CN114004004B - 基于深度学习的隧道裂缝变化趋势预测方法、装置及应用 - Google Patents

基于深度学习的隧道裂缝变化趋势预测方法、装置及应用 Download PDF

Info

Publication number
CN114004004B
CN114004004B CN202210000524.5A CN202210000524A CN114004004B CN 114004004 B CN114004004 B CN 114004004B CN 202210000524 A CN202210000524 A CN 202210000524A CN 114004004 B CN114004004 B CN 114004004B
Authority
CN
China
Prior art keywords
crack
region
tunnel
regions
similarity
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
Application number
CN202210000524.5A
Other languages
English (en)
Other versions
CN114004004A (zh
Inventor
李开民
章东平
徐云超
徐志坚
陈斌
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.)
CCI China Co Ltd
Original Assignee
CCI China 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 CCI China Co Ltd filed Critical CCI China Co Ltd
Priority to CN202210000524.5A priority Critical patent/CN114004004B/zh
Publication of CN114004004A publication Critical patent/CN114004004A/zh
Application granted granted Critical
Publication of CN114004004B publication Critical patent/CN114004004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出了一种基于深度学习的隧道裂缝变化趋势预测方法、装置及应用，所述方法包括：获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝；获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则将所述裂缝组内输入经训练后的裂缝变化趋势模型中进行预测，可对隧道裂缝进行检测以及变化趋势预测。

