CN111967398B - 隧道检测方法、装置、电子设备及可读存储介质 - Google Patents
隧道检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111967398B CN111967398B CN202010834678.5A CN202010834678A CN111967398B CN 111967398 B CN111967398 B CN 111967398B CN 202010834678 A CN202010834678 A CN 202010834678A CN 111967398 B CN111967398 B CN 111967398B
- Authority
- CN
- China
- Prior art keywords
- radar wave
- lining
- image
- wave image
- tunnel
- 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.)
- Active
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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供一种隧道检测方法、装置、电子设备及可读存储介质,涉及计算机图像处理技术领域。方法包括:获取目标雷达波图像,目标雷达波图像包括通过对隧道进行雷达感测得到的雷达波图像;将目标雷达波图像输入经过学习的深度学习模型,得到深度学习模型对目标雷达波图像的检测结果。在本方案中,通过利用雷达波图像结合深度学习模型,来对隧道进行检测,有利于降低隧道检测所需的人力资源,提高检测效率。
Description
技术领域
本发明涉及计算机图像处理技术领域,具体而言,涉及一种隧道检测方法、装置、电子设备及可读存储介质。
背景技术
在铁路、公路隧道的施工过程中,存在因施工过程不规范和施工过程偷料减料,导致在施工结束后出现影响工程质量的问题。例如,隧道衬砌开裂、脱空、衬砌厚度不足、钢筋密度不足等。为了保证隧道类重大工程的工程质量,通常需要对施工质量进行检测与验收,确保隧道使用安全。由于隧道工程的使用场景的特殊性,针对隧道施工中可能出现的质量问题,工程验收过程目前采用检测设备,对混凝土衬砌、钢筋等进行无损探测,以得到相应的图像。然后由人工分析图像,确定检测结果。由于隧道时常长达数公里乃至数十公里,采集到的图像的数据量也较为庞大,使得人工判读分析的处理效率较低。
发明内容
本申请提供一种隧道检测方法、装置、电子设备及可读存储介质,能够提高隧道检测的效率。
为了实现上述目的,本申请实施例所提供的技术方案如下所示:
第一方面,本申请实施例提供一种隧道检测方法,所述方法包括:
获取目标雷达波图像,所述目标雷达波图像包括通过对隧道进行雷达感测得到的雷达波图像;
将所述目标雷达波图像输入经过学习的深度学习模型,得到所述深度学习模型对所述目标雷达波图像的检测结果。
在上述的实施方式中,通过利用雷达波图像结合深度学习模型,来对隧道进行检测,有利于降低隧道检测所需的人力资源,提高检测效率。
结合第一方面,在一些可选的实施方式中,在获取目标雷达波图像之前,所述方法还包括:
获取训练图像集,包括多个第一类雷达波图像及多个第二类雷达波图像,每个第一类雷达波图像设置有表征隧道衬砌的第一标注,每个所述第二类雷达波图像设置有表征所述雷达波图像不存在所述隧道衬砌的第二标注;
根据所述多个第一类雷达波图像及所述多个第二类雷达波图像,训练深度学习模型,得到所述经过学习的深度学习模型,用于检测所述雷达波图像是否存在衬砌以及所述衬砌的位置。
在上述的实施方式中,通过对深度学习模型进行训练,使得完成训练后的深度学习模型可以自动检测雷达波图像中是否存在衬砌,以及存在衬砌时衬砌的位置。基于此,有利于实现隧道衬砌的自动检测,提高隧道检测的效率及准确性。
结合第一方面,在一些可选的实施方式中,获取训练图像集,包括:
针对预先设置有标记点的雷达波图像,基于所述标记点,生成表征隧道衬砌的轮廓线的标注,并将具有所述轮廓线的雷达波图像作为所述第一类雷达波图像;
将未设置有所述标记点的雷达波图像作为所述第二类雷达波图像。
在上述的实施方式中,通过以设置标记点的方式,生成表征隧道衬砌轮廓线的标注,而无需人工对衬砌的整个轮廓线进行人工标注,有利于降低人工标注的工作量,从而有利于提高衬砌标注的效率。
结合第一方面,在一些可选的实施方式中,将所述目标雷达波图像输入经过学习的深度学习模型,得到所述深度学习模型对所述目标雷达波图像的检测结果,包括:
将所述目标雷达波图像输入所述经过学习的深度学习模型;
通过所述经过学习的深度学习模型,对所述目标雷达波图像中的每列图区进行检测,得到与每列图区对应的检测结果,其中,针对所述每列图区,所述检测结果包括表征所述图区中存在衬砌及所述衬砌的深度,或所述图区中不存在所述衬砌的结果。
在上述的实施方式中,通过经过学习的深度学习模型,对目标雷达波图像进行识别检测,可以得到针对每列图区的表征图区中存在衬砌及衬砌的深度,或所述图区中不存在所述衬砌的结果,从而能够基于雷达波图像自动检测隧道,以提高检测效率。
结合第一方面,在一些可选的实施方式中,所述深度学习模型包括特征抽取模块、特征融合模块、特征转换模块及衬砌预测模块,通过所述经过学习的深度学习模型,对所述目标雷达波图像中的每列图区进行检测,得到与每列图区对应的检测结果,包括:
