CN111539286A - 衬砌线识别方法、装置及可读存储介质 - Google Patents
衬砌线识别方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN111539286A CN111539286A CN202010299252.4A CN202010299252A CN111539286A CN 111539286 A CN111539286 A CN 111539286A CN 202010299252 A CN202010299252 A CN 202010299252A CN 111539286 A CN111539286 A CN 111539286A
- Authority
- CN
- China
- Prior art keywords
- lining
- pixel
- line
- lining line
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种衬砌线识别方法、装置及可读存储介质,包括:利用卷积神经网络对从雷达波图像中提取初选衬砌线;根据预设规则将所述雷达波图像在纵向划分为多个像素段,每个像素段的长度为N个像素点;获取每个像素段的所述N个像素点中的垂直梯度为极小值的像素点,所述垂直梯度为极小值的像素点为对应像素段的极小值点;将所述雷达波图像的每列像素点中属于同一像素段的极小值点连接,获得多个候选衬砌线;根据所述初选衬砌线以及多个候选衬砌线,确定终选衬砌线。衬砌线反映衬砌所在的位置,属于隧道建设中一层较薄的防水材料,位于两层支撑结构之间,因此在确定出衬砌线之后可大大降低雷达波图像的判读难度,提高分析效率,降低成本。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种衬砌线识别方法、装置及可读存储介质。
背景技术
在铁路、公路隧道的施工完成后,为了保障施工的工程质量,需要进行工程验收,工程验收工作的主要内容是采用雷达波检测技术对混凝土衬砌进行无损探测,随后将探测采集到的雷达数据可视化,由行业专家进行分析。
然而由于雷达数据的复杂性较高且容易被噪声干扰,使得可视化后的雷达波图像的判读需要较高的专业知识和较强的经验,难度较高,从而造成分析效率较低、成本较高的问题。
发明内容
本申请实施例的目的在于提供一种衬砌线识别方法、装置及可读存储介质,用以改善现有技术中分析效率较低、成本较高的问题。
第一方面,本申请实施例提供了一种衬砌线识别方法,利用卷积神经网络对从雷达波图像中提取初选衬砌线;根据预设规则将所述雷达波图像在纵向划分为多个像素段,每个像素段的长度为N个像素点;获取每个像素段的所述N个像素点中的垂直梯度为极小值的像素点,所述垂直梯度为极小值的像素点为对应像素段的极小值点;将所述雷达波图像的每列像素点中属于同一像素段的极小值点连接,获得多个候选衬砌线;根据所述初选衬砌线以及多个候选衬砌线,确定终选衬砌线。
在上述的实施方式中,可以利用卷积神经网络从雷达波图像中提取初选衬砌线,然后利用预设规则将雷达波图像沿纵向划分为多个像素段,并计算每个像素段中N个像素点的垂直梯度,将N个像素点中垂直梯度为极小值的像素点作为相应的像素段的极小值点,对于雷达波图像的每一列,将属于同一像素段的极小值点连接,可以得到多个候选衬砌线,再依据初选衬砌线以及多个候选衬砌线来确定出终选衬砌线。衬砌线反映衬砌所在的位置,属于隧道建设中一层较薄的防水材料,位于两层支撑结构之间,因此在确定出衬砌线之后可大大降低雷达波图像的判读难度,提高分析效率,降低成本。
在一个可能的设计中,在所述获取每个像素段的所述N个像素点中的垂直梯度为极小值的像素点之前,所述方法还包括:计算所述雷达波图像中每个像素点的垂直梯度。
在上述的实施方式中,可以先计算雷达波图像中全部像素点的每个像素点的垂直梯度,以便于后续对每个像素段选择垂直梯度为极小值的像素点。
在一个可能的设计中,所述卷积神经网络包括第一卷积神经网络以及第二卷积神经网络;所述利用卷积神经网络对从雷达波图像中提取初选衬砌线,包括:利用所述第一卷积神经网络对所述雷达波图像进行处理,获得目标衬砌区域,所述目标衬砌区域为从所述雷达波图像筛选出的条状区域;利用所述第二卷积神经网络对所述目标衬砌区域进行处理,获得所述初选衬砌线,所述初选衬砌线为从所述目标衬砌区域筛选出的线状区域。
