[发明专利]一种基于特征增强的隧道裂缝快速检测方法

说明书

本发明公开了一种基于特征增强的隧道裂缝快速检测方法。本发明步骤：(1)使用特征提取模块、特征融合模块和注意力机制模块，构建初始卷积神经网络LFDNet；(2)在MSCOCO数据集上对初始卷积神经网络LFDNet进行预训练得到基础检测模型；(3)收集多种场景下的隧道裂缝图片，标注所有收集的裂缝图片中的裂缝，从而形成一个专门的隧道裂缝数据集；使用隧道裂缝数据集对基础检测模型进行训练得到最终的裂缝检测网络LFDNet；(4)将测试裂缝图片输入最终的裂缝检测网络LFDNet，检测出该裂缝图片中是否存在裂缝以及裂缝的位置信息。本发明能够较为快速、准确的检测出隧道内的裂缝，可用性强。

技术领域

本发明属于人工智能和目标检测技术领域。涉及一种基于特征增强的隧道裂缝快速检测方法，具体是一种使用特征增强网络的隧道裂缝快速检测方法，

背景技术

随着我国轨道交通的飞速发展，隧道的数目与日俱增，随之而来隧道病害也日益增多，尤其是隧道裂缝病害。这些裂缝如果不能够及时有效的修复，会对交通安全造成巨大隐患。裂缝作为隧道病害的一种，影响着轨道交通的运营安全，因此对隧道裂缝的有效检测十分重要。隧道裂缝图像普遍存在着低对比度、光照不均匀、噪声污染严重等问题。目前在对隧道情况进行检测时，大部分还是使用传统的人工检测方法。人工的方法效率低、误差大，而且对交通有较大的影响，检测人员的人身安全也不能完全保证。借助于人工智能的发展，使用卷积神经网络进行目标检测，也已经得到了广泛的应用。

发明内容

本发明的目的是针对人工检测隧道病害的不足，提供一种基于特征增强的隧道裂缝快速检测方法，一种使用基于人工智能领域的特征增强卷积神经网络，进行隧道裂缝检测任务。

本发明解决其技术问题所采用的技术方案如下：

步骤(1)使用特征提取模块、特征融合模块和注意力机制模块，构建初始卷积神经网络LFDNet；

步骤(2)在MS COCO数据集上对初始卷积神经网络LFDNet进行预训练，得到基础检测模型；

步骤(3)收集多种场景下的隧道裂缝图片，标注所有收集的裂缝图片中的裂缝，从而形成一个专门的隧道裂缝数据集；收集的多种场景下的隧道裂缝图片包括：高对比度/低对比度、强光照/弱光照、图片有噪点污染/图片无噪点污染；

使用隧道裂缝数据集对步骤(2)中的基础检测模型进行进一步训练，得到最终的裂缝检测网络LFDNet；

步骤(4)将测试裂缝图片输入最终的裂缝检测网络LFDNet，检测出该裂缝图片中是否存在裂缝以及裂缝的位置信息。

针对网络LFDNet的训练：先在MS COCO数据集上进行预训练，得到含有基础目标检测能力的预训练网络模型。然后通过收集多种场景下的裂缝图片，标注所有收集的裂缝图片中的裂缝，从而形成一个专门的隧道裂缝数据集。最后将预训练网络模型，进一步在隧道裂缝数据集上进一步训练，得到最终的裂缝检测网络LFDNet进行裂缝检测测试。

本发明优点如下：

本发明方法具有更好的鲁棒性能检测各种场景下的隧道裂缝；而且本发明使用人工智能领域的目标检测技术，能够节省人工，提高效率，减少误差，而且对交通影响也小。

本发明采集了多种场景下的隧道裂缝整体特征，而且通过特征融合和注意力机制的增强方式，能够较为快熟、准确的检测出隧道内的裂缝，可用性强。

本发明建立在目标检测技术基础上的隧道裂缝检测，具有一定先进性，卷积神经网络可以自己学习目标整体特征，而且通过多个样本的学习，就能够较为准确的检测出隧道裂缝，适用性较强。

附图说明

图1是本发明的整体实施方案流程图；

图2是本发明的特征融合模块示意图；

图3是本发明的注意力机制示意图；