通过所述特征抽取模块从所述目标雷达波图像中提取得到至少一列图区;
针对所述至少一列图区中的每列图区,通过所述特征融合模块基于空洞卷积、全局池化对所述图区进行特征融合,得到融合后的特征;
通过所述特征转换模块将所述融合后的特征的尺寸转换为预设尺寸;
通过所述衬砌预测模块基于经过所述转换后的特征,确定所述图区中是否存在表征衬砌以及存在衬砌时所述衬砌的深度,得到所述检测结果。
在上述的实施方式中,通过特征抽取模块、特征融合模块、特征转换模块及衬砌预测模块,无需对雷达波图像进行预处理,便可以实现端到端的隧道检测,以简化隧道检测的操作流程,提高检测效率。
结合第一方面,在一些可选的实施方式中,所述方法还包括:
当所述检测结果表征所述目标雷达波图像中存在衬砌,且所述衬砌的深度未在预设范围内时,发出提示信息。
在上述的实施方式中,若衬砌的深度未在预设范围内,通常表示隧道的衬砌存在异常,通过发出提示信息,有利于工作人员及时发现异常情况。
第二方面,本申请实施例还提供一种隧道检测装置,所述装置包括:
图像获取单元,用于获取目标雷达波图像,所述目标雷达波图像包括通过对隧道进行雷达感测得到的雷达波图像;
检测单元,用于将所述目标雷达波图像输入经过学习的深度学习模型,得到所述深度学习模型对所述目标雷达波图像的检测结果。
结合第二方面,在一些可选的实施方式中,所述检测单元还用于:
将所述目标雷达波图像输入所述经过学习的深度学习模型;
通过所述经过学习的深度学习模型,对所述目标雷达波图像中的每列图区进行检测,得到与每列图区对应的检测结果,其中,针对所述每列图区,所述检测结果包括表征所述图区中存在衬砌及所述衬砌的深度,或所述图区中不存在所述衬砌的结果。
第三方面,本申请实施例还提供一种电子设备,所述电子设备包括相互耦合的存储器、处理器,所述存储器内存储计算机程序,当所述计算机程序被所述处理器执行时,使得所述电子设备执行上述的方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述的方法。
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为本申请实施例提供的隧道检测方法的流程示意图。
图2为本申请实施例提供的目标雷达波图像的示意图。
图3为本申请实施例提供的训练图像的示意图。
图4为本申请实施例提供的隧道检测装置的功能框图
图标:100-隧道检测装置;110-图像获取单元;120-检测单元。
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。需要说明的是,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
申请人发现,由于隧道工程的使用场景的特殊性,针对隧道施工中可能出现的质量问题,工程验收过程目前采用雷达波检测设备(可以简称为检测设备),对混凝土衬砌、钢筋等进行无损探测,以得到相应的雷达波图像。然后由人工分析图像,确定检测结果。由于隧道时常长达数公里乃至数十公里,采集到的图像的数据量也较为庞大,使得人工判读分析的处理效率较低。另外,人工分析图像需要较高的专业知识与经验,不便于快速推广普及。
鉴于上述问题,本申请申请人经过长期研究探索,提出以下实施例以解决上述问题。下面结合附图,对本申请实施例作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,本申请实施例提供的隧道检测方法可以应用于电子设备,由电子设备执行或实现方法中的各步骤。其中,电子设备可以是,但不限于,个人电脑(PersonalComputer,PC)、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、服务器等设备,可以通过雷达波图像检测隧道中是否存在衬砌,以及存在的衬砌的深度等,替代人工的检测方式,以提高对隧道检测的效率。
在本实施例中,衬砌属于隧道建设中的一层防水材料,位于隧道的上层支撑结构和下层支撑结构间,为本领域技术人员所熟知。工作人员在现场利用雷达波检测设备对隧道进行检测时,可以将雷达波检测设备靠近或贴合隧道的内壁,然后开启感测,便可以得到再当前位置下的雷达波图像。然后,工作人员可以沿隧道的长度延伸方向,缓慢移动检测设备,在移动过程中,检测设备可以一直靠近或贴合隧道内壁,基于此,便可以得到一段连续的隧道的雷达波图像。
可理解地,在检测过程中,检测设备可以向隧道内壁发射雷达波。由于雷达波的传播反射特性,在隧道区域中出现的不同材质交界处,雷达波图像会出现明显的反射信号波形图,基于不同材质交界处存在反射波,便可以得到隧道墙体内部的结构示意图,如图2所示,其中,图像中的两条不规则线条形成带状区域即为隧道的衬砌,带状区域的宽度即为衬砌的厚度,带状区域的深度即为衬砌与隧道内壁之间的最短距离。
在其他实施方式中,雷达波图像还可以为不同于图2所示,例如,可以不存在如图2所示的网格。其中,该网格可以用于检测衬砌的深度及衬砌在隧道中的位置。
在本实施例中,电子设备可以包括处理模块、存储模块以及隧道检测装置,处理模块、存储模块以及隧道检测装置各个元件之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