在上述的实施方式中,可以令雷达波图像依次经第一卷积神经网络以及第二卷积神经网络的处理,先由第一卷积神经网络从雷达波图像获得目标衬砌区域,然后由第二卷积神经网络从目标衬砌区域获得初选衬砌线,通过两个卷积神经网络对雷达波图像先后进行处理,较好地提高了初选衬砌线获取的准确性。
在一个可能的设计中,所述利用所述第一卷积神经网络对所述雷达波图像进行处理,获得目标衬砌区域,包括:对所述雷达波图像依次通过第一卷积层、池化层、多个残差块、第二卷积层进行处理获得第一处理结果;对所述第一处理结果进行缩放,获得所述目标衬砌区域。
在上述的实施方式中,可以对雷达波图像依次经卷积、池化以及多次残差块的堆叠处理,然后再通过第二卷积层进行预测获得处理结果,再对处理结果进行缩放,得到目标衬砌区域。
在一个可能的设计中,所述利用所述第二卷积神经网络对所述目标衬砌区域进行处理,获得所述初选衬砌线,包括:对所述目标衬砌区域依次通过第三卷积层、池化层、多个残差块、第四卷积层进行处理获得第二处理结果;对所述第二处理结果进行缩放,获得所述初选衬砌线。
在上述的实施方式中,可以对目标衬砌区域依次经卷积、池化以及多次残差块的堆叠处理,然后再通过第四卷积层进行预测获得处理结果,再对处理结果进行缩放,得到初选衬砌线。
在一个可能的设计中,所述根据所述初选衬砌线以及多个候选衬砌线,确定终选衬砌线,包括:判断所述初选衬砌线中的每个像素点的同一列上方的M个像素点中,是否存在候选衬砌线对应的像素点;若是,判断所述候选衬砌线对应的像素点是否大于或等于两个;若所述候选衬砌线对应的像素点大于或等于两个,获得距所述初选衬砌线的距离最近的候选衬砌线对应的像素点,该像素点作为所述终选衬砌线在对应列的像素点。
在上述的实施方式中,对于初选衬砌线的每个像素点来说,判断该像素点的同一列的上方的M个像素点中,是否存在候选衬砌线所在的像素点;若存在,进一步判断M个像素点中的候选衬砌线所在的像素点是否大于或等于两个,若是,选择多个候选衬砌线所在的像素点中距初选衬砌线最近的候选衬砌线对应的像素点作为终选衬砌线在对应列的像素点,在选出初选衬砌线后,利用候选衬砌线距初选衬砌线的相对关系进行修正,从而获得终选衬砌线,从而提高衬砌线的准确性。
在一个可能的设计中,在所述判断所述候选衬砌线对应的像素点是否大于或等于两个之后,所述方法还包括:若所述候选衬砌线对应的像素点为唯一值,获得所述唯一值,所述唯一值为所述终选衬砌线在对应列的像素点。
在上述的实施方式中,若该像素点的同一列的上方的M个像素点中,只存在唯一一个候选衬砌线对应的像素点,则获得该唯一值,并以该唯一值替换初选衬砌线上的像素点。在选出初选衬砌线后,利用候选衬砌线距初选衬砌线的相对关系进行修正,从而获得终选衬砌线,从而提高衬砌线的准确性。
在一个可能的设计中,在所述判断所述初选衬砌线中的每个像素点的同一列上方的M个像素点中,是否存在候选衬砌线对应的像素点之后,所述方法还包括:若不存在候选衬砌线对应的像素点,将所述初选衬砌线在对应列的像素点作为所述终选衬砌线在同一列上的像素点。
在上述的实施方式中,若该像素点的同一列的上方的M个像素点中不存在候选衬砌线对应的像素点,则表示候选衬砌线距初选衬砌线的距离较远,候选衬砌线不再具备修正的价值,因此,可以保留初选衬砌线在对应列的像素点作为终选衬砌线在同一列的像素点。
第二方面,本申请实施例提供了一种衬砌线识别装置,所述装置包括:初选提取模块,用于利用卷积神经网络对从雷达波图像中提取初选衬砌线;像素段划分模块,用于根据预设规则将所述雷达波图像在纵向划分为多个像素段,每个像素段的长度为N个像素点;极小值点获取模块,用于获取每个像素段的所述N个像素点中的垂直梯度为极小值的像素点,所述垂直梯度为极小值的像素点为对应像素段的极小值点;候选衬砌线获取模块,用于将所述雷达波图像的每列像素点中属于同一像素段的极小值点连接,获得多个候选衬砌线;终选衬砌线确定模块,用于根据所述初选衬砌线以及多个候选衬砌线,确定终选衬砌线。
在一个可能的设计中,所述装置还包括:梯度计算模块,用于计算所述雷达波图像中每个像素点的垂直梯度。
