CN113610052A - 一种基于深度学习的隧道渗漏水自动识别方法 - Google Patents

一种基于深度学习的隧道渗漏水自动识别方法 Download PDF

Info

Publication number
CN113610052A
CN113610052A CN202110988039.9A CN202110988039A CN113610052A CN 113610052 A CN113610052 A CN 113610052A CN 202110988039 A CN202110988039 A CN 202110988039A CN 113610052 A CN113610052 A CN 113610052A
Authority
CN
China
Prior art keywords
leakage
water
segmentation
area
water leakage
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.)
Pending
Application number
CN202110988039.9A
Other languages
English (en)
Inventor
刘学增
李明东
陈莹莹
刘新根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD
Original Assignee
SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD filed Critical SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD
Priority to CN202110988039.9A priority Critical patent/CN113610052A/zh
Publication of CN113610052A publication Critical patent/CN113610052A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明为一种基于深度学习的隧道渗漏水自动识别方法，主要解决现有识别方法难以准确检测分割问题。本发明包括步骤：S1、依据渗漏水图像灰度多样性特征对采集的原始图像进行分割标注，构建渗漏水分割数据集；S2、对标注获得的分割标签图扩充区域进行原图裁剪以及区域检测标注，构建渗漏水检测数据集；S3、基于retinanet检测网络进行模型训练及预测，对渗漏水区域进行检测筛查，剔除污渍、线缆、衬砌修补、阴影；S4、基于融合可变形卷积以及Focal Loss损失函数的deeplabv3+网络训练分割模型，对检测到的渗漏水进行区域分割；S5、采用方向区域搜索算法及形态学处理实现渗漏水邻近断开轮廓的连接和平滑优化。

