧道裂缝图像；标注训练集中的训练样本图片；对不同训练集训练改进全卷积神经网络模型并测试；通过验证的改进全卷积神经网络模型提取衬砌表面图像的线性裂缝；计算线性裂缝的面积、长度及宽度。该方法的缺点是不能找到复杂背景下铁路隧道细小裂缝的图像特征，并且不能很好的恢复经过池化层之后的图像细节结构信息，存在边缘平滑和细节丢失的问题，易造成细小裂缝漏检的现象。

发明内容

为了解决上述的技术问题，本发明提出的基于改进残差网络的铁路隧道裂缝检测方法，该方法通过对ResNet残差网络结构进行改进，主要改进方面为：将具有不同扩张率的空洞卷积块与传统的卷积块相结合，形成金字塔空洞卷积模块；添加金字塔空洞卷积模块改善ResNet网络的底层感受野并提高分类的准确率；采用基于度量学习的组合损失函数来区分不同类之间的相似差异，减少裂缝的漏检率和误检率，从而更好地实现复杂背景下细小裂缝的检测。

本发明的目的是提供一种基于改进残差网络的铁路隧道裂缝检测方法，包括收集铁路隧道裂缝图像并得到铁路隧道裂缝检测数据集，还包括以下步骤：

步骤1：对所述铁路隧道裂缝检测数据集中的图像进行增强处理并将所述图像随机划分为训练集和测试集；

步骤2：对残差网络结构进行改进，用训练集中的图像对改进后的残差网络进行训练；

步骤3：用训练后的残差网络结构对铁路隧道图像进行裂缝分类检测。

优选的是，所述增强处理包括对图像进行灰度处理、高斯滤波和图像归一化中至少一种。