在一个可能的设计中,所述初选提取模块,具体用于利用所述第一卷积神经网络对所述雷达波图像进行处理,获得目标衬砌区域,所述目标衬砌区域为从所述雷达波图像筛选出的条状区域;利用所述第二卷积神经网络对所述目标衬砌区域进行处理,获得所述初选衬砌线,所述初选衬砌线为从所述目标衬砌区域筛选出的线状区域。
在一个可能的设计中,所述初选提取模块,具体用于对所述雷达波图像依次通过第一卷积层、池化层、多个残差块、第二卷积层进行处理获得第一处理结果;对所述第一处理结果进行缩放,获得所述目标衬砌区域。
在一个可能的设计中,所述初选提取模块,具体用于对所述目标衬砌区域依次通过第三卷积层、池化层、多个残差块、第四卷积层进行处理获得第二处理结果;对所述第二处理结果进行缩放,获得所述初选衬砌线。
在一个可能的设计中,终选衬砌线确定模块,具体用于判断所述初选衬砌线中的每个像素点的同一列上方的M个像素点中,是否存在候选衬砌线对应的像素点;若是,判断所述候选衬砌线对应的像素点是否大于或等于两个;若所述候选衬砌线对应的像素点大于或等于两个,获得距所述初选衬砌线的距离最近的候选衬砌线对应的像素点,该像素点作为所述终选衬砌线在对应列的像素点。
在一个可能的设计中,终选衬砌线确定模块,具体用于在所述候选衬砌线对应的像素点为唯一值时,获得所述唯一值,所述唯一值为所述终选衬砌线在对应列的像素点。
在一个可能的设计中,终选衬砌线确定模块,具体用于在不存在候选衬砌线对应的像素点时,将所述初选衬砌线在对应列的像素点作为所述终选衬砌线在同一列上的像素点。
第三方面,本申请实施例提供了一种电子设备,包括上述第一方面或第一方面的任一可选的实现方式所述的方法。
第四方面,本申请提供一种可读存储介质,该可读存储介质上存储有可执行程序,该可执行程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第五方面,本申请提供一种可执行程序产品,所述可执行程序产品在计算机上运行时,使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的衬砌线识别方法的流程示意图;
图2示出了图1中步骤S110的具体步骤的流程示意图;
图3示出了图1中步骤S150的具体步骤的流程示意图;
图4示出了本申请实施例提供的衬砌线识别装置的示意性结构框图;
图5示出了雷达波图像的原始图像;
图6示出了经过本申请实施例提供的衬砌线识别方法识别的雷达波图像。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
工程验收工作的主要内容是采用雷达波检测技术对混凝土衬砌进行无损探测,随后将探测采集到的雷达数据可视化,由行业专家进行分析;然而由于雷达数据的复杂性较高且容易被噪声干扰,使得可视化后的雷达波图像的判读需要较高的专业知识和较强的经验,难度较高。本申请实施例提供了一种衬砌线识别方法,该方法可以利用卷积神经网络从可视化后的雷达波图像提取初选的衬砌线,还可以根据雷达波图像中的垂直梯度为极小值的像素点连接组成多个候选的衬砌线,然后再依据初选的衬砌线以及多个候选的衬砌线确定出终选的衬砌线。由于通过电子设备来确定出衬砌线,降低了可视化后的雷达波图像的判读难度,从而降低了成本,提高了效率。
请参见图1,图1示出了本申请实施例提供的衬砌线识别方法,该方法可以由电子设备执行,该方法具体包括如下步骤S110至步骤S150:
步骤S110,利用卷积神经网络对从雷达波图像中提取初选衬砌线。
雷达波图像为雷达数据可视化后得到的图像,衬砌线为反映衬砌所在位置的线状图像,衬砌是隧道建设中一层较薄的防水材料,位于两层支撑结构之间,两层支撑结构包括上层支撑结构与下层支撑结构,上层支撑结构可以为钢筋、混凝土等,下层支撑结构可以为防水层。初选衬砌线为初步筛选选出的衬砌线。
可选地,卷积神经网络可以包括第一卷积神经网络以及第二卷积神经网络,其中,第一卷积神经网络可以是Tunnel Lining Segmentation Network,简称TLSNet;第二卷积神经网络可以是Line Detect Network,简称LDNet。请参见图2,步骤S110具体包括如下步骤S111至步骤S112:
步骤S111,利用所述第一卷积神经网络对所述雷达波图像进行处理,获得目标衬砌区域,所述目标衬砌区域为从所述雷达波图像筛选出的条状区域。