Description

一种基于深度学习的隧道渗漏水自动识别方法
技术领域
本发明涉及一种基于深度学习的隧道渗漏水自动识别方法，应用于隧道工程技术领域。
背景技术
随着我国隧道工程不断发展，结构病害检测技术也受到广泛关注。渗漏水是常见的隧道病害之一，如不及时对渗漏水区域进行处理，会导致隧道内部的钢筋、螺栓金属腐蚀，严重的引起隧道管片开裂、隧道变形，对隧道的安全运营构成威胁。
目前对于隧道结构渗漏水检测，主要为人工检测和基于图像识别检测技术。人工检测的作业效率低、主观因素影响大、成本高，且对交通运营产生干扰。
随着计算机图像识别技术的不断发展，产生了利用相关技术进行渗漏水检测的方法。专利CN202010570943.3公开了一种隧道渗漏水识别方法，对视频流单针图像进行预处理，并使用LVQ模型判断是否存在渗漏水，若存在则进行canny边缘检测，但隧道背景复杂干扰多，传统算法难以准确检测分割。专利CN201810066937.7公开了一种隧道渗漏水病害自动识别方法，根据隧道渗漏水图像灰度值较低的特点，结合边缘检测算法，自动识别渗漏水病害点，但实际渗漏水（喷射、涌流、滴漏、浸渗）图像灰度特征多样，白色结晶物类渗漏水的灰度值较高，算法适应性不强。专利CN201811528692.1公开了一种基于图像特征识别的盾构隧道渗漏水，基于隧道表面灰度图各特征物的像素长度、宽度、灰度信息进行干扰物的剔除和渗漏水检测，但存在同样问题，隧道背景复杂干扰多，难以设置固定的阈值适应所有情况。
综上，迫切需求一种基于深度学习的隧道渗漏水自动识别方法，以解决隧道结构病害检测质量低的难题。
发明内容
本发明的目的是解决现有技术的缺陷，设计一种基于深度学习的隧道渗漏水自动识别方法，能快速精准地检测及分割渗漏水区域，以提高隧道结构病害检测工作的质量。
本发明是这样实现的：一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，包括以下步骤：
S1、依据渗漏水图像灰度多样性特征对采集的原始图像进行分割标注，构建渗漏水分割数据集，记为
Figure DEST_PATH_IMAGE001
；
S2、对标注获得的分割标签图扩充区域进行原图裁剪以及区域检测标注，构建渗漏水检测数据集，记为
Figure 42661DEST_PATH_IMAGE002
；
S3、基于retinanet检测网络进行模型训练及预测，对渗漏水区域进行检测筛查，剔除污渍、线缆、衬砌修补、阴影；
S4、基于融合可变形卷积以及Focal Loss损失函数的deeplabv3+网络训练分割模型，对检测到的渗漏水进行区域分割；
S5、采用方向区域搜索算法及形态学处理实现渗漏水邻近断开轮廓的连接和平滑优化。
进一步，所述步骤S1中，渗漏水图像灰度多样性特征是指喷射、涌流造成的暗黑色区域和滴漏、浸渗结构腐蚀造成的白色结晶物区域，标注时给与不同标签，渗漏水标注区域大于50x50像素，原始图像记为
Figure DEST_PATH_IMAGE003
，宽高分别记为
Figure 602955DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
。
进一步，所述步骤S2中，原图裁剪是以渗漏水轮廓最小外接矩形为中心，裁剪区域扩充为
Figure 735122DEST_PATH_IMAGE006
像素，裁剪区域左上角坐标(
Figure DEST_PATH_IMAGE007
,
Figure 75973DEST_PATH_IMAGE008
)具体计算如下：
Figure DEST_PATH_IMAGE009
其中，裁剪区域宽高分别为
Figure 20795DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
，渗漏水轮廓最小外接矩形左上角坐标点(
Figure 996448DEST_PATH_IMAGE012
,
Figure DEST_PATH_IMAGE013
)，
Figure 735734DEST_PATH_IMAGE014
表示矩形的宽度，
Figure DEST_PATH_IMAGE015
表示矩形的高度。
再进一步，所述步骤S4中，融合可变形卷积以及Focal Loss损失函数的deeplabv3+网络训练分割模型，对检测到的渗漏水区域进行分割，获得的分割图记为
Figure 862084DEST_PATH_IMAGE016
：
（1）deeplabv3+网络采用可变形卷积提取渗漏水非刚性目标特征，可变形卷积公式如下：
Figure DEST_PATH_IMAGE017
其中，
Figure 672914DEST_PATH_IMAGE018
表示输出特征图，
Figure DEST_PATH_IMAGE019
表示权重，
Figure 446616DEST_PATH_IMAGE020
表示输入特征图，
Figure DEST_PATH_IMAGE021
为特征图
Figure 684699DEST_PATH_IMAGE018
上的某一点，
Figure 672247DEST_PATH_IMAGE022
表示标准采样点，
Figure DEST_PATH_IMAGE023
为需要增加的位置偏移。
（2）网络使用Focal Loss损失函数计算预测标签与实际标签的预测误差，公式为：
Figure 460337DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
表示标签的预测概率，
Figure 912047DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE027
是超参数，
Figure 819566DEST_PATH_IMAGE028
表示权重。
再进一步，所述步骤S5中，采用方向区域搜索算法，具体操作如下：
（1）当前渗漏水轮廓区域
Figure DEST_PATH_IMAGE029
查找最小外接矩形
Figure 91148DEST_PATH_IMAGE030
，矩形
Figure 181463DEST_PATH_IMAGE030
左上角坐标点为
Figure DEST_PATH_IMAGE031
、右下角坐标点为
Figure 989145DEST_PATH_IMAGE032
；
（2）对渗漏水轮廓区域
Figure 506714DEST_PATH_IMAGE029
分别进行上、下、左、右四方向区域搜索，分别记为区域
Figure DEST_PATH_IMAGE033
、
Figure 468854DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE035
、
Figure 675711DEST_PATH_IMAGE036
，限定上、下、左、右任一方向搜索距离为
Figure DEST_PATH_IMAGE037
像素，通常设
Figure 774117DEST_PATH_IMAGE037
为25，分割图
Figure 462587DEST_PATH_IMAGE016
宽、高分别记为
Figure 147909DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE039
；
（2.1）选取任一方向进行区域搜索，区域行坐标遍历范围
Figure 642344DEST_PATH_IMAGE040
，列坐标遍历范围
Figure DEST_PATH_IMAGE041
，其中，
Figure 421688DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE043