当然电子设备还可以包括其他模块,例如,电子设备还可以包括显示屏、通信模块、提示模块等。其中,显示屏可以显示雷达波图像。通信模块可以用于建立电子设备与其他设备之间的通信连接,提示模块可以在处理模块的控制下发出提示信息。
例如,当电子设备为服务器时,服务器可以通过通信模块与用户终端或雷达波检测设备建立通信连接,以直接或间接地从雷达波检测设备所感测得到的雷达波图像。
下面将对图1所示的隧道检测方法中的各步骤进行详细阐述,如下:
步骤S210,获取目标雷达波图像,所述目标雷达波图像包括通过对隧道进行雷达感测得到的雷达波图像;
步骤S220,将所述目标雷达波图像输入经过学习的深度学习模型,得到所述深度学习模型对所述目标雷达波图像的检测结果。
在本实施例中,通过利用经过学习训练的深度学习模型对雷达波图像进行识别检测,可以实现端到端的隧道检测,无需对雷达波图像进行预测处理,从而简化隧道检测的操作流程。另外,基于深度学习模型可以实现隧道的自动检测,有利于降低隧道检测所需的人力资源,提高检测效率。基于此,隧道检测的学习成本低,对检测隧道的工作人员的专业知识及经验要求得到降低,有利于检测方式的快速推广与普及,使得普通人也可以利用电子设备快速实现隧道检测。
下面将对方法中的各步骤进行详细阐述,如下:
步骤S210,获取目标雷达波图像,所述目标雷达波图像包括通过对隧道进行雷达感测得到的雷达波图像。
在本实施例中,目标雷达波图像即为当前需要进行检测的雷达波图像。电子设备可以直接或检测地获取到雷达波检测设备所感测得到的雷达波图像。例如,操作员在隧道中,利用雷达波检测设备对隧道内壁进行感测,便可以感测到该位置的雷达波图像,通过移动检测设备,便可以得到一段路程的隧道的雷达波图像,例如,目标雷达波图像如图2所示。
在本实施例中,电子设备可以与检测设备之间通过网络建立通信连接,用于传输雷达波图像,该网络可以是有线网络、无线网络等。检测设备在感测得到雷达波图像后,电子设备便可以通过网络直接从检测设备获取所感测的雷达波图像。或者,用户可以将检测设备所感测的雷达波图像传输至用户终端或U盘类的存储设备,然后由用户通过用户终端或存储设备,将所传输的雷达波图像发送至电子设备,以使电子设备获取到目标雷达波图像。
可理解地,电子设备获取目标雷达波的方式可以根据实际情况进行设置,这里不做具体限定。在获取到雷达波图像后,便可以将该雷达波图像作为目标雷达波图像,然后利用经过学习的深度学习模型对该雷达波图像进行检测,得到隧道的检测结果。
在本实施例中,若深度学习模型为未被学习训练的模型,在步骤210之前,方法还可以包括对深度学习模型进行训练的步骤。例如,在步骤S210之前,方法还可以包括:
获取训练图像集,包括多个第一类雷达波图像及多个第二类雷达波图像,每个第一类雷达波图像设置有表征隧道衬砌的第一标注,每个所述第二类雷达波图像设置有表征所述雷达波图像不存在所述隧道衬砌的第二标注;
根据所述多个第一类雷达波图像及所述多个第二类雷达波图像,训练深度学习模型,得到所述经过学习的深度学习模型,用于检测所述雷达波图像是否存在衬砌以及所述衬砌的位置。
在本实施例中,训练图像集为设计人员收集的包括大量的第一类雷达波图像及大量的第二类雷达波图像的集合。所收集的第一类雷达波图像的数量、第二类雷达波图像的数量均可以根据实际情况进行设置,例如,可以为100个、1000个及以上。设计人员在收集到训练图像集后,可以采用一个存储器或U盘等存储设备进行存储。当需要利用训练图像集,训练模型时,电子设备可以从存储设备中获取到训练图像集。
在收集训练图像集时,第一类雷达波图像(可以参照图3),为检测设备通过感测具有衬砌的隧道所得到的雷达波图像。第一类雷达波图像中,设置有表征隧道衬砌的标注,该标注即为第一标注,标注可以为人工在雷达波图像的衬砌部位标记的衬砌线。第二类雷达波图像为检测设备感测的不具有衬砌的隧道所得到的雷达波图像。第二类雷达波图像中,设置有表征不存在隧道衬砌的标注,该标注即为第二标注。
在得到训练图像集后,便可以将训练图像集输入至深度学习模型中,然后,由深度学习模型对训练图像集进行学习训练,便可以使得深度学习模型具有识别雷达波图像中是否具有衬砌的功能。其中,深度学习模型可以称为衬砌线检测网络(Line Detect Network,LDetNet),该深度学习模型是但不限于卷积神经网络(Convolutional Neural Networks,CNN)、深度卷积神经网络(Deep-Convolutional Neural Networks,DCNN)。
在训练完深度学习模型后,可以利用测试图像集,电子设备对完成首次训练的深度学习模型进行测试,以便于根据测试结果对深度学习模型进行校正,以提高深度学习模型检测隧道衬砌的准确性及可靠性。
在本实施例中,获取训练图像集的步骤,可以包括:
针对预先设置有标记点的雷达波图像,基于所述标记点,生成表征隧道衬砌的轮廓线的标注,并将具有所述轮廓线的雷达波图像作为所述第一类雷达波图像;
将未设置有所述标记点的雷达波图像作为所述第二类雷达波图像。
可理解地,在获取训练图像集时,通常需要人工对第一类雷达波图像中的衬砌部位,沿着衬砌线划线进行标注。目前,人工所标注的衬砌线的位置需要与雷达波图像中的衬砌线的位置一致,而训练图像集的数量多,人工标注衬砌线的效率低。而在本申请中,设计人员可以仅在雷达波的图像中标记衬砌线的关键点,然后由电子设备基于标记的关键点自动拟合得到衬砌的标注线,无需人工标注整个衬砌线,基于此,有助于减少人工标注的工作量,提高标注的效率。其中,关键点通常为雷达波图像中曲折的衬砌线的峰值顶点、峰谷顶点、峰值顶点与峰谷顶点之间的中间点等。