可选地,步骤S111可以包括:对所述雷达波图像依次通过第一卷积层、池化层、多个残差块、第二卷积层进行处理获得第一处理结果;对所述第一处理结果进行缩放,获得所述目标衬砌区域。
例如,不妨设雷达波图像为512*512大小的图像,详情请参见图5,经stride为2的第一卷积层提取特征,并降低图像空间维度,得到256*256大小的图像;经stride为2的最大池化层进一步进行特征筛选和降维,得到128*128大小的图像。
随后,对128*128大小的图像经多个残差模块的堆叠完成复杂特征的提取,同时保证梯度反向传播不受到梯度爆炸或弥散的影响,从而得到特征大小为64*64的特征图。随后再利用第二卷积层进行预测并缩放到512*512,获得与原图大小一致的分割结果:目标衬砌区域,即图6中箭头Ⅰ所指的从雷达波图像筛选出的条状区域。
步骤S112,利用所述第二卷积神经网络对所述目标衬砌区域进行处理,获得所述初选衬砌线,所述初选衬砌线为从所述目标衬砌区域筛选出的线状区域。
可选地,步骤S112可以包括:对所述目标衬砌区域依次通过第三卷积层、池化层、多个残差块、第四卷积层进行处理获得第二处理结果;对所述第二处理结果进行缩放,获得所述初选衬砌线。
接上文的举例继续进行说明:对目标衬砌区域,经stride为2的第三卷积层提取特征,并降低图像空间维度,得到256*256大小的图像;经stride为2的最大池化层进一步进行特征筛选和降维,得到128*128大小的图像。
随后,对128*128大小的图像经多个残差模块的堆叠完成复杂特征的提取,同时保证梯度反向传播不受到梯度爆炸或弥散的影响,从而得到特征大小为64*64的特征图。随后再利用第四卷积层进行预测并缩放到512*512,获得与原图大小一致的分割结果:初选衬砌线,即图6中箭头Ⅱ所指的从目标衬砌区域筛选出的线状区域。
步骤S120,根据预设规则将所述雷达波图像在纵向划分为多个像素段,每个像素段的长度为N个像素点。
N为正整数,按照预设规则将雷达波图像在纵向划分时,多个像素段之间可以具有重合的像素点。雷达波图像在纵向上有多少个像素点,便可以将雷达波图像在纵向上划分出多少个像素段,且每个像素段的长度均为固定长度:N个像素点。例如,不妨设N为10,雷达波图像的纵向一共有100个像素点,则预设规则为:在雷达波图像的下方补九行0,然后以1-10为第一个像素段,2-11为第二个像素段,3-12为第三个像素段…100-109为第100个像素段,从而将雷达波图像在纵向上划分为100个像素段。
步骤S130,获取每个像素段的所述N个像素点中的垂直梯度为极小值的像素点,所述垂直梯度为极小值的像素点为对应像素段的极小值点。
接上文的举例继续进行说明:对于100个像素段中的每个像素段,均可以计算10个像素点中每个像素点的垂直梯度,计算垂直梯度的具体方式在下文进行详细介绍。然后对于每个像素段中的10个像素点,均可以选出垂直梯度为极小值的像素点,将其作为对应像素段的极小值点。
步骤S140,将所述雷达波图像的每列像素点中属于同一像素段的极小值点连接,获得多个候选衬砌线。
纵向上的每个像素段均可以选出对应的极小值点,对于雷达波图像的每列像素点,可以将在纵向属于同一像素段的极小值点连接起来,每个像素段均可以获得对应的候选衬砌线,纵向上的多个像素段便可以获得多个候选衬砌线。
步骤S150,根据所述初选衬砌线以及多个候选衬砌线,确定终选衬砌线。
可以利用卷积神经网络从雷达波图像中提取初选衬砌线,然后利用预设规则将雷达波图像沿纵向划分为多个像素段,并计算每个像素段中N个像素点的垂直梯度,将N个像素点中垂直梯度为极小值的像素点作为相应的像素段的极小值点,对于雷达波图像的每一列,将属于同一像素段的极小值点连接,可以得到多个候选衬砌线,再依据初选衬砌线以及多个候选衬砌线来确定出终选衬砌线。由于雷达波的传播反射特性,在不同材质的交界处,雷达波图像会出现明显的反射信号波形图。因此在确定出衬砌线之后可大大降低雷达波图像的判读难度,提高分析效率,降低成本。
可选地,请参见图3,步骤S150可以包括如下步骤S151至步骤S155:
步骤S151,判断所述初选衬砌线中的每个像素点的同一列上方的M个像素点中,是否存在候选衬砌线对应的像素点,若是,执行步骤S152;若否,执行步骤S155。