Figure 281060DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
若
Figure 14529DEST_PATH_IMAGE046
，则
Figure DEST_PATH_IMAGE047
，若
Figure 548541DEST_PATH_IMAGE048
，则
Figure DEST_PATH_IMAGE049
，若
Figure 621539DEST_PATH_IMAGE050
，则
Figure DEST_PATH_IMAGE051
，
Figure 218524DEST_PATH_IMAGE052
，则
Figure DEST_PATH_IMAGE053
。
（2.2）上、下搜索时，设
Figure 376972DEST_PATH_IMAGE054
记录搜索到的左边列坐标最小值，
Figure DEST_PATH_IMAGE055
记录右边列坐标最大值，其中
Figure 213210DEST_PATH_IMAGE054
初始值设为
Figure 907759DEST_PATH_IMAGE056
，
Figure 108933DEST_PATH_IMAGE055
初始值设为
Figure DEST_PATH_IMAGE057
；对分割图
Figure 489099DEST_PATH_IMAGE016
从上至下逐行遍历，当前行
Figure 66711DEST_PATH_IMAGE058
从左至右搜索非0像素，一旦搜索到，记录左边坐标为
Figure DEST_PATH_IMAGE059
，同时从右至左搜索非0像素，一旦搜索到，记录右边坐标为
Figure 675153DEST_PATH_IMAGE060
，当满足条件
Figure DEST_PATH_IMAGE061
时，若
Figure 109546DEST_PATH_IMAGE062
，则
Figure DEST_PATH_IMAGE063
，若
Figure 478473DEST_PATH_IMAGE064
，则
Figure DEST_PATH_IMAGE065
；继续遍历
Figure 656513DEST_PATH_IMAGE066
行，重复当前操作，直至遍历完所有行；
（2.3）左、右搜索时，设
Figure DEST_PATH_IMAGE067
记录搜索到的上边行坐标最小值，
Figure 558610DEST_PATH_IMAGE068
记录下边行坐标最大值，其中
Figure 594262DEST_PATH_IMAGE067
初始值设为
Figure DEST_PATH_IMAGE069
，
Figure 276917DEST_PATH_IMAGE068
初始值设为
Figure 930752DEST_PATH_IMAGE070
；对分割图
Figure 454399DEST_PATH_IMAGE016
从左至右逐列遍历，当前列
Figure DEST_PATH_IMAGE071
从上至下搜索非0像素，一旦搜索到，记录上边坐标为
Figure 230594DEST_PATH_IMAGE072
，同时从下至上搜索非0像素，一旦搜索到，记录下边坐标为
Figure DEST_PATH_IMAGE073
，当满足条件
Figure 633500DEST_PATH_IMAGE074
时，若
Figure DEST_PATH_IMAGE075
，则
Figure 153343DEST_PATH_IMAGE076
，若
Figure DEST_PATH_IMAGE077
，则
Figure 593814DEST_PATH_IMAGE078
；继续遍历
Figure DEST_PATH_IMAGE079
列，重复当前操作，直至遍历完所有列；
（3）上述四个方向搜索结束后，基于分割图
Figure 540911DEST_PATH_IMAGE016
截取四个方向的限定区域
Figure 870261DEST_PATH_IMAGE080
、
Figure DEST_PATH_IMAGE081
、
Figure 698189DEST_PATH_IMAGE082
、
Figure DEST_PATH_IMAGE083
，任一区域左上角坐标
Figure 429385DEST_PATH_IMAGE084
，宽度为
Figure DEST_PATH_IMAGE085
，高度为
Figure 48847DEST_PATH_IMAGE086
Figure DEST_PATH_IMAGE087
，
Figure 927810DEST_PATH_IMAGE088
Figure DEST_PATH_IMAGE089
，
Figure 553571DEST_PATH_IMAGE090
四个方向对应截取不同的限定区域
Figure DEST_PATH_IMAGE091
，
Figure 201590DEST_PATH_IMAGE091
左上角坐标
Figure 365855DEST_PATH_IMAGE092
以及宽
Figure DEST_PATH_IMAGE093
、高
Figure 233579DEST_PATH_IMAGE094
如下：
Figure DEST_PATH_IMAGE095
，
Figure 898915DEST_PATH_IMAGE096
Figure DEST_PATH_IMAGE097
，
Figure 917554DEST_PATH_IMAGE098
（4）提取上、下任一限定区域
Figure 580617DEST_PATH_IMAGE080
、
Figure 106276DEST_PATH_IMAGE081
与
Figure 512986DEST_PATH_IMAGE091
最左边及最右边指定距离
Figure DEST_PATH_IMAGE099
、
Figure 309166DEST_PATH_IMAGE100
像素区域内边缘像素坐标点，使用RANSAC算法分别拟合左、右两边曲线，连接
Figure 143130DEST_PATH_IMAGE029
与
Figure 156086DEST_PATH_IMAGE033
、
Figure 100908DEST_PATH_IMAGE034
任一断开区域左边及右边部分，同样，提取左、右任一限定区域
Figure 14244DEST_PATH_IMAGE082
、
Figure 19109DEST_PATH_IMAGE083
与
Figure 519360DEST_PATH_IMAGE091
最上边及最下边指定距离
Figure DEST_PATH_IMAGE101
、
Figure 267874DEST_PATH_IMAGE102
像素区域内边缘像素坐标点，使用RANSAC算法分别拟合上、下两边曲线，连接
Figure 38646DEST_PATH_IMAGE029
与
Figure 214412DEST_PATH_IMAGE035
、
Figure 201960DEST_PATH_IMAGE036
任一断开区域上边及下边部分，实现渗漏水邻近断开轮廓的连接；
（5）对连接的渗漏水轮廓进行形态学闭运算处理平滑边缘。
本发明的有益效果在于：
（1）本发明基于深度目标检测网络，依据其强大的特征提取功能，对渗漏水区域提取丰富且多尺度深层特征，解决基于图像的像素长度、宽度、灰度传统特征检测方法的缺陷，提高了渗漏水区域检测的准确度，剔除污渍、线缆、衬砌修补、阴影的干扰；
（2）本发明基于融合可变形卷积以及Focal Loss损失函数的deeplabv3+网络，可以捕捉渗漏水这类非刚性目标的多尺度、多形态特征，以及平衡正负样本数量，增强模型的学习能力和自适应能力，使不同大小、颜色、形状的渗漏水区域均能进行很好的分割；