例如,人工标注的关键点可以如图3所示。可理解地,图3中,虚线带所对应的区域即为隧道衬砌,实心点即为人工标记的关键点。在完成关键点的标记后,电子设备可以基于关键点自动生成衬砌线的标注,如图3所示的在虚线带中的实线。
步骤S220,将所述目标雷达波图像输入经过学习的深度学习模型,得到所述深度学习模型对所述目标雷达波图像的检测结果。
可理解地,当深度学习模型经过学习训练后,该深度学习模型便具有检测雷达波图像是否存在衬砌以及衬砌线深度的功能。当需要对目标雷达波图像进行检测时,将目标雷达波图像输入至经过学习的深度学习模型,便可以得到深度学习模型对该雷达波图像的检测结果。检测结果可以包括表征该图像中隧道衬砌正常的结果,或表征图像中隧道衬砌异常的结果。
其中,隧道衬砌异常包括但不限于:
隧道设计中实际应该存在衬砌的部位,而电子设备检测出该部位不存在衬砌,便确定隧道衬砌异常;
隧道衬砌的深度未在预设范围内,便确定隧道衬砌异常;
隧道衬砌的厚度为小于或等于预设厚度,便确定隧道衬砌异常。
可理解地,当隧道衬砌的检测情况不属于衬砌异常时,便表示隧道衬砌正常。
在本实施例中,步骤S220可以包括:将所述目标雷达波图像输入所述经过学习的深度学习模型;
通过所述经过学习的深度学习模型,对所述目标雷达波图像中的每列图区进行检测,得到与每列图区对应的检测结果,其中,针对所述每列图区,所述检测结果包括表征所述图区中存在衬砌及所述衬砌的深度,或所述图区中不存在所述衬砌的结果。
电子设备可以自动将目标雷达波图像划分成连续的多列图区,例如,图2中的图区A与图区B便为连续的两列图区。每列图区的宽度可以根据实际情况进行设置。例如,每列图区的宽度对应在隧道的长度上时,可以为5厘米、10厘米、1米等宽度。例如,在图2所述的目标雷达波图像中,长度方向上的每个单元格的距离可以表示一米或两米等指定长度。深度方向上的每个单元格的距离可以表示3厘米、5厘米等指定宽度。
通过将雷达波图像划分为多列图区,并对每列图区进行检测,可以提高对隧道衬砌检测的准确性,避免雷达波图像中局部不存在衬砌而遗漏了衬砌的检测。
例如,在图区A中,存在隧道衬砌,而在图区B中,不存在隧道衬砌。电子设备通过对图区进行划分,便可以检测到图区A中存在衬砌,图区B中不存在衬砌,从而提高衬砌检测的精度。
当电子设备检测到图区中存在衬砌后,电子设备可以基于衬砌在雷达波图像中的相对位置,确定出衬砌的实际深度,该衬砌的实际深度即为该部位的衬砌在实际隧道中与隧道内壁之间的最短距离。假设,深度方向上的单元格表征的深度距离为5厘米,图区A的衬砌对应的单元格的深度为12个单元格,此时,便电子设备可以计算得到衬砌的实际深度为60厘米。当然,计算衬砌深度的方式还可以为其他方式,这里不做具体限定。
作为一种可选的实施方式,步骤S220还可以包括:
通过所述特征抽取模块从所述目标雷达波图像中提取得到至少一列图区;
针对所述至少一列图区中的每列图区,通过所述特征融合模块基于空洞卷积、全局池化对所述图区进行特征融合,得到融合后的特征;
通过所述特征转换模块将所述融合后的特征的尺寸转换为预设尺寸;
通过所述衬砌预测模块基于经过所述转换后的特征,确定所述图区中是否存在表征衬砌以及存在衬砌时所述衬砌的深度,得到所述检测结果。
在本实施例中,预设尺寸可以根据实际情况进行设置,这里不做具体限定。深度学习模型(即LDetNet模型)包括特征抽取模块、特征融合模块、特征转换模块及衬砌预测模块。在检测目标雷达波图像期间,首先LDetNet的特征抽取模块可以使用Resnet50,VGG(Visual Geometry Group Network,视觉几何组网络模型)等常用的基础网络,该特征抽取模块也可以根据实际检测项目需要,进行模型大小的连接的调整。特征抽取模块可以将目标雷达波图像输出为特征图,该特征图为原始的目标雷达波图像缩小32倍的大小。特征融合模块使用了空洞卷积和全局池化操作,通过使用不同空洞比例的空洞卷积和全局池化可以获取不同感受野下的特征,提升特征表达能力,特征融合模块中描述了使用的多个卷积的参数配置;特征转换模块将把融合后的特征进行高度方向(对应雷达波图像中的深度方向)的压缩和宽度方向(对应雷达图中的水平里程方向)上的扩增,使转换后的特征变为宽度与输入图像一致且高度为1个单位高度(该单位高度可以根据实际情况进行设置,这里不作具体限定)的特征图,接着可以使用该特征进行衬砌线预测;衬砌预测模块,可以使用转换后的特征,对每一列图区横向位置x的特征(依次对应目标雷达波图像中的每一列图区)预测一个是否属于衬砌的置信度(Confidence),比如,1表示是衬砌,0表示背景,以及衬砌线在图像中的高度信息y。假设,公式即为LDetNet模型训练时的损失函数Loss,由二分类交叉熵的分类损失和均方误差的回归损失组成。公式可以如下:
公式中,w指图区的总列数或特征图的总列数;x指图区的列数或特征图的列数;y指衬砌在图像中的高度或深度;BE是Binary Entropy的首字母缩写,表示两位熵损失函数;表示标注的第x列是否有衬砌,取值0或1;表示预测的第x列是否有衬砌,取值0~1之间,表示概率;表示标注的第x列衬砌高度;表示预测的第x列衬砌高度;t指标注值;p指预测值。