步骤S152,判断所述候选衬砌线对应的像素点是否大于或等于两个,若是,执行步骤S153;若否,执行步骤S154。
步骤S153,获得距所述初选衬砌线的距离最近的候选衬砌线对应的像素点,该像素点作为所述终选衬砌线在对应列的像素点。
对于初选衬砌线的每个像素点来说,判断该像素点的同一列的上方的M个像素点中,是否存在候选衬砌线所在的像素点;若存在,进一步判断M个像素点中的候选衬砌线所在的像素点是否大于或等于两个,若是,选择多个候选衬砌线所在的像素点中距初选衬砌线最近的候选衬砌线对应的像素点作为终选衬砌线在对应列的像素点,在选出初选衬砌线后,利用候选衬砌线距初选衬砌线的相对关系进行修正,从而获得终选衬砌线,从而提高衬砌线的准确性。
步骤S154,获得所述唯一值,所述唯一值为所述终选衬砌线在对应列的像素点。
若该像素点的同一列的上方的M个像素点中,只存在唯一一个候选衬砌线对应的像素点,则获得该唯一值,并以该唯一值替换初选衬砌线上的像素点。在选出初选衬砌线后,利用候选衬砌线距初选衬砌线的相对关系进行修正,从而获得终选衬砌线,从而提高衬砌线的准确性。
步骤S155,将所述初选衬砌线在对应列的像素点作为所述终选衬砌线在同一列上的像素点。
若该像素点的同一列的上方的M个像素点中不存在候选衬砌线对应的像素点,则表示候选衬砌线距初选衬砌线的距离较远,候选衬砌线不再具备修正的价值,因此,可以保留初选衬砌线在对应列的像素点作为终选衬砌线在同一列的像素点。
可选地,在一种具体实施方式中,在步骤S110之前,所述方法还可以包括如下步骤:计算所述雷达波图像中每个像素点的垂直梯度。
可以先计算雷达波图像中全部像素点的每个像素点的垂直梯度,以便于后续对每个像素段选择垂直梯度为极小值的像素点。
请参见图4,图4示出了本申请实施例提供的衬砌线识别装置,所述装置400包括:
初选提取模块410,用于利用卷积神经网络对从雷达波图像中提取初选衬砌线。
像素段划分模块420,用于根据预设规则将所述雷达波图像在纵向划分为多个像素段,每个像素段的长度为N个像素点。
极小值点获取模块430,用于获取每个像素段的所述N个像素点中的垂直梯度为极小值的像素点,所述垂直梯度为极小值的像素点为对应像素段的极小值点。
候选衬砌线获取模块440,用于将所述雷达波图像的每列像素点中属于同一像素段的极小值点连接,获得多个候选衬砌线。
终选衬砌线确定模块450,用于根据所述初选衬砌线以及多个候选衬砌线,确定终选衬砌线。
初选提取模块410,具体用于利用所述第一卷积神经网络对所述雷达波图像进行处理,获得目标衬砌区域,所述目标衬砌区域为从所述雷达波图像筛选出的条状区域;利用所述第二卷积神经网络对所述目标衬砌区域进行处理,获得所述初选衬砌线,所述初选衬砌线为从所述目标衬砌区域筛选出的线状区域。
初选提取模块410,具体用于对所述雷达波图像依次通过第一卷积层、池化层、多个残差块、第二卷积层进行处理获得第一处理结果;对所述第一处理结果进行缩放,获得所述目标衬砌区域。
初选提取模块410,具体用于对所述目标衬砌区域依次通过第三卷积层、池化层、多个残差块、第四卷积层进行处理获得第二处理结果;对所述第二处理结果进行缩放,获得所述初选衬砌线。
终选衬砌线确定模块450,具体用于判断所述初选衬砌线中的每个像素点的同一列上方的M个像素点中,是否存在候选衬砌线对应的像素点;若是,判断所述候选衬砌线对应的像素点是否大于或等于两个;若所述候选衬砌线对应的像素点大于或等于两个,获得距所述初选衬砌线的距离最近的候选衬砌线对应的像素点,该像素点作为所述终选衬砌线在对应列的像素点。
终选衬砌线确定模块450,具体用于在所述候选衬砌线对应的像素点为唯一值时,获得所述唯一值,所述唯一值为所述终选衬砌线在对应列的像素点。
终选衬砌线确定模块450,具体用于在不存在候选衬砌线对应的像素点时,将所述初选衬砌线在对应列的像素点作为所述终选衬砌线在同一列上的像素点。
所述装置还包括:梯度计算模块,用于计算所述雷达波图像中每个像素点的垂直梯度。
图4示出的衬砌线识别装置与图1示出的衬砌线识别方法相对应,在此便不做赘述。