（3）本发明采用后处理方向区域搜索算法，进一步实现邻近断开轮廓的连接，以及对渗漏水分割边缘的平滑优化，弥补以往分割方法出现欠分割或过分割的不足，获得完整且精准的渗漏水分割区域。
附图说明
图1为本发明中渗漏水识别方法流程图；
图2为本发明中deeplabv3+深度神经网络框架图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
根据图1，本发明提供一种基于深度学习的隧道渗漏水自动识别方法，对采集的渗漏水图像进行标注构建训练数据集，分别训练渗漏水检测和分割模型进行预测，若基于retinanet网络模型检测到渗漏水区域，则进一步采用deeplabv3+网络模型对检测到的渗漏水区域进行分割，且对分割轮廓进行后处理操作，获取最终渗漏水识别结果。
本发明包括以下步骤S1～S5：
S1、依据渗漏水图像灰度多样性特征对采集的原始图像进行分割标注，构建渗漏水分割数据集，记为
Figure 488585DEST_PATH_IMAGE001
；
S2、对标注获得的分割标签图扩充区域进行原图裁剪以及区域检测标注，构建渗漏水检测数据集，记为
Figure 382372DEST_PATH_IMAGE002
；
S3、基于retinanet检测网络进行模型训练及预测，对渗漏水区域进行检测筛查，剔除污渍、线缆、衬砌修补、阴影；
S4、基于融合可变形卷积以及Focal Loss损失函数的deeplabv3+网络训练分割模型，对检测到的渗漏水进行区域分割；
S5、采用方向区域搜索算法及形态学处理实现渗漏水邻近断开轮廓的连接和平滑优化。
进一步，所述步骤S1中，渗漏水图像灰度多样性特征是指喷射、涌流造成的暗黑色区域和滴漏、浸渗结构腐蚀造成的白色结晶物区域，构建包含6552张图像的渗漏水分割数据集，选用labelme软件进行标注，标注所需的标签分别命名为“shenshui1”、“shenshui2”，渗漏水标注区域大于50x50像素，原始图像记为
Figure 401144DEST_PATH_IMAGE003
，宽高分别记为
Figure DEST_PATH_IMAGE103
，
Figure 938304DEST_PATH_IMAGE104
。
进一步，所述步骤S2中，原图裁剪是以渗漏水轮廓最小外接矩形为中心，裁剪区域扩充为
Figure 28620DEST_PATH_IMAGE006
像素，裁剪区域左上角坐标(
Figure 773984DEST_PATH_IMAGE007
,
Figure 291553DEST_PATH_IMAGE008
)具体计算如下：
Figure 988114DEST_PATH_IMAGE009
其中，裁剪区域宽高分别为
Figure DEST_PATH_IMAGE105
，
Figure 616541DEST_PATH_IMAGE106
，渗漏水轮廓最小外接矩形左上角坐标点(
Figure 479062DEST_PATH_IMAGE012
,
Figure 167532DEST_PATH_IMAGE013
)，
Figure 351389DEST_PATH_IMAGE014
表示矩形的宽度，
Figure 783507DEST_PATH_IMAGE015
表示矩形的高度。构建包含3608张图像的渗漏水检测数据集，选用labelimg软件进行渗漏水检测标注，标注所需的标签分别命名为“shenshui1”、“shenshui2”。
再进一步，所述步骤S4中，参照图2，融合可变形卷积以及Focal Loss损失函数的deeplabv3+网络训练分割模型，对检测到的渗漏水区域进行分割，获得的分割图记为
Figure 503464DEST_PATH_IMAGE016
：
（1）deeplabv3+网络采用可变形卷积提取渗漏水非刚性目标特征，可变形卷积公式如下：
Figure 362835DEST_PATH_IMAGE017
其中，
Figure 33988DEST_PATH_IMAGE018
表示输出特征图，
Figure 941901DEST_PATH_IMAGE019
表示权重，
Figure 14899DEST_PATH_IMAGE020
表示输入特征图，
Figure 537848DEST_PATH_IMAGE021
为特征图
Figure 696297DEST_PATH_IMAGE018
上的某一点，
Figure 470218DEST_PATH_IMAGE022
表示标准采样点，
Figure DEST_PATH_IMAGE107
为需要增加的位置偏移。
（2）网络使用Focal Loss损失函数计算预测标签与实际标签的预测误差，公式为：
Figure 961504DEST_PATH_IMAGE024
其中，
Figure 100362DEST_PATH_IMAGE025
表示标签的预测概率，
Figure 746107DEST_PATH_IMAGE026
和
Figure 323719DEST_PATH_IMAGE027
是超参数，设
Figure 105730DEST_PATH_IMAGE108
，
Figure 976340DEST_PATH_IMAGE028
表示权重。网络每批次训练随机选取的图像数目为2，初始学习率为0.001，最大迭代次数设置为300000次。
再进一步，所述步骤S5中，采用方向区域搜索算法，具体操作如下：
（1）当前渗漏水轮廓区域
Figure 109381DEST_PATH_IMAGE029
查找最小外接矩形
Figure 225105DEST_PATH_IMAGE030
，矩形
Figure 127202DEST_PATH_IMAGE030
左上角坐标点为
Figure 607862DEST_PATH_IMAGE031
、右下角坐标点为
Figure 729664DEST_PATH_IMAGE032
；
渗漏水轮廓区域和最小外接矩形查找函数如下：
findContours(ImgPoint, contours, RETR_EXTERNAL, CV_CHAIN_APPROX_NONE)
Rect rect = boundingRect(contours[c])
（2）对渗漏水轮廓区域
Figure 383499DEST_PATH_IMAGE029
分别进行上、下、左、右四方向区域搜索，分别记为区域
Figure 77786DEST_PATH_IMAGE033
、
Figure 57243DEST_PATH_IMAGE034
、
Figure 899297DEST_PATH_IMAGE035
、
Figure 861218DEST_PATH_IMAGE036
，限定上、下、左、右任一方向搜索距离为
Figure 737907DEST_PATH_IMAGE037
像素，通常设
Figure 560369DEST_PATH_IMAGE037
为25，分割图
Figure 889720DEST_PATH_IMAGE016
宽、高分别记为
Figure 150937DEST_PATH_IMAGE038
、
Figure 819815DEST_PATH_IMAGE039
；
（2.1）选取任一方向进行区域搜索，区域行坐标遍历范围
Figure 376961DEST_PATH_IMAGE040
，列坐标遍历范围
Figure 193607DEST_PATH_IMAGE041
，其中，
Figure 930619DEST_PATH_IMAGE042
，
Figure 516321DEST_PATH_IMAGE043
Figure 8482DEST_PATH_IMAGE044
，
Figure 810960DEST_PATH_IMAGE045
若
Figure 86083DEST_PATH_IMAGE046