Description

基于深度学习的隧道裂缝变化趋势预测方法、装置及应用
技术领域
本申请涉及深度学习领域，特别是涉及一种基于深度学习的隧道裂缝变化趋势预测方法、装置及应用。
背景技术
近年来，随着科技不断发展和经济水平的不断提高，越来越多的隧道被建造，隧道的规模也不断地扩大。隧道的建设打通了原先无法通行的道路，极大程度地提高了人们的生活质量，但是隧道的安全问题也不容小觑。在实际生活中，由于车辆的震动、天气原因以及自然灾害等问题，隧道墙壁可能出现大大小小的裂缝，绝大部分裂缝是在安全阈值内的，可以不加处理，但有极少部分裂缝可能会引起不必要的危害，因此隧道裂缝的检测极其重要。
传统的隧道裂缝检测是由人工去检测的，而隧道一般长度较长且隧道内车辆的行驶速度较大，隧道内驾驶员的视线不佳，进而导致人工检测容易耗费巨大的人力和时间，并且人工对裂缝的判断也有主观性，例如经验少的人和经验丰富的人判断裂缝的损害程度是不一样的，并且人工检测还会偶然性。现有技术也存在利用深度学习技术对隧道裂缝进行检测的检测模型和算法，但是其无法很好地区分相邻区域的隧道裂缝，也无法对隧道裂缝的变化区域进行预测。
发明内容
本申请实施例提供了一种基于深度学习的隧道裂缝变化趋势预测方法、装置及应用，旨在利用深度学习、机器视觉、图像处理等技术对隧道裂缝进行高效率检测，并可通过多次检测的裂缝数据对隧道裂缝未来趋势进行预测，减轻检测任务的负担，提高检测的准确性。
第一方面，本申请实施例提供了一种基于深度学习的隧道裂缝变化趋势预测方法，所述方法包括：获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝；获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则获取所述裂缝组内每一裂缝的裂缝特征信息及对应的获取时间点并组成测试特征向量集合，将所述测试特征向量集合输入经训练后的裂缝变化趋势模型中得到预测值，若预测值大于设定的安全趋势阈值，则所述裂缝组对应的裂缝未来趋势不安全，其中所述经训练后的裂缝变化趋势模型通过调整裂缝变化趋势模型中的σ层、tanh层的参数以及神经模块的数量反复迭代至误差最小获得。
第二方面，本申请实施例提供了一种基于深度学习的隧道裂缝变化趋势预测装置，包括：裂缝获取单元，用于获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝；获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；相似度比对单元，用于比对所述第一裂缝和所述第二裂缝，若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；变化比对单元，用于比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则获取所述裂缝组内每一裂缝的裂缝特征信息及对应的获取时间点并组成测试特征向量集合，将所述测试特征向量集合输入经训练后的裂缝变化趋势模型中得到预测值，若预测值大于设定的安全趋势阈值，则所述裂缝组对应的裂缝未来趋势不安全，其中所述经训练后的裂缝变化趋势模型通过调整裂缝变化趋势模型中的σ层、tanh层的参数以及神经模块的数量反复迭代至误差最小获得。
第三方面， 本申请实施例提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述的基于深度学习的隧道裂缝变化趋势预测方法。
第四方面，本申请实施例提供了一种计算机程序产品，包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行所述的基于深度学习的隧道裂缝变化趋势预测方法。
第五方面，本申请实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括所述的基于深度学习的隧道裂缝变化趋势预测方法。
本发明的主要贡献和创新点如下：通过裂缝检测模型对隧道裂缝进行检测，且通过裂缝区域的重复筛查来去除重复区域，以提高裂缝识别的准确度；且本方案通过对同一位置的多个裂缝进行分析来预测裂缝变化趋势，本方案通过提前预筛裂缝的方式也可减少后续预测变化趋势的计算量以及提高预测准确度，本方案可适用于不同隧道的裂缝检测以及裂缝变化趋势预测。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的基于深度学习的隧道裂缝变化趋势预测方法的流程图；
图2是根据本申请一实施例的基于深度学习的隧道裂缝变化趋势预测方法的逻辑流程图；
图3是根据本申请一实施例的隧道裂缝检测卷积神经网络的结构图
图4是根据本申请一实施例的隧道裂缝变化趋势预测神经网络的LSTM模型结构图。
图5是根据本申请实施例的一种基于深度学习的隧道裂缝变化趋势预测装置的结构框图；
图6是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请旨在提出一种基于深度学习的隧道裂缝变化趋势预测方法、装置及应用，该基于深度学习的隧道裂缝变化趋势预测方法利用深度学习方法对隧道的裂缝进行精准的预测，同时利用多个裂缝预测裂缝变化趋势，可协助管理人员提前预警存在较大风险的隧道裂缝，通过提早预防的手段提高隧道的行驶安全性。