通过上述公式,便可以判断每列图区中是否存在衬砌。基于上述设计,便可以实现端到端的隧道检测,以简化隧道检测的操作流程,提高检测效率。
作为一种可选的实施方式,所述方法还包括:当所述检测结果表征所述目标雷达波图像中存在衬砌,且所述衬砌的深度未在预设范围内时,发出提示信息。
可理解地,电子设备可以包括提示模块。提示模块可以用于在处理模块的控制下,发出灯光提示、声音提示等提示信息。提示模块可以包括但不限于提示灯、蜂鸣器、语言喇叭等,处理模块可以在通过雷达波图像检测到隧道出现异常时,控制报警提示模块发出灯光、声音等提示,以便于工作人员及时发现异常情况。其中,隧道出现异常的情况包括但不限于:
隧道设计中实际应该存在衬砌的部位,而电子设备检测出该部位不存在衬砌,便确定隧道异常;
隧道衬砌的深度未在预设范围内,便确定隧道异常。
其中,深度的预设范围可以根据实际情况进行设置,例如,预设范围可以为0.3米至0.6米。若隧道衬砌未在离隧道内壁0.3米至0.6米深度范围内,则确定衬砌存在异常,此时,通过发出提示信息,有利于工作人员及时发现异常情况。
另外,在衬砌的深度未在预设范围内时,电子设备还可以对未在预设范围内的衬砌进行突出标记,以便于工作人员快速发现异常的衬砌位置。例如,在衬砌的深度未在预设范围内时,可以对深度未在预设范围内的衬砌进行标红、标篮等标记方式进行突出标记,以便于工作人员从雷达波图像中快速确定出异常的衬砌位置。
请参照图4,本申请实施例还提供一种隧道检测装置100,可以应用于上述的电子设备。隧道检测装置100可以用于执行或实现隧道检测方法中的各步骤。隧道检测装置100包括至少一个可以软件或固件(Firmware)的形式存储于存储模块中或固化在电子设备操作系统(Operating System,OS)中的软件功能模块。处理模块用于执行存储模块中存储的可执行模块,例如隧道检测装置100所包括的软件功能模块及计算机程序等。比如,隧道检测装置100可以包括图像获取单元110及检测单元120。
图像获取单元110,用于获取目标雷达波图像,所述目标雷达波图像包括通过对隧道进行雷达感测得到的雷达波图像。
检测单元120,用于将所述目标雷达波图像输入经过学习的深度学习模型,得到所述深度学习模型对所述目标雷达波图像的检测结果。
可选地,检测单元120还用于:将所述目标雷达波图像输入所述经过学习的深度学习模型;通过所述经过学习的深度学习模型,对所述目标雷达波图像中的每列图区进行检测,得到与每列图区对应的检测结果,其中,针对所述每列图区,所述检测结果包括表征所述图区中存在衬砌及所述衬砌的深度,或所述图区中不存在所述衬砌的结果。
可选地,隧道检测装置100还可以包括训练单元。在图像获取单元110获取目标雷达波图像之前,图像获取单元110还可以用于获取训练图像集,包括多个第一类雷达波图像及多个第二类雷达波图像,每个第一类雷达波图像设置有表征隧道衬砌的第一标注,每个所述第二类雷达波图像设置有表征所述雷达波图像不存在所述隧道衬砌的第二标注。训练单元,用于根据所述多个第一类雷达波图像及所述多个第二类雷达波图像,训练深度学习模型,得到所述经过学习的深度学习模型,用于检测所述雷达波图像是否存在衬砌以及所述衬砌的位置。
可选地,图像获取单元110还可以用于:针对预先设置有标记点的雷达波图像,基于所述标记点,生成表征隧道衬砌的轮廓线的标注,并将具有所述轮廓线的雷达波图像作为所述第一类雷达波图像;将未设置有所述标记点的雷达波图像作为所述第二类雷达波图像。
可选地,所述深度学习模型包括特征抽取模块、特征融合模块、特征转换模块及衬砌预测模块,检测单元120还可以用于:
通过所述特征抽取模块从所述目标雷达波图像中提取得到至少一列图区;
针对所述至少一列图区中的每列图区,通过所述特征融合模块基于空洞卷积、全局池化对所述图区进行特征融合,得到融合后的特征;
通过所述特征转换模块将所述融合后的特征的尺寸转换为预设尺寸;
通过所述衬砌预测模块基于经过所述转换后的特征,确定所述图区中是否存在表征衬砌以及存在衬砌时所述衬砌的深度,得到所述检测结果。
可选地,隧道检测装置100还可以包括提示单元。提示单元用于当所述检测结果表征所述目标雷达波图像中存在衬砌,且所述衬砌的深度未在预设范围内时,发出提示信息。
需要说明的是,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的电子设备、隧道检测装置100的具体工作过程,可以参考前述方法中的各步骤对应过程,在此不再过多赘述。
处理模块可以是一种集成电路芯片,具有信号的处理能力。上述处理模块可以是通用处理器。例如,该处理器可以是中央处理器(Central Processing Unit,CPU)、图形处理器(Graphics Processing Unit,GPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
通信模块用于通过网络建立电子设备与用户终端、雷达波检测设备的通信连接,并通过网络收发数据。
存储模块可以是,但不限于,随机存取存储器,只读存储器,可编程只读存储器,可擦除可编程只读存储器,电可擦除可编程只读存储器等。在本实施例中,存储模块可以用于存储雷达波图像、深度学习模型。当然,存储模块还可以用于存储程序,处理模块在接收到执行指令后,执行该程序。