，则
Figure 791871DEST_PATH_IMAGE047
，若
Figure 189355DEST_PATH_IMAGE048
，则
Figure 918276DEST_PATH_IMAGE049
，若
Figure 59407DEST_PATH_IMAGE050
，则
Figure 121167DEST_PATH_IMAGE051
，
Figure 892814DEST_PATH_IMAGE052
，则
Figure 905769DEST_PATH_IMAGE053
。
（2.2）上、下搜索时，设
Figure 850591DEST_PATH_IMAGE054
记录搜索到的左边列坐标最小值，
Figure 265392DEST_PATH_IMAGE055
记录右边列坐标最大值，其中
Figure 207940DEST_PATH_IMAGE054
初始值设为
Figure 224305DEST_PATH_IMAGE056
，
Figure 707239DEST_PATH_IMAGE055
初始值设为
Figure 179809DEST_PATH_IMAGE057
；对分割图
Figure 355575DEST_PATH_IMAGE016
从上至下逐行遍历，当前行
Figure 343123DEST_PATH_IMAGE058
从左至右搜索非0像素，一旦搜索到，记录左边坐标为
Figure 131212DEST_PATH_IMAGE059
，同时从右至左搜索非0像素，一旦搜索到，记录右边坐标为
Figure 192709DEST_PATH_IMAGE060
，当满足条件
Figure 539377DEST_PATH_IMAGE061
时，若
Figure 14221DEST_PATH_IMAGE062
，则
Figure 42219DEST_PATH_IMAGE063
，若
Figure 286119DEST_PATH_IMAGE064
，则
Figure 98961DEST_PATH_IMAGE065
；继续遍历
Figure 998784DEST_PATH_IMAGE066
行，重复当前操作，直至遍历完所有行；
（2.3）左、右搜索时，设
Figure 627211DEST_PATH_IMAGE067
记录搜索到的上边行坐标最小值，
Figure 991196DEST_PATH_IMAGE068
记录下边行坐标最大值，其中
Figure 351771DEST_PATH_IMAGE067
初始值设为
Figure 302671DEST_PATH_IMAGE069
，
Figure 734790DEST_PATH_IMAGE068
初始值设为
Figure 687702DEST_PATH_IMAGE070
；对分割图
Figure 547074DEST_PATH_IMAGE016
从左至右逐列遍历，当前列
Figure 155910DEST_PATH_IMAGE071
从上至下搜索非0像素，一旦搜索到，记录上边坐标为
Figure 896113DEST_PATH_IMAGE072
，同时从下至上搜索非0像素，一旦搜索到，记录下边坐标为
Figure 969112DEST_PATH_IMAGE073
，当满足条件
Figure 999385DEST_PATH_IMAGE074
时，若
Figure 157833DEST_PATH_IMAGE075
，则
Figure 869437DEST_PATH_IMAGE076
，若
Figure 298407DEST_PATH_IMAGE077
，则
Figure 499581DEST_PATH_IMAGE078
；继续遍历
Figure 83009DEST_PATH_IMAGE079
列，重复当前操作，直至遍历完所有列；
（3）上述四个方向搜索结束后，基于分割图
Figure 395042DEST_PATH_IMAGE016
截取四个方向的限定区域
Figure 442632DEST_PATH_IMAGE080
、
Figure 313243DEST_PATH_IMAGE081
、
Figure 383967DEST_PATH_IMAGE082
、
Figure 499691DEST_PATH_IMAGE083
，任一区域左上角坐标
Figure 401788DEST_PATH_IMAGE084
，宽度为
Figure 882448DEST_PATH_IMAGE085
，高度为
Figure 237206DEST_PATH_IMAGE086
Figure 658085DEST_PATH_IMAGE087
，
Figure 352371DEST_PATH_IMAGE088
Figure 66249DEST_PATH_IMAGE089
，
Figure 173883DEST_PATH_IMAGE090
四个方向对应截取不同的限定区域
Figure 569092DEST_PATH_IMAGE091
，
Figure 180202DEST_PATH_IMAGE091
左上角坐标
Figure 823236DEST_PATH_IMAGE092
以及宽
Figure 152587DEST_PATH_IMAGE093
、高
Figure 413804DEST_PATH_IMAGE094
如下：
Figure 879420DEST_PATH_IMAGE095
，
Figure 702145DEST_PATH_IMAGE096
Figure 518791DEST_PATH_IMAGE097
，
Figure 255803DEST_PATH_IMAGE098
（4）提取上、下任一限定区域
Figure 841505DEST_PATH_IMAGE080
、
Figure 333666DEST_PATH_IMAGE081
与
Figure 870565DEST_PATH_IMAGE091
最左边及最右边指定距离
Figure 411267DEST_PATH_IMAGE099
、
Figure 117055DEST_PATH_IMAGE100
像素区域内边缘像素坐标点，使用RANSAC算法分别拟合左、右两边曲线，连接
Figure 514538DEST_PATH_IMAGE029
与
Figure 243460DEST_PATH_IMAGE033
、
Figure 384591DEST_PATH_IMAGE034
任一断开区域左边及右边部分，同样，提取左、右任一限定区域
Figure 446351DEST_PATH_IMAGE082
、
Figure 952418DEST_PATH_IMAGE083
与
Figure 230953DEST_PATH_IMAGE091
最上边及最下边指定距离
Figure 175775DEST_PATH_IMAGE101
、
Figure 528259DEST_PATH_IMAGE102
像素区域内边缘像素坐标点，使用RANSAC算法分别拟合上、下两边曲线，连接
Figure 533124DEST_PATH_IMAGE029
与
Figure 537770DEST_PATH_IMAGE035
、
Figure 20704DEST_PATH_IMAGE036
任一断开区域上边及下边部分，实现渗漏水邻近断开轮廓的连接；
（5）对连接的渗漏水轮廓进行形态学闭运算处理平滑边缘。
形态学闭运算函数如下：
morphologyEx(image, result, cv::MORPH_CLOSE, element, cv::Point(-1, -1), 2)
以上为本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由本发明的权利要求书所要求的保护范围内。