本申请实施例提供了一种基于深度学习的隧道裂缝变化趋势预测方法，具体地，参考图1，所述方法包括：
获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝；获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；
若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；
比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则获取所述裂缝组内每一裂缝的裂缝特征信息及对应的获取时间点，组成测试特征向量集合，将所述测试特征向量集合输入经训练后的裂缝变化趋势模型中得到预测值，若预测值大于设定的安全趋势阈值，则所述裂缝组对应的裂缝未来趋势不安全，其中所述经训练后的裂缝变化趋势模型通过调整裂缝变化趋势模型中的σ层、tanh层的参数以及神经模块的数量反复迭代至误差最小获得。
在一些实施例中，所述裂缝变化趋势模型的结构如图4所示。所述裂缝变化趋势模型可采用LSTM模型。LSTM模型的结构与RNN模型类型，不同之处在于LSTM模型中重复单元具有不同的结构，可以凭借神经元对长时间跨度的时间序列保持良好的记忆，LSTM模型网络中增加了遗忘门、输入门、输出门。LSTM模型向前传播时遗忘门用来确定需要丢弃哪些信息，输入门确定更新哪些信息到单元中，最后输出门决定输出哪些信息。每个门都是一个单层神经网络，其参数通过模型训练学习确定，这些参数表示了遗忘、输入或输出的执行程度。
所述裂缝变化趋势模型的训练方法如下：
训练样本的选取；选择同一隧道的同一位置的不同时间点的多个裂缝图像，提取每个裂缝图像中裂缝特征信息，将多个裂缝图像的所述裂缝特征信息和对应的时间点构成训练特征向量集合，作为训练样本；
所述训练样本输入裂缝变化趋势模型中，训练裂缝变化趋势模型中的σ层、tanh层的参数以及神经模块的数量，反复迭代至误差最小。
也就是说，所述裂缝变化趋势模型通过多个标记的裂缝图像的训练特征向量集合训练得到，每个训练特征向量集合为裂缝图像的裂缝特征信息和对应的时间点组成。
在本方案的实施例中，安全趋势阈值根据实际需求被设定。
所述裂缝的裂缝特征信息包括；裂缝的像素面积、最小宽度、最大宽度、最小外接矩形的长宽比、最小外界矩形面积与像素面积的比值。值得一提的是，训练裂缝变化趋势模型时获取的裂缝特征信息同于测试时获取的裂缝特征信息。
在“比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值”步骤中，获取所述第一裂缝并进行边缘检测得到仅含有第一裂缝像素点的第一二值化图，获取所述第二裂缝并进行边缘检测得到仅含有第二裂缝像素点的第二二值化图，比对所述第一二值化图和所述第二二值化图的像素点面积。
值得一提的是，当所述第一裂缝和所述第二裂缝的变化值大于设定的安全变化阈值，则直接提示维修人员进行人工维护。仅当所述变化值在所述安全变化阈值之内时，将所述裂缝组输入裂缝变化趋势模型中进行趋势判断。这样做的好处在于：当所述裂缝组内的裂缝的变化值已经大于安全变化阈值时，则代表此时该阈值是亟待维修的，而变化值小于安全变化阈值时还需要进行进一步判断是否未来会有安全，可在减少模型计算量的基础上保证不漏检。
另外，在“比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值”步骤中，至少比对前后两获取时间的所述第二裂缝和/或所述第一裂缝，优选地，比对所述裂缝组内最后获取时间点及相邻时间点的裂缝的变化值。即，在一些情况下可不需要检测所有的裂缝组也可判断裂缝的变化值。
在“若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值”步骤中，获取所述第一裂缝的第一裂缝特征向量，以及所述第二裂缝的第二裂缝特征向量，比对所述第一裂缝特征向量以及所述第二裂缝特征向量的夹角余弦值作为相似度。本方案通过相似度的比对可将裂缝检测模型误检的裂缝进行去除，以减少后续裂缝变化趋势的计算量且提高预测精准度。
在“获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝；获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝”步骤中，本方案通过裂缝检测模型进行裂缝的检测。具体的，将含有所述隧道的裂缝的视频图像输入裂缝检测模型中进行检测，得到所述第一裂缝区域或第二裂缝区域。
在一些实施例中，受限于隧道测试的环境限制，本方案通过在测试车辆的顶部安设摄像头来实时记录隧道天花板墙壁画面，所述隧道天花板墙壁画面作为视频画面属于裂缝检测模型中进行检测。本方案优选隧道天花板墙壁画面作为视频画面是考虑到隧道的裂缝多发于天花板所在位置，且天花板位置的裂缝也是最致命的。
所述裂缝检测模型的结构图如图3所示，所述裂缝检测模型的网路结构包括依次连接的输入层、卷积层、池化层以及输出层，卷积层和池化层重复堆叠构成深度卷积神经网络，全连接层的每个神经元和前一层的所有神经元连接以整合卷积层提取的局部特征。
具体的，本方案提供的裂缝检测模型包括24个卷积层、4个池化层以及2个全连接层，其中池化层采用最大池化法则，四个池化层的池化窗口大小均为2×2，步长为2。