本申请实施例提供的衬砌线识别方法及装置可以通过第一卷积神经网络从雷达波图像中初步确定衬砌所在的具体区域,再通过第二卷积神经网络在上述的具体区域进行衬砌界面剖面的分界线检测,并使用动态规划算法确定初选衬砌线位置。然后通过计算图像在高度方向的梯度变化情况对衬砌线进行修正,确定最终的衬砌线检测结果。该最终的衬砌线检测结果可以与设计图进行对比,确认该施工段的衬砌深度是否满足设计要求,进而确认施工质量是否达标。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种衬砌线识别方法,其特征在于,所述方法包括:
利用卷积神经网络对从雷达波图像中提取初选衬砌线;
根据预设规则将所述雷达波图像在纵向划分为多个像素段,每个像素段的长度为N个像素点;
获取每个像素段的所述N个像素点中的垂直梯度为极小值的像素点,所述垂直梯度为极小值的像素点为对应像素段的极小值点;
将所述雷达波图像的每列像素点中属于同一像素段的极小值点连接,获得多个候选衬砌线;
根据所述初选衬砌线以及多个候选衬砌线,确定终选衬砌线。
2.根据权利要求1所述的方法,其特征在于,在所述获取每个像素段的所述N个像素点中的垂直梯度为极小值的像素点之前,所述方法还包括:
计算所述雷达波图像中每个像素点的垂直梯度。
3.根据权利要求1所述的方法,其特征在于,所述卷积神经网络包括第一卷积神经网络以及第二卷积神经网络;
所述利用卷积神经网络对从雷达波图像中提取初选衬砌线,包括:
利用所述第一卷积神经网络对所述雷达波图像进行处理,获得目标衬砌区域,所述目标衬砌区域为从所述雷达波图像筛选出的条状区域;
利用所述第二卷积神经网络对所述目标衬砌区域进行处理,获得所述初选衬砌线,所述初选衬砌线为从所述目标衬砌区域筛选出的线状区域。
4.根据权利要求3所述的方法,其特征在于,所述利用所述第一卷积神经网络对所述雷达波图像进行处理,获得目标衬砌区域,包括:
对所述雷达波图像依次通过第一卷积层、池化层、多个残差块、第二卷积层进行处理获得第一处理结果;
对所述第一处理结果进行缩放,获得所述目标衬砌区域。
5.根据权利要求3所述的方法,其特征在于,所述利用所述第二卷积神经网络对所述目标衬砌区域进行处理,获得所述初选衬砌线,包括:
对所述目标衬砌区域依次通过第三卷积层、池化层、多个残差块、第四卷积层进行处理获得第二处理结果;
对所述第二处理结果进行缩放,获得所述初选衬砌线。
6.根据权利要求1所述的方法,其特征在于,所述根据所述初选衬砌线以及多个候选衬砌线,确定终选衬砌线,包括:
判断所述初选衬砌线中的每个像素点的同一列上方的M个像素点中,是否存在候选衬砌线对应的像素点;
若是,判断所述候选衬砌线对应的像素点是否大于或等于两个;
若所述候选衬砌线对应的像素点大于或等于两个,获得距所述初选衬砌线的距离最近的候选衬砌线对应的像素点,该像素点作为所述终选衬砌线在对应列的像素点。
7.根据权利要求6所述的方法,其特征在于,在所述判断所述候选衬砌线对应的像素点是否大于或等于两个之后,所述方法还包括:
若所述候选衬砌线对应的像素点为唯一值,获得所述唯一值,所述唯一值为所述终选衬砌线在对应列的像素点。
8.根据权利要求6所述的方法,其特征在于,在所述判断所述初选衬砌线中的每个像素点的同一列上方的M个像素点中,是否存在候选衬砌线对应的像素点之后,所述方法还包括:
若不存在候选衬砌线对应的像素点,将所述初选衬砌线在对应列的像素点作为所述终选衬砌线在同一列上的像素点。
9.一种衬砌线识别装置,其特征在于,所述装置包括:
初选提取模块,用于利用卷积神经网络对从雷达波图像中提取初选衬砌线;
像素段划分模块,用于根据预设规则将所述雷达波图像在纵向划分为多个像素段,每个像素段的长度为N个像素点;
极小值点获取模块,用于获取每个像素段的所述N个像素点中的垂直梯度为极小值的像素点,所述垂直梯度为极小值的像素点为对应像素段的极小值点;
候选衬砌线获取模块,用于将所述雷达波图像的每列像素点中属于同一像素段的极小值点连接,获得多个候选衬砌线;
终选衬砌线确定模块,用于根据所述初选衬砌线以及多个候选衬砌线,确定终选衬砌线。
10.一种可读存储介质,其特征在于,该可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010299252.4A CN111539286B (zh) | 2020-04-15 | 2020-04-15 | 衬砌线识别方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010299252.4A CN111539286B (zh) | 2020-04-15 | 2020-04-15 | 衬砌线识别方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539286A true CN111539286A (zh) | 2020-08-14 |