Claims (5)

1.一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，包括以下步骤：
S1、依据渗漏水图像灰度多样性特征对采集的原始图像进行分割标注，构建渗漏水分割数据集，记为
Figure DEST_PATH_IMAGE002
；
S2、对标注获得的分割标签图扩充区域进行原图裁剪以及区域检测标注，构建渗漏水检测数据集，记为
Figure DEST_PATH_IMAGE004
；
S3、基于retinanet检测网络进行模型训练及预测，对渗漏水区域进行检测筛查，剔除污渍、线缆、衬砌修补、阴影；
S4、基于融合可变形卷积以及Focal Loss损失函数的deeplabv3+网络训练分割模型，对检测到的渗漏水进行区域分割；
S5、采用方向区域搜索算法及形态学处理实现渗漏水邻近断开轮廓的连接和平滑优化。
2.根据权利要求1所述的一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，所述步骤S1中，渗漏水图像灰度多样性特征是指喷射、涌流造成的暗黑色区域和滴漏、浸渗结构腐蚀造成的白色结晶物区域，标注时给与不同标签，渗漏水标注区域大于50x50像素，原始图像记为
Figure DEST_PATH_IMAGE006
，宽高分别记为
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE010
。
3.根据权利要求1所述的一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，所述步骤S2中，原图裁剪是以渗漏水轮廓最小外接矩形为中心，裁剪区域扩充为
Figure DEST_PATH_IMAGE012
像素，裁剪区域左上角坐标(
Figure DEST_PATH_IMAGE014
,
Figure DEST_PATH_IMAGE016
)具体计算如下：
Figure DEST_PATH_IMAGE018
其中，裁剪区域宽高分别为
Figure DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE022
，渗漏水轮廓最小外接矩形左上角坐标点(
Figure DEST_PATH_IMAGE024
,
Figure DEST_PATH_IMAGE026
)，
Figure DEST_PATH_IMAGE028
表示矩形的宽度，
Figure DEST_PATH_IMAGE030
表示矩形的高度。
4.根据权利要求1所述的一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，所述步骤S4中，融合可变形卷积以及Focal Loss损失函数的deeplabv3+网络训练分割模型，对检测到的渗漏水区域进行分割，获得的分割图记为
Figure DEST_PATH_IMAGE032
：
（1）deeplabv3+网络采用可变形卷积提取渗漏水非刚性目标特征，可变形卷积公式如下：
Figure DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE036
表示输出特征图，
Figure DEST_PATH_IMAGE038
表示权重，
Figure DEST_PATH_IMAGE040
表示输入特征图，
Figure DEST_PATH_IMAGE042
为特征图
Figure 553707DEST_PATH_IMAGE036
上的某一点，
Figure DEST_PATH_IMAGE044
表示标准采样点，
Figure DEST_PATH_IMAGE046
为需要增加的位置偏移；
（2）网络使用Focal Loss损失函数计算预测标签与实际标签的预测误差，公式为：
Figure DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE050
表示标签的预测概率，
Figure DEST_PATH_IMAGE052
和
Figure DEST_PATH_IMAGE054
是超参数，
Figure DEST_PATH_IMAGE056
表示权重。
5.根据权利要求1所述的一种基于深度学习的隧道渗漏水自动识别方法，其特征在于，所述步骤S5中采用方向区域搜索算法，具体操作如下：
（1）当前渗漏水轮廓区域
Figure DEST_PATH_IMAGE058
查找最小外接矩形
Figure DEST_PATH_IMAGE060
，矩形
Figure 912925DEST_PATH_IMAGE060
左上角坐标点为
Figure DEST_PATH_IMAGE062
、右下角坐标点为
Figure DEST_PATH_IMAGE064
；
（2）对渗漏水轮廓区域
Figure 817296DEST_PATH_IMAGE058
分别进行上、下、左、右四方向区域搜索，分别记为区域
Figure DEST_PATH_IMAGE066
、
Figure DEST_PATH_IMAGE068
、
Figure DEST_PATH_IMAGE070
、
Figure DEST_PATH_IMAGE072
，限定上、下、左、右任一方向搜索距离为
Figure DEST_PATH_IMAGE074
像素，分割图
Figure 711041DEST_PATH_IMAGE032
宽、高分别记为
Figure DEST_PATH_IMAGE076
、
Figure DEST_PATH_IMAGE078
；
（2.1）选取任一方向进行区域搜索，区域行坐标遍历范围
Figure DEST_PATH_IMAGE080
，列坐标遍历范围
Figure DEST_PATH_IMAGE082
，其中，
Figure DEST_PATH_IMAGE084
，
Figure DEST_PATH_IMAGE086
Figure DEST_PATH_IMAGE088
，
Figure DEST_PATH_IMAGE090
若
Figure DEST_PATH_IMAGE092
，则
Figure DEST_PATH_IMAGE094
，若
Figure DEST_PATH_IMAGE096
，则
Figure DEST_PATH_IMAGE098
，若
Figure DEST_PATH_IMAGE100
，则
Figure DEST_PATH_IMAGE102
，
Figure DEST_PATH_IMAGE104
，则
Figure DEST_PATH_IMAGE106
；
（2.2）上、下搜索时，设
Figure DEST_PATH_IMAGE108
记录搜索到的左边列坐标最小值，