本申请实施例还提供一种计算机可读存储介质。可读存储介质中存储有计算机程序,当计算机程序在计算机上运行时,使得计算机执行如上述实施例中所述的隧道检测方法。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现,基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
综上所述,本申请提供一种隧道检测方法、装置、电子设备及可读存储介质。方法包括:获取目标雷达波图像,目标雷达波图像包括通过对隧道进行雷达感测得到的雷达波图像;将目标雷达波图像输入经过学习的深度学习模型,得到深度学习模型对目标雷达波图像的检测结果。在本方案中,通过利用雷达波图像结合深度学习模型,来对隧道进行检测,有利于降低隧道检测所需的人力资源,提高检测效率。
在本申请所提供的实施例中,应该理解到,所揭露的装置、系统和方法,也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。另外,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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,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 (7)
1.一种隧道检测方法,其特征在于,所述方法包括:
获取目标雷达波图像,所述目标雷达波图像包括通过对隧道进行雷达感测得到的雷达波图像;
将所述目标雷达波图像输入经过学习的深度学习模型,得到所述深度学习模型对所述目标雷达波图像的检测结果;
其中,所述将所述目标雷达波图像输入经过学习的深度学习模型,得到所述深度学习模型对所述目标雷达波图像的检测结果,包括:将所述目标雷达波图像输入所述经过学习的深度学习模型;通过所述经过学习的深度学习模型,对所述目标雷达波图像中的每列图区进行检测,得到与每列图区对应的检测结果,其中,针对所述每列图区,所述检测结果包括表征所述图区中存在衬砌及所述衬砌的深度,或所述图区中不存在所述衬砌的结果;
所述深度学习模型包括特征抽取模块、特征融合模块、特征转换模块及衬砌预测模块,通过所述经过学习的深度学习模型,对所述目标雷达波图像中的每列图区进行检测,得到与每列图区对应的检测结果,包括:通过所述特征抽取模块从所述目标雷达波图像中提取得到至少一列图区;针对所述至少一列图区中的每列图区,通过所述特征融合模块基于空洞卷积、全局池化对所述图区进行特征融合,得到融合后的特征;通过所述特征转换模块将所述融合后的特征的尺寸转换为预设尺寸;通过所述衬砌预测模块基于经过所述转换后的特征,确定所述图区中是否存在表征衬砌以及存在衬砌时所述衬砌的深度,得到所述检测结果。
2.根据权利要求1所述的方法,其特征在于,在获取目标雷达波图像之前,所述方法还包括:
获取训练图像集,包括多个第一类雷达波图像及多个第二类雷达波图像,每个第一类雷达波图像设置有表征隧道衬砌的第一标注,每个所述第二类雷达波图像设置有表征所述雷达波图像不存在所述隧道衬砌的第二标注;
根据所述多个第一类雷达波图像及所述多个第二类雷达波图像,训练深度学习模型,得到所述经过学习的深度学习模型,用于检测所述雷达波图像是否存在衬砌以及所述衬砌的位置。
3.根据权利要求2所述的方法,其特征在于,获取训练图像集,包括:
针对预先设置有标记点的雷达波图像,基于所述标记点,生成表征隧道衬砌的轮廓线的标注,并将具有所述轮廓线的雷达波图像作为所述第一类雷达波图像;
将未设置有所述标记点的雷达波图像作为所述第二类雷达波图像。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述检测结果表征所述目标雷达波图像中存在衬砌,且所述衬砌的深度未在预设范围内时,发出提示信息。
5.一种隧道检测装置,其特征在于,所述装置包括:
图像获取单元,用于获取目标雷达波图像,所述目标雷达波图像包括通过对隧道进行雷达感测得到的雷达波图像;
检测单元,用于将所述目标雷达波图像输入经过学习的深度学习模型,得到所述深度学习模型对所述目标雷达波图像的检测结果;
其中,所述检测单元还用于:将所述目标雷达波图像输入所述经过学习的深度学习模型;通过所述经过学习的深度学习模型,对所述目标雷达波图像中的每列图区进行检测,得到与每列图区对应的检测结果,其中,针对所述每列图区,所述检测结果包括表征所述图区中存在衬砌及所述衬砌的深度,或所述图区中不存在所述衬砌的结果;
所述深度学习模型包括特征抽取模块、特征融合模块、特征转换模块及衬砌预测模块,所述检测单元还用于:通过所述特征抽取模块从所述目标雷达波图像中提取得到至少一列图区;针对所述至少一列图区中的每列图区,通过所述特征融合模块基于空洞卷积、全局池化对所述图区进行特征融合,得到融合后的特征;通过所述特征转换模块将所述融合后的特征的尺寸转换为预设尺寸;通过所述衬砌预测模块基于经过所述转换后的特征,确定所述图区中是否存在表征衬砌以及存在衬砌时所述衬砌的深度,得到所述检测结果。