所述裂缝检测模型的训练方法如下：
获取拍摄有隧道裂缝的视频图像，标注视频图像中裂缝的位置信息，对视频图像进行数量增强，得到训练样本。
在一些实施例中，可对视频图像利用缩放、平移、翻转、旋转等操作来增加数据量。同时还可截图视频图像中裂缝图像，将裂缝图像黏贴在隧道墙壁上来增加数据量。
将训练样本输入上面所述的裂缝检测模型网络架构中进行训练，在训练过程中首先将训练样本缩放到固定尺寸的图像作为输入图像，将所述输入图像划分7*7个栅格，每个栅格负责检测中心落在栅格区域内的物体，每个栅格预测边界框，获取预测边界框的预测值并通过非极大值抑制算法从输出结果中提取最有可能的对象和其对应的边界框。
对网络参数赋初始化数值，设置网络的最大迭代次数m；将准备好的数据集输入网络，进行训练。如果loss值一直下降，则继续训练，直到迭代m次后，得到最终的模型；如果loss值在中途趋于稳定，则停止迭代，得到最终的模型。
具体的，在“将含有裂缝的视频图像输入裂缝检测模型中进行检测，得到所述第一裂缝区域或第二裂缝区域”步骤中，将含有所述隧道的裂缝的视频图像输入裂缝检测模型中进行检测，输出边框及边框内裂缝的置信度，若置信度大于设定值则确定为第一裂缝区域或第二裂缝区域。
而同一隧道内往往有多处裂缝，为了更好地区分不同位置的第一裂缝，本方案可对不同裂缝区域进行编号，将检测到的不同位置的所述第一裂缝归类于不同裂缝区域。同一裂缝区域内设有一个裂缝或者多个裂缝。另外，在一些实施例中由于行驶速度及摄像机照射区域大小的原因，可能会出现将同一块裂缝区域进行多次标注，因此需要重复区域进行去重。
在“获取同一隧道内的对应第一时段的至少一第一裂缝区域”步骤中，将对应第一时段的视频图像输入裂缝检测模型中获取所述第一裂缝区域，将距离小于设定距离阈值的两所述第一裂缝区域对应的区域图像二值化并获取每一所述区域图像的裂缝信息，获取两所述第一裂缝区域的时间间隔，以及两所述第一裂缝区域对应的所述裂缝信息的区域相似度，基于所述区域相似度以及所述时间间隔判断重复区域，若为重复区域则剔除其中一个所述第一裂缝区域。
在“获取同一隧道内的对应第二时段的至少一第二裂缝区域”步骤中，将对应第二时段的视频图像输入裂缝检测模型中获取所述第二裂缝区域，将距离小于设定距离阈值的两所述第二裂缝区域对应的区域图像二值化并获取每一所述区域图像的裂缝信息，获取两所述第二裂缝区域的时间间隔，以及两所述第二裂缝区域对应的所述裂缝信息的区域相似度，基于所述区域相似度以及所述时间间隔判断重复区域，若为重复区域则剔除其中一个所述第二裂缝区域。
具体的，距离小于设定距离阈值的两所述第一裂缝区域或第二裂缝区域根据获取时间的前后分为前裂缝区域和后裂缝区域，若所述裂缝区域为重复区域，则剔除所述后裂缝区域。其中距离阈值为人为设定的值。
在“基于所述区域相似度以及所述时间间隔判断重复区域”步骤中，若同时满足所述区域相似度大于裂缝相似度阈值，且所述时间间隔小于时间阈值，则判断为重复区域。
具体的公式如下：
P(S>u)·P(T<Δt)=1
其中S为区域相似度，u是裂缝相似度阈值，T为时间间隔，Δt是时间阈值，P函数内的表达式为真，则输出值为1，反之为0。若上述等式成立，则后一次检测的裂缝区域为重复区域，不需要对后一次检测区域进行相关记录操作。
另外，在“获取每一所述区域图像的裂缝信息”步骤中，获取每一区域图像的连通区域的像素面积、占空比以及长宽比，其中占空比为像素面积与最小外接矩形的比值，剔除像素面积小于设定面积值的连通区域，占空比小于设定占空值的连通区域，以及长宽比均一的连通区域，得到裂缝信息。
也就是说，本方案可以通过连通区域像素面积的大小来将面积小的连通区域给去除掉，并且由于裂缝大部分都不是直线型，因此占空比不会很大，从而可以将占空比和长宽比来去掉非裂缝像素并且不会去除直线裂缝。
值得说明的是，本方案的第一时段不同于第二时段，且在实施过程中可检测多个时刻的隧道裂缝。
在一些实施例中，可对多个隧道进行检测。具体的，在一些实施例中，在首次测量时由检测人员乘载检测车辆在进入待测隧道C i 的入口时记录GPS中的定位数据
Figure DEST_PATH_IMAGE002
并存入隧道数据库D c 中，并开启检测装置驾驶车辆行驶在待测隧道C i 中；行驶中通过车位上方的监控摄像头实时记录下隧道上方墙壁画面，并通过裂缝检测算法实时对视频图像进行分析，并对裂缝区域进行ID编号，例如
Figure DEST_PATH_IMAGE004
，其中
Figure DEST_PATH_IMAGE006
表示的是t时间检测时隧道C i 中的编号为xn的裂缝数据。随后将裂缝数据存入隧道裂缝数据库中。在检测车辆从待测隧道C i 出口驶出时，再一次读取GPS中的定位数据
Figure DEST_PATH_IMAGE008
，并将
Figure DEST_PATH_IMAGE009
和裂缝数据库存入隧道数据库中的中C i 隧道下，后续不同时间t来检测隧道C i 时，当GPS识别到定位数据
Figure DEST_PATH_IMAGE011
或
Figure 725384DEST_PATH_IMAGE009
便自动开启检测车辆中的检测设备对隧道再一次检测,并将检测到的裂缝数据添加到隧道裂缝数据库中。