Figure DEST_PATH_IMAGE110
记录右边列坐标最大值，其中
Figure 228477DEST_PATH_IMAGE108
初始值设为
Figure DEST_PATH_IMAGE112
，
Figure 175573DEST_PATH_IMAGE110
初始值设为
Figure DEST_PATH_IMAGE114
；对分割图
Figure 380290DEST_PATH_IMAGE032
从上至下逐行遍历，当前行
Figure DEST_PATH_IMAGE116
从左至右搜索非0像素，一旦搜索到，记录左边坐标为
Figure DEST_PATH_IMAGE118
，同时从右至左搜索非0像素，一旦搜索到，记录右边坐标为
Figure DEST_PATH_IMAGE120
，当满足条件
Figure DEST_PATH_IMAGE122
时，若
Figure DEST_PATH_IMAGE124
，则
Figure DEST_PATH_IMAGE126
，若
Figure DEST_PATH_IMAGE128
，则
Figure DEST_PATH_IMAGE130
；继续遍历
Figure DEST_PATH_IMAGE132
行，重复当前操作，直至遍历完所有行；
（2.3）左、右搜索时，设
Figure DEST_PATH_IMAGE134
记录搜索到的上边行坐标最小值，
Figure DEST_PATH_IMAGE136
记录下边行坐标最大值，其中
Figure 706753DEST_PATH_IMAGE134
初始值设为
Figure DEST_PATH_IMAGE138
，
Figure 562583DEST_PATH_IMAGE136
初始值设为
Figure DEST_PATH_IMAGE140
；对分割图
Figure 182045DEST_PATH_IMAGE032
从左至右逐列遍历，当前列
Figure DEST_PATH_IMAGE142
从上至下搜索非0像素，一旦搜索到，记录上边坐标为
Figure DEST_PATH_IMAGE144
，同时从下至上搜索非0像素，一旦搜索到，记录下边坐标为
Figure DEST_PATH_IMAGE146
，当满足条件
Figure DEST_PATH_IMAGE148
时，若
Figure DEST_PATH_IMAGE150
，则
Figure DEST_PATH_IMAGE152
，若
Figure DEST_PATH_IMAGE154
，则
Figure DEST_PATH_IMAGE156
；继续遍历
Figure DEST_PATH_IMAGE158
列，重复当前操作，直至遍历完所有列；
（3）上述四个方向搜索结束后，基于分割图
Figure 429050DEST_PATH_IMAGE032
截取四个方向的限定区域
Figure DEST_PATH_IMAGE160
、
Figure DEST_PATH_IMAGE162
、
Figure DEST_PATH_IMAGE164
、
Figure DEST_PATH_IMAGE166
，任一区域左上角坐标
Figure DEST_PATH_IMAGE168
，宽度为
Figure DEST_PATH_IMAGE170
，高度为
Figure DEST_PATH_IMAGE172
Figure DEST_PATH_IMAGE174
，
Figure DEST_PATH_IMAGE176
Figure DEST_PATH_IMAGE178
，
Figure DEST_PATH_IMAGE180
四个方向对应截取不同的限定区域
Figure DEST_PATH_IMAGE182
，
Figure 418259DEST_PATH_IMAGE182
左上角坐标
Figure DEST_PATH_IMAGE184
以及宽
Figure DEST_PATH_IMAGE186
、高
Figure DEST_PATH_IMAGE188
如下：
Figure DEST_PATH_IMAGE190
，
Figure DEST_PATH_IMAGE192
Figure DEST_PATH_IMAGE194
，
Figure DEST_PATH_IMAGE196
（4）提取上、下任一限定区域
Figure 817011DEST_PATH_IMAGE160
、
Figure 184538DEST_PATH_IMAGE162
与
Figure 111650DEST_PATH_IMAGE182
最左边及最右边指定距离
Figure DEST_PATH_IMAGE198
、
Figure DEST_PATH_IMAGE200
像素区域内边缘像素坐标点，使用RANSAC算法分别拟合左、右两边曲线，连接
Figure 449090DEST_PATH_IMAGE058
与
Figure 780976DEST_PATH_IMAGE066
、
Figure 116143DEST_PATH_IMAGE068
任一断开区域左边及右边部分，同样，提取左、右任一限定区域
Figure 782748DEST_PATH_IMAGE164
、
Figure 48513DEST_PATH_IMAGE166
与
Figure 484173DEST_PATH_IMAGE182
最上边及最下边指定距离
Figure DEST_PATH_IMAGE202
、
Figure DEST_PATH_IMAGE204
像素区域内边缘像素坐标点，使用RANSAC算法分别拟合上、下两边曲线，连接
Figure 83518DEST_PATH_IMAGE058
与
Figure 971839DEST_PATH_IMAGE070
、
Figure 542760DEST_PATH_IMAGE072
任一断开区域上边及下边部分，实现渗漏水邻近断开轮廓的连接；
（5）对连接的渗漏水轮廓进行形态学闭运算处理平滑边缘。
CN202110988039.9A 2021-08-26 2021-08-26 一种基于深度学习的隧道渗漏水自动识别方法 Pending CN113610052A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110988039.9A CN113610052A (zh) 2021-08-26 2021-08-26 一种基于深度学习的隧道渗漏水自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110988039.9A CN113610052A (zh) 2021-08-26 2021-08-26 一种基于深度学习的隧道渗漏水自动识别方法

Publications (1)

Publication Number Publication Date
CN113610052A true CN113610052A (zh) 2021-11-05

Family

ID=78342127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110988039.9A Pending CN113610052A (zh) 2021-08-26 2021-08-26 一种基于深度学习的隧道渗漏水自动识别方法

Country Status (1)

Country Link
CN (1) CN113610052A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419421A (zh) * 2022-01-21 2022-04-29 中国地质大学（北京） 一种基于影像的地铁隧道裂缝识别系统及方法
CN116935289A (zh) * 2023-09-13 2023-10-24 长江信达软件技术（武汉）有限责任公司 一种基于视频监控的明渠漫堤检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419421A (zh) * 2022-01-21 2022-04-29 中国地质大学（北京） 一种基于影像的地铁隧道裂缝识别系统及方法
CN116935289A (zh) * 2023-09-13 2023-10-24 长江信达软件技术（武汉）有限责任公司 一种基于视频监控的明渠漫堤检测方法
CN116935289B (zh) * 2023-09-13 2023-12-19 长江信达软件技术（武汉）有限责任公司 一种基于视频监控的明渠漫堤检测方法

Similar Documents

Publication Publication Date Title
CN110084095B (zh) 车道线检测方法、车道线检测装置和计算机存储介质
CN111223088B (zh) 一种基于深层卷积神经网络的铸件表面缺陷识别方法
CN115345885B (zh) 一种金属健身器材外观质量检测方法
CN113658132B (zh) 基于计算机视觉的结构件焊缝检测方法
CN108038883B (zh) 一种应用于公路路面视频图像的裂缝检测及识别方法
CN106960208B (zh) 一种仪表液晶数字自动切分和识别的方法及系统
CN112308826B (zh) 一种基于卷积神经网络的桥梁结构表面缺陷检测方法
CN109685788B (zh) 一种基于形态学特征的楼面缺陷图像自动检测方法
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN110751154B (zh) 一种基于像素级分割的复杂环境多形状文本检测方法
CN113240623B (zh) 一种路面病害检测方法及装置
CN113139528B (zh) 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法
CN113610052A (zh) 一种基于深度学习的隧道渗漏水自动识别方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN111507971A (zh) 一种隧道表面缺陷检测方法
CN112861654B (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN112818952A (zh) 煤岩分界线的识别方法、装置及电子设备
CN112749673A (zh) 一种基于遥感影像智能提取储油罐库存的方法及装置
CN113435452A (zh) 一种基于改进ctpn算法的电气设备铭牌文本检测方法
CN112508913A (zh) 基于图像检测的电缆截面边沿检测方法
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法
Chen et al. Image segmentation based on mathematical morphological operator
CN112330659B (zh) 结合lsd直线检测和连通域标记法的几何公差符号分割方法
Xu et al. Based on improved edge detection algorithm for English text extraction and restoration from color images

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