6.一种电子设备,其特征在于,所述电子设备包括相互耦合的存储器、处理器,所述存储器内存储计算机程序,当所述计算机程序被所述处理器执行时,使得所述电子设备执行如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1-4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010834678.5A CN111967398B (zh) | 2020-08-18 | 2020-08-18 | 隧道检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010834678.5A CN111967398B (zh) | 2020-08-18 | 2020-08-18 | 隧道检测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967398A CN111967398A (zh) | 2020-11-20 |
CN111967398B true CN111967398B (zh) | 2022-08-09 |
Family
ID=73389291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010834678.5A Active CN111967398B (zh) | 2020-08-18 | 2020-08-18 | 隧道检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967398B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116840806B (zh) * | 2023-08-31 | 2023-11-07 | 深圳市洪发建筑工程有限公司 | 一种混凝土结构老化程度检测方法和装置 |
CN117310691B (zh) * | 2023-11-30 | 2024-02-13 | 浙江宇视科技有限公司 | 多模态雷达目标定位方法、装置、电子设备以及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101772916B1 (ko) * | 2016-12-30 | 2017-08-31 | 한양대학교 에리카산학협력단 | 촬영영상과 인공지능 알고리즘 기반의 균열검출 자동화 프로그램을 이용한 터널 라이닝 표면의 균열 검출 방법 및 시스템 |
CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
CN110220909A (zh) * | 2019-04-28 | 2019-09-10 | 浙江大学 | 一种基于深度学习的地铁盾构隧道病害检测方法 |
KR102091165B1 (ko) * | 2019-04-09 | 2020-03-24 | 주식회사 한국건설방재연구원 | 터널 균열 검사 장치 |
CN111123263A (zh) * | 2019-12-12 | 2020-05-08 | 创新奇智(合肥)科技有限公司 | 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 |
CN111152182A (zh) * | 2019-10-09 | 2020-05-15 | 山东大学 | 一种用于运营期隧道衬砌检测及病害诊断的多臂机器人 |
CN111539286A (zh) * | 2020-04-15 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 衬砌线识别方法、装置及可读存储介质 |
-
2020
- 2020-08-18 CN CN202010834678.5A patent/CN111967398B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101772916B1 (ko) * | 2016-12-30 | 2017-08-31 | 한양대학교 에리카산학협력단 | 촬영영상과 인공지능 알고리즘 기반의 균열검출 자동화 프로그램을 이용한 터널 라이닝 표면의 균열 검출 방법 및 시스템 |
CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
KR102091165B1 (ko) * | 2019-04-09 | 2020-03-24 | 주식회사 한국건설방재연구원 | 터널 균열 검사 장치 |
CN110220909A (zh) * | 2019-04-28 | 2019-09-10 | 浙江大学 | 一种基于深度学习的地铁盾构隧道病害检测方法 |
CN111152182A (zh) * | 2019-10-09 | 2020-05-15 | 山东大学 | 一种用于运营期隧道衬砌检测及病害诊断的多臂机器人 |
CN111123263A (zh) * | 2019-12-12 | 2020-05-08 | 创新奇智(合肥)科技有限公司 | 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 |
CN111539286A (zh) * | 2020-04-15 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 衬砌线识别方法、装置及可读存储介质 |
Non-Patent Citations (6)
Title |
---|
Intelligent Detection for Tunnel Shotcrete Spray Using Deep Learning and LiDAR;Luo Chun-Lei等;《IEEE Access》;20191231;第8卷;1755 - 1766 * |
Real-Time Tunnel Crack Analysis System via Deep Learning;Qing Song等;《IEEE Access》;20191231;第7卷;64186 - 64197 * |
基于探地雷达的隧道质量检测;施鹏程;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20121215;第2012年卷(第12期);C034-30 * |
探地雷达探测隧道衬砌钢筋的神经网络识别方法;谢雄耀等;《工程地质学报》;20110922;229-237 * |
探地雷达目标识别方法及其在隧道衬砌检测中的应用研究;韦鸿耀;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170615;第2017年卷(第6期);C034-188 * |
隧道病害的探地雷达图像检测方法研究;秦存昌;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115;第2015年卷(第1期);I136-681 * |
Also Published As
Publication number | Publication date |
---|---|
CN111967398A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108027301B (zh) | 损伤信息提取装置、损伤信息提取方法及损伤信息提取程序 | |
CN111967398B (zh) | 隧道检测方法、装置、电子设备及可读存储介质 | |
CN113822247B (zh) | 基于航拍影像的违章建筑识别方法及系统 | |
KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
CN110175507B (zh) | 模型评估方法、装置、计算机设备和存储介质 | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 | |
US11474047B2 (en) | Computer-readable recording medium recording image processing program, image processing method, and image processing apparatus | |
JP7374847B2 (ja) | 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム | |
JP6505858B2 (ja) | 点検結果検索装置及び方法 | |
CN114595930A (zh) | 基于bim技术的暗挖隧道施工质量控制方法 | |
CN110913407A (zh) | 重叠覆盖的分析方法及装置 | |
CN112561942A (zh) | 一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法 | |
CN115239733B (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
CN109707452B (zh) | 一种用于隧道掌子面围岩级别智能判定的远程操作系统 | |
KR102260559B1 (ko) | 태블릿을 이용한 시설 구조물의 안전 진단 방법 | |
CN113762153B (zh) | 一种基于遥感数据的新型尾矿库检测方法及系统 | |
CN113466939B (zh) | 微动勘探方法和微动勘探系统 | |
CN112990350B (zh) | 目标检测网络训练方法及基于目标检测网络煤矸识别方法 | |
CN115526855A (zh) | 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质 | |
CN113920051A (zh) | 结构表观病害检测数据标准化批处理方法、系统及介质 | |
US20230298207A1 (en) | Information processing apparatus, information processing system, information processing method, and non-transitory computer-executable medium | |
CN115880276B (zh) | 一种基于多期点云对比的塔杆运行状态评估方法及系统 | |
CN114792209B (zh) | 一种工程施工风险评估的方法、设备及存储介质 | |
KR102193260B1 (ko) | 시설물 점검용 사진 정리시스템 및 이를 이용한 시설물 점검용 사진의 정리 방법 | |
CN117095216B (zh) | 基于对抗生成网络的模型训练方法、系统、设备及介质 |
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 |