通过本方案的基于深度学习的隧道裂缝变化趋势预测方法，可实现对隧道裂缝的检测，基于获取的多张裂缝来预测裂缝的变化情况，以预测未来变化趋势；且可通过对裂缝区域进行筛查来提高裂缝检测的准确度。
实施例二
基于相同的构思，参考图5，本申请还提出了一种隧道裂缝变化趋势预测装置，包括：
裂缝获取单元301，用于获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝；获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；
相似度比对单元302，用于比对所述第一裂缝和所述第二裂缝，若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；
变化比对单元303，用于比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则获取所述裂缝组内每一裂缝的裂缝特征信息及对应的获取时间点，组成测试特征向量集合，将所述测试特征向量集合输入经训练后的裂缝变化趋势模型中得到预测值，若预测值大于设定的安全趋势阈值，则所述裂缝组对应的裂缝未来趋势不安全，其中所述经训练后的裂缝变化趋势模型通过调整裂缝变化趋势模型中的σ层、tanh层的参数以及神经模块的数量反复迭代至误差最小获得。
关于该实施例中提到的技术特征内容同于实施例一提及的技术内容，重复内容在此不进行累赘说明。
实施例三
本实施例还提供了一种电子装置，参考图6，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项基于深度学习的隧道裂缝变化趋势预测方法实施例中的步骤。
具体地，上述处理器402可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecificIntegratedCircuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（Non-Volatile）存储器。在特定实施例中，存储器404包括只读存储器（Read-OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（StaticRandom-AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器404（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom-AccessMemory，简称SDRAM）等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种基于深度学习的隧道裂缝变化趋势预测方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是隧道的视频图像等，输出的信息可以是裂缝位置、裂缝变化趋势预测值等。
可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：
S101、获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝；获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；
S102、若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；
S103、比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则获取所述裂缝组内每一裂缝的裂缝特征信息及对应的获取时间点，组成测试特征向量集合，将所述测试特征向量集合输入经训练后的裂缝变化趋势模型中得到预测值，若预测值大于设定的安全趋势阈值，则所述裂缝组对应的裂缝未来趋势不安全，其中所述经训练后的裂缝变化趋势模型通过调整裂缝变化趋势模型中的σ层、tanh层的参数以及神经模块的数量反复迭代至误差最小获得。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一 种基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，包括以下步骤：
获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝，将对应第一时段的视频图像输入裂缝检测模型中获取所述第一裂缝区域，将距离小于设定距离阈值的两所述第一裂缝区域对应的区域图像二值化并获取每一所述区域图像的裂缝信息，获取两所述第一裂缝区域的时间间隔，以及两所述第一裂缝区域对应的所述裂缝信息的区域相似度，基于所述区域相似度以及所述时间间隔判断重复区域，若为重复区域则剔除其中一个所述第一裂缝区域；
获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；
若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则获取所述裂缝组内每一裂缝的裂缝特征信息及对应的获取时间点并组成测试特征向量集合，将所述测试特征向量集合输入经训练后的裂缝变化趋势模型中得到预测值，若预测值大于设定的安全趋势阈值，则所述裂缝组对应的裂缝未来趋势不安全，其中所述经训练后的裂缝变化趋势模型通过调整裂缝变化趋势模型中的σ层、tanh层的参数以及神经模块的数量反复迭代至误差最小获得。