CN111539286B CN111539286B (zh) | 2022-11-22 |
Family
ID=71978640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010299252.4A Active CN111539286B (zh) | 2020-04-15 | 2020-04-15 | 衬砌线识别方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539286B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815629A (zh) * | 2020-08-25 | 2020-10-23 | 创新奇智(南京)科技有限公司 | 衬砌检测方法、装置、电子设备及存储介质 |
CN111967398A (zh) * | 2020-08-18 | 2020-11-20 | 创新奇智(合肥)科技有限公司 | 隧道检测方法、装置、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016013132A1 (ja) * | 2014-07-25 | 2016-01-28 | 西日本高速道路エンジニアリング四国株式会社 | トンネル覆工面調査システムおよびトンネル覆工面調査システムに用いる車両 |
CN107862677A (zh) * | 2017-10-16 | 2018-03-30 | 中铁第四勘察设计院集团有限公司 | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 |
CN110020652A (zh) * | 2019-01-07 | 2019-07-16 | 新而锐电子科技(上海)有限公司 | 隧道衬砌裂缝图像的分割方法 |
-
2020
- 2020-04-15 CN CN202010299252.4A patent/CN111539286B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016013132A1 (ja) * | 2014-07-25 | 2016-01-28 | 西日本高速道路エンジニアリング四国株式会社 | トンネル覆工面調査システムおよびトンネル覆工面調査システムに用いる車両 |
CN107862677A (zh) * | 2017-10-16 | 2018-03-30 | 中铁第四勘察设计院集团有限公司 | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 |
CN110020652A (zh) * | 2019-01-07 | 2019-07-16 | 新而锐电子科技(上海)有限公司 | 隧道衬砌裂缝图像的分割方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967398A (zh) * | 2020-08-18 | 2020-11-20 | 创新奇智(合肥)科技有限公司 | 隧道检测方法、装置、电子设备及可读存储介质 |
CN111967398B (zh) * | 2020-08-18 | 2022-08-09 | 创新奇智(合肥)科技有限公司 | 隧道检测方法、装置、电子设备及可读存储介质 |
CN111815629A (zh) * | 2020-08-25 | 2020-10-23 | 创新奇智(南京)科技有限公司 | 衬砌检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111539286B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Flah et al. | Classification and quantification of cracks in concrete structures using deep learning image-based techniques | |