2.根据权利要求1所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，所述裂缝特征信息包括；裂缝的像素面积、最小宽度、最大宽度、最小外接矩形的长宽比、最小外界矩形面积与像素面积的比值。
3.根据权利要求1所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，“若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值”步骤包括，获取所述第一裂缝的第一裂缝特征向量，以及所述第二裂缝的第二裂缝特征向量，比对所述第一裂缝特征向量以及所述第二裂缝特征向量的夹角余弦值作为相似度。
4.根据权利要求1所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，在“获取同一隧道内的对应第二时段的至少一第二裂缝区域”的步骤中，将对应第二时段的视频图像输入裂缝检测模型中获取所述第二裂缝区域，将距离小于设定距离阈值的两所述第二裂缝区域对应的区域图像二值化并获取每一所述区域图像的裂缝信息，获取两所述第二裂缝区域的时间间隔，以及两所述第二裂缝区域对应的所述裂缝信息的区域相似度，基于所述区域相似度以及所述时间间隔判断重复区域，若为重复区域则剔除其中一个所述第二裂缝区域。
5.根据权利要求1所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，距离小于设定距离阈值的两所述第一裂缝区域或第二裂缝区域根据获取时间的前后分为前裂缝区域和后裂缝区域，若所述裂缝区域判断为重复区域，则剔除所述后裂缝区域。
6.根据权利要求1所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，在“基于所述区域相似度以及所述时间间隔判断重复区域”步骤中，若同时满足所述区域相似度大于裂缝相似度阈值，且所述时间间隔小于时间阈值，则判断为重复区域。
7.根据权利要求1所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，在“获取每一所述区域图像的裂缝信息”步骤中，获取每一所述区域图像的连通区域的像素面积、占空比以及长宽比，其中占空比为像素面积与最小外接矩形的比值，剔除像素面积小于设定面积值的所述连通区域，占空比小于设定占空值的所述连通区域以及长宽比均一的所述连通区域，得到裂缝信息。
8.一种基于深度学习的隧道裂缝变化趋势预测装置，其特征在于，包括：
裂缝获取单元，用于获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝，将对应第一时段的视频图像输入裂缝检测模型中获取所述第一裂缝区域，将距离小于设定距离阈值的两所述第一裂缝区域对应的区域图像二值化并获取每一所述区域图像的裂缝信息，获取两所述第一裂缝区域的时间间隔，以及两所述第一裂缝区域对应的所述裂缝信息的区域相似度，基于所述区域相似度以及所述时间间隔判断重复区域，若为重复区域则剔除其中一个所述第一裂缝区域；以及获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；
相似度比对单元，用于比对所述第一裂缝和所述第二裂缝，若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；
变化比对单元，用于比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则获取所述裂缝组内每一裂缝的裂缝特征信息及对应的获取时间点并组成测试特征向量集合，将所述测试特征向量集合输入经训练后的裂缝变化趋势模型中得到预测值，若预测值大于设定的安全趋势阈值，则所述裂缝组对应的裂缝未来趋势不安全，其中所述经训练后的裂缝变化趋势模型通过调整裂缝变化趋势模型中的σ层、tanh层的参数以及神经模块的数量反复迭代至误差最小获得。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1到7任一所述的基于深度学习的隧道裂缝变化趋势预测方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至7任一项所述的基于深度学习的隧道裂缝变化趋势预测方法。
CN202210000524.5A 2022-01-04 2022-01-04 基于深度学习的隧道裂缝变化趋势预测方法、装置及应用 Active CN114004004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210000524.5A CN114004004B (zh) 2022-01-04 2022-01-04 基于深度学习的隧道裂缝变化趋势预测方法、装置及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210000524.5A CN114004004B (zh) 2022-01-04 2022-01-04 基于深度学习的隧道裂缝变化趋势预测方法、装置及应用

Publications (2)

Publication Number Publication Date
CN114004004A CN114004004A (zh) 2022-02-01
CN114004004B true CN114004004B (zh) 2022-04-01

Family

ID=79932628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210000524.5A Active CN114004004B (zh) 2022-01-04 2022-01-04 基于深度学习的隧道裂缝变化趋势预测方法、装置及应用

Country Status (1)

Country Link
CN (1) CN114004004B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009031189A (ja) * 2007-07-30 2009-02-12 Railway Technical Res Inst トンネルのひび割れ位置検知システム
TW200937313A (en) * 2008-02-18 2009-09-01 Univ Nat Chiao Tung Method and system for increasing license plate detection efficiency in successively inputting image
CN103486971A (zh) * 2013-08-14 2014-01-01 北京交通大学 一种地铁隧道裂缝宽度检测及校正算法
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
CN108332927A (zh) * 2018-01-10 2018-07-27 深圳市晟达机械设计有限公司 一种桥梁表面裂缝检测装置
CN110222384A (zh) * 2019-05-22 2019-09-10 微云（武汉）科技有限公司 一种桥梁裂缝分析方法、装置及存储介质
CN110222383A (zh) * 2019-05-22 2019-09-10 微云（武汉）科技有限公司 一种桥梁安全预警方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3099443A1 (en) * 2017-11-02 2019-05-09 Airworks Solutions, Inc. Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009031189A (ja) * 2007-07-30 2009-02-12 Railway Technical Res Inst トンネルのひび割れ位置検知システム
TW200937313A (en) * 2008-02-18 2009-09-01 Univ Nat Chiao Tung Method and system for increasing license plate detection efficiency in successively inputting image
CN103486971A (zh) * 2013-08-14 2014-01-01 北京交通大学 一种地铁隧道裂缝宽度检测及校正算法
CN108332927A (zh) * 2018-01-10 2018-07-27 深圳市晟达机械设计有限公司 一种桥梁表面裂缝检测装置
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
CN110222384A (zh) * 2019-05-22 2019-09-10 微云（武汉）科技有限公司 一种桥梁裂缝分析方法、装置及存储介质
CN110222383A (zh) * 2019-05-22 2019-09-10 微云（武汉）科技有限公司 一种桥梁安全预警方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于ARMA的桥梁监测信息预测技术研究;唐浩等;《世界桥梁》;20150528(第03期);全文 *
基于RBF-Markov串联模型的危岩裂缝变形预测;朱大鹏等;《长江科学院院报》;20081015(第05期);全文 *

Also Published As

Publication number Publication date
CN114004004A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
EP3997616B1 (en) Object-based change detection using a neural network
CN111681240B (zh) 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法
CN113033604B (zh) 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质
CN112669275B (zh) 基于YOLOv3算法的PCB表面缺陷检测方法及装置
US10977933B2 (en) Method and apparatus for predicting road conditions based on big data
CN110826429A (zh) 一种基于景区视频的旅游突发事件自动监测的方法及系统
CN112115862B (zh) 一种结合密度估计的拥挤场景行人检测方法
CN112634614B (zh) 一种长下坡交通事件实时检测方法、装置及存储介质
CN114705689A (zh) 一种基于无人机的建筑物外立面裂缝检测方法及系统
CN113343985B (zh) 车牌识别方法和装置
CN113255580A (zh) 抛洒物识别、车辆抛洒滴漏识别方法和装置
CN116485779B (zh) 自适应晶圆缺陷检测方法、装置、电子设备及存储介质
CN115239644A (zh) 混凝土缺陷识别方法、装置、计算机设备和存储介质
CN112365533A (zh) 基于图像分割的煤流量监测方法、装置和电子装置
CN110852318A (zh) 一种排水管道缺陷精准定位方法及系统
CN117351241B (zh) 隧道病害的智能检测评定方法、装置、终端及存储介质
CN114004004B (zh) 基于深度学习的隧道裂缝变化趋势预测方法、装置及应用
Cajas et al. Identify faults in road structure zones with deep learning
CN114219073A (zh) 属性信息的确定方法、装置、存储介质及电子装置
CN111160274B (zh) 一种基于二值化Faster RCNN网络的行人检测方法
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
CN113553953B (zh) 车辆抛物检测方法、装置、电子装置及可读存储介质
CN115439450A (zh) 用于自动驾驶的视频画面质量评价方法、装置、设备、存储介质
CN115171031A (zh) 一种基于车辆参照物的路面积水检测方法、装置及应用
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

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