Zhao et al. | A deep learning-based approach for refined crack evaluation from shield tunnel lining images | |
CN112232391B (zh) | 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法 | |
CN109961446B (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
CN111539286B (zh) | 衬砌线识别方法、装置及可读存储介质 | |
US11474047B2 (en) | Computer-readable recording medium recording image processing program, image processing method, and image processing apparatus | |
Yu et al. | Intelligent crack detection and quantification in the concrete bridge: A deep learning-assisted image processing approach | |
CN111833353B (zh) | 一种基于图像分割的高光谱目标检测方法 | |
CN115605746A (zh) | 检查装置、单元选择装置、检查方法以及检查程序 | |
CN111709387A (zh) | 一种高分辨率遥感影像的建筑物分割方法及系统 | |
CN114821316A (zh) | 一种三维探地雷达裂缝病害识别方法及系统 | |
JP3749726B1 (ja) | 周期性ノイズ下での低コントラスト欠陥検査方法、繰返しパターン下での低コントラスト欠陥検査方法 | |
CN111444834A (zh) | 图像文本行检测方法、装置、设备及存储介质 | |
CN115937677A (zh) | 建筑物变化检测模型的图像预测方法、设备及介质 | |
CN111815629B (zh) | 衬砌检测方法、装置、电子设备及存储介质 | |
CN115375892A (zh) | 大尺寸图像预处理方法及系统 | |
CN114937023A (zh) | 一种承压设备的缺陷识别方法及装置 | |
CN117315001B (zh) | 一种基于激光扫描的房建面积快速检测方法及系统 | |
Iturburu et al. | Towards rapid and automated vulnerability classification of concrete buildings | |
CN117911735B (zh) | 一种印刷电路板质量检测方法及系统 | |
CN116958954B (zh) | 基于关键点与旁路矫正的车牌识别方法、装置及存储介质 | |
US20230401691A1 (en) | Image defect detection method, electronic device and readable storage medium | |
Majidi et al. | Intelligent 3d Crack Reconstruction Using Close Range Photogrammetry Imagery | |
Rajitha et al. | A new local homogeneity analysis method based on pixel intensities for image defect detection | |
CN117710728A (zh) | Sar图像目标识别方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |