CN115326809B - 一种隧道衬砌表观裂纹检测方法及检测装置 - Google Patents
一种隧道衬砌表观裂纹检测方法及检测装置 Download PDFInfo
- Publication number
- CN115326809B CN115326809B CN202210920909.3A CN202210920909A CN115326809B CN 115326809 B CN115326809 B CN 115326809B CN 202210920909 A CN202210920909 A CN 202210920909A CN 115326809 B CN115326809 B CN 115326809B
- Authority
- CN
- China
- Prior art keywords
- image
- tunnel lining
- feature
- detected
- crack
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000014759 maintenance of location Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 230000001629 suppression Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
Abstract
本发明公开了一种隧道衬砌表观裂纹检测方法及检测装置,包括获取待检测隧道衬砌图像;对待检测隧道衬砌图像进行限制对比度条件的自适应匀光处理与优化连通域的高频信号抑制,改善目标特征质量;依据图像特征搭建轻量化全卷积网络,在网络特征提取与传递过程中使用感兴趣特征保留机制与多层次残差特征提取,实现裂纹目标细微特征的提取与识别,建立识别模型;根据建立的识别模型,对待检测隧道衬砌图像进行裂纹检测,确定裂纹位置。本发明以解决现有技术所存在的裂纹检测主要依靠人工,效率低下且准确率低的问题。
Description
技术领域
本发明属于智能交通图像检测技术领域,更具体的说是涉及一种隧道衬砌表观裂纹检测方法及检测装置。
背景技术
裂缝作为评价隧道衬砌表观结构质量的重要参数指标,也是导致隧道衬砌结构倒塌的重要原因。裂缝会降低钢筋混凝土结构的承载力,甚至导致衬砌的不稳定和突然坍塌,威胁隧道结构的安全,给人生命和财产带来巨大威胁。因此,隧道衬砌裂缝检测是隧道日常运营状态与病害检测的主要项目之一。
传统隧道检测工艺需要封闭交通,通常借助高空作业车、采用人工仪器或凭借人工经验完成裂缝检测任务。这种检测方法工作效率低、个人主观程度大、花费高和危险性大,无法满足隧道快速准确的检测要求,也无法对病害信息进行管理,难以统计和分析病害的发展趋势。
因此,如何提供一种隧道衬砌表观裂纹检测方法及检测装置成为了本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种隧道衬砌表观裂纹检测方法及检测装置,以解决现有技术所存在的裂纹检测主要依靠人工,效率低下且准确率低的问题。
为了实现上述目的,本发明采用如下技术方案:
一种隧道衬砌表观裂纹检测方法,包括如下步骤:
步骤S1,获取待检测隧道衬砌图像;
步骤S2,对待检测隧道衬砌图像进行限制对比度条件的自适应匀光处理与优化连通域的高频信号抑制,改善目标特征质量;
步骤S3,依据图像特征搭建轻量化全卷积网络,在网络特征提取与传递过程中使用感兴趣特征保留机制与多层次残差特征提取,实现裂纹目标细微特征的提取与识别,建立识别模型;
步骤S4,根据建立的识别模型,对待检测隧道衬砌图像进行裂纹检测,确定裂纹位置。
进一步的,对待检测隧道衬砌图像进行限制对比度条件的自适应匀光处理与优化连通域的高频信号抑制之前,所述方法还包括:
获取待检测隧道衬砌图像,将图像转为统一大小,并按照不同位置属性进行分类。
进一步的,对待检测隧道衬砌图像进行限制对比度条件的自适应匀光处理,包括以下步骤:
步骤S201,将待检测隧道衬砌图像分割为连续不重叠的块状区域,计算每一个块状区域的直方图灰度级平均像素个数Navg,计算真实的限制阈值Nc0;
步骤S202,以每个块状区域为考察单位,将截断像素数量大于Nc0的像素数设置为Nc1,灰度级数量为Ng,设置每个块状区域灰度级均分的像素个数Nacp;
步骤S203,依据限制对比度条件对截断后的像素数进行重新分配,其分配规则表示为:
其中,H(i)是原始直方图的纵坐标,其中灰度级i的范围是[i0,in],H(i)new是对直方图进行阈值限制处理后第i个灰度级上的新值。
通过直方图受限处理规则重新分配后,每个灰度像素的步长值step可以根据经过截断处理后的像素数Nlp和灰度像素数Ngray计算得到,具体公式表示为:
从图像灰度级的最小值到最大值依据像素值分配规则进行搜索计算,如果仍有没有被分配的像素数,则计算所得的步长重新分配,直到所有的像素数分配完成为止。
通过四个领域子块的变换函数进行双线性插值操作,消除各子块边界的灰度差异。
进一步的,对待检测隧道衬砌图像进行优化连通域的高频信号抑制,包括以下步骤:
步骤S211,将全域图像灰度均值置为初始阈值,增加裂纹灰度区域的关注度,找到最优阈值;
步骤S212,针对孤立噪点,设置像素数量阈值Ts,若连通域Li(u,v)内的像素点数量个数Ns小于Ts,则滤除这些噪点,去噪后图像h(u,v)表示为:
式中,n为图像中连通域的总数量,m为图像中滤除噪点后的连通域数量;
步骤S213,通过裂纹特征具有狭长性滤除面积较大的高频信号,即若连通域内像素点的数量和外接矩形w×h的长度的比值不满足像素数量阈值Ts,则去除该连通域,去噪后图像h(u,v)表示为:
式中:li为第i个连通域外接矩形的长度。
进一步的,依据图像特征搭建轻量化全卷积网络,包括以下步骤:
步骤S301,将网络结构分为下采样过程及上采样过程,其中下采样过程用来提取上下文信息,为多层卷积、激活计算过程,上采样过程用于定位,为反卷积、激活计算,两个过程结构相互对称;
待检测图像经1×1卷积、归一化及激活后传入下采样过程;
采用归一化函数对上采样过程结果进行处理,使得最终输出图像中每个像素点的值对应于0-1内,为是否为裂纹的概率;
步骤S302,将下采样过程中每一层所提取的特征向量传递到对应的上采样过程中;
步骤S303,采用卷积取代全连接层,使得模型能够以任意尺寸的图片作为输入,且输出为每一个像素所属的类别,避免了传统卷积神经网络中全连接层破坏原有细微目标二维特征的问题;
步骤S304,形成具有五层下采样及五层上采样的U型全卷积网络结构模型
进一步的,在下采样过程中使用多层次残差特征提取,加深网络深度,包括以下步骤:
根据图像特征及下采样层数确定多层次残差结构的层数及卷积核规模的参数,增大下采样过程的网络深度,实现目标特征由整体到细微的有序提取;
对下采样过程中每一阶段对应的多层次残差特征提取过程所得多个特征进行尺度整合,合并为统一大小,发送至对应上采样过程。
进一步的,使用感兴趣特征保留机制增强下采样与上采样传递过程中微小特征保留,包括以下步骤:
将下采样过程多层次残差体征提取过程得出的本层与下一层的特征xl和g同时输入感兴趣特征保留机制,xl为本层网络提取的特征矩阵,向量g是从网络的下一层取的特征矩阵;
将xl和g两个特征矩阵转为相同大小,并将两个特征矩阵逐元素相加转换计算表示为:
其中,Wx,Wg是卷积操作,bg是偏置项;
将合成的特征矩阵进行激活,使用归一化函数产生相关权重系数,其公式表达为:
其中,ψ为卷积操作,σ1为激活函数,bψ为偏置项,
将合成的特征矩阵进行激活,产生相关权重系数,其公式表达为:
将权重系数向上采样到xl向量的原始维度,获得带有权重的特征图,在网络中正常传递。
进一步的,确定最终轻量化全卷积检测网络结构,生成隧道裂纹检测模型,将模型在检测装置中固化,使用检测装置对待检测图像进行裂纹检测,包括:
将上述部分合成为最终的轻量化全卷积检测网络结构;
使用先期标注完成的图像对网络模型进行迭代训练,形成隧道裂纹检测模型;
根据检测模型流程确定检测装置硬件分布选型,完成硬件模型开发,并将模型固化在装置中;
使用检测装置对待检测图像进行裂纹检测,获取裂纹位置,生成最终裂纹检测结果。
一种隧道衬砌表观裂纹检测装置,包括:图像处理模块和网络运行模块;
所述图像处理模块,用于将得到的隧道衬砌图像进行预处理,完成匀光与高频信号剔除,得到特征清晰的待检测图像;
所述网络运行模块,用于根据建立的裂纹检测模型,对检测图像进行裂纹检测,确定裂纹位置,生成检测结果。
一种电子装置,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现上述任一种所述的方法。
本发明的有益效果在于:
本发明上述方案中,获取待检测隧道衬砌图像;对图像进行限制对比度条件的自适应匀光处理与优化连通域的高频信号抑制;在轻量化全卷积网络中引入注意力机制与残差结构,实现裂纹目标细微特征的提取与识别,建立识别模型;根据建立的识别模型,对待检测图像进行裂纹检测,确定裂纹位置。这样,根据隧道裂缝总体宽度在图像宽度的0.45%-7%左右,属于典型的小目标识别,通过限制对比度条件的自适应匀光处理与优化连通域的高频信号抑制,实现不同背景环境下图像特征自适应清晰化;使用裂纹识别模型中全卷积结构、残差结构及注意力机制的相互配合,可以使轻量化网络模型下图像细微特征提取与暴露更加充分,从而提高大幅面图像下裂纹检测的速度及精度。
附图说明
为了更清楚地说明本实用新式实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本实用新式的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例一种隧道衬砌表观裂纹检测方法的流程示意图;
图2为本发明实施例一种隧道衬砌表观裂纹检测装置的数据处理板组的结构示意图;
图3为本发明实施例一种隧道衬砌表观裂纹检测装置的数据处理板组的模块示意图;
图4为本发明实施例提供的隧道裂纹检测结果示意图。
具体实施方式
下面将结合本发明的实施例中,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考图1,本发明提供了一种隧道衬砌表观裂纹检测方法,包括如下步骤:
S101,获取待检测隧道衬砌图像;
S102,对图像进行限制对比度条件的自适应匀光处理与优化连通域的高频信号抑制,改善目标特征质量;
S103,依据图像特征搭建轻量化全卷积网络,在网络特征提取与传递过程中使用感兴趣特征保留机制与多层次残差特征提取,实现裂纹目标细微特征的提取与识别,建立识别模型;
S104,根据建立的识别模型,对待检测图像进行裂纹检测,确定裂纹位置。
为了更好地理解本发明实施例所述的隧道衬砌表观裂纹检测方法,对其进行详细说明,所述方法具体可以包括:
S101,获取待检测隧道衬砌图像;
本实施例中,可以通过隧道检测车对隧道衬砌进行正常行驶下的图像采集,获取待检测隧道衬砌图像。
对获得的待检测图像依据采集位置和顺序进行分类排序,并编号。
S102,对图像进行限制对比度条件的自适应匀光处理与优化连通域的高频信号抑制,改善目标特征质量。
本实施例中,S101所采集的待检测图像由于隧道衬砌不同部位污染程度不同以及隧道内部光照条件不均匀,造成所采集图像曝光及噪声干扰明显,严重损坏目标特征。为降低环境对待检测图像中目标信息的影响,提高裂纹检测精度,对待检测图像进行预处理,具体的:
对待检测图像进行限制对比度条件的自适应匀光处理,将图像分割为连续不重叠的块状区域,计算每一个块状区域的直方图灰度级平均像素个数Navg,计算真实的限制阈值Nc0;
以每个子块区域为考察单位,将截断像素数量大于Nc0的像素数设置为Nc1,灰度级数量为Ng,设置每个子块灰度级均分的像素个数Nacp;
依据限制对比度条件对截断后的像素值进行重新分配,其分配规则表示为:
其中,H(i)是原始直方图的纵坐标,其中灰度级i的范围是[i0,in],H(i)new是对直方图进行阈值限制处理后第i个灰度级上的新值。
通过直方图受限处理规则重新分配后,每个灰度像素的步长值step可以根据经过截断处理后的像素数Nlp和灰度像素数Ngray计算得到,具体公式表示为:
从图像灰度级的最小值到最大值依据像素值分配规则进行搜索计算,如果仍有没有被分配的像素数,则计算所得的步长重新分配,直到所有的像素数分配完成为止。
通过四个领域子块的变换函数进行双线性插值操作,消除各子块边界的灰度差异。
进一步地,对待检测图像进行优化连通域的高频信号抑制,将全域图像灰度均值置为初始阈值;
针对孤立噪点,设置像素数量阈值Ts,若连通域Li(u,v)内的像素点数量个数Ns小于Ts,则滤除这些噪点,去噪后图像h(u.v)表示为:
式中,n为图像中连通域的总数量,m为图像中滤除噪点后的连通域数量;
通过裂纹特征具有狭长性滤除面积较大的高频信号,即若连通域内像素点的数量和外接矩形w×h的长度的比值不满足阈值Ts,则去除该连通域,去噪后图像h(u,v)表示为:
li=max(w,h)(i=1,2,...,m)
式中:m为图像中连通域的总数量,m为图像中滤除孤立噪点后的连通域数量,li为第i个连通域外接矩形的长度,最终得到特征清晰的待检测图像。
S103,将裂纹特征作为目标特征,构造裂纹检测神经网络模型并引入裂纹细微特征提取过程,建立轻量化全卷积神经网络。
本实施例中,为充分在大幅面图像中提取裂纹这种小目标特征,使用全卷积神经网络结构,并使用感兴趣特征保留机制与多层次残差特征提取完成微小特征的进一步提取与保留,具体为:
构建轻量化全卷积神经网络,将网络结构分为下采样过程及上采样过程,其中下采样过程用来提取上下文信息,为多层卷积、激活计算过程,上采样过程用于定位,为反卷积、激活计算,两个过程结构相互对称;待检测图像经1×1卷积、归一化及激活后传入下采样过程;采用归一化函数对上采样过程结果进行处理,使得最终输出图像中每个像素点的值对应于0-1内,为是否为裂纹的概率;将下采样过程中每一层所提取的特征向量传递到对应的上采样过程中;采用卷积取代全连接层,使得模型能够以任意尺寸的图片作为输入,且输出为每一个像素所属的类别,避免了传统卷积神经网络中全连接层破坏原有细微目标二维特征的问题;形成具有五层下采样及五层上采样的U型全卷积网络结构模型。
进一步地,在下采样过程的每一层中构造多层次残差特征提取结构,加深网络深度;根据图像特征和下采样层数确定多层次残差特征提取的层数及卷积核规模等参数,增大下采样过程的网络深度,实现目标特征由整体到细微的有序提取;对下采样过程中每一层对应的多层次残差特征提取所得多个特征进行尺度整合,合并为统一大小,发送至对应上采样过程。
进一步地,在下采样与上采样传递过程中,使用感兴趣特征保留机制增强微小特征保留;将下采样过多层次残差特征提取得出的本层与下一层的特征xl和g同时输入感兴趣特征保留机制,xl为本层网络提取的特征矩阵,向量g是从网络的下一层取的特征矩阵;将xl和g两个特征矩阵转为相同大小,并将两个特征矩阵逐元素相加,转换计算表示为:
其中,Wx,Wg是卷积操作,bg是偏置项;
将合成的特征矩阵进行激活,使用归一化函数产生相关权重系数,其公式表达为:
其中,ψ为卷积操作,σ1为激活函数,bψ为偏置项,
将合成的特征矩阵进行激活,产生相关权重系数,其公式表达为:
将权重系数向上采样到xl向量的原始维度,获得带有权重的特征图,在网络中正常传递。
S104,确定最终轻量化全卷积检测网络结构,生成隧道裂纹检测模型,将模型在检测装置中固化,使用检测装置对待检测图像进行裂纹检测,具体为:
将上述部分合成为最终的轻量化全卷积检测网络结构;
使用先期标注完成的图像对网络模型进行迭代训练,形成隧道裂纹检测模型;
根据检测模型流程确定检测装置硬件分布选型,完成硬件模型开发,并将模型固化在装置中;
使用检测装置对待检测图像进行裂纹检测,获取裂纹位置,生成最终裂纹检测结果。
本实施例中,S102-S105在数据处理板组中执行,板组结构如图2所示,数据处理板组由DSP与GPU两部分组成,两部分共用内存与时钟,以保持其内部时钟同步,DSP与GPU之间由总线进行低延迟通信。板组模块示意图如图3所示。
本实施例中,采集设备通过DSP部分的I/O端口与数据处理板组进行数据通信,将采集的待检测图像传入DSP部分。由于采集的待检测图像为统一大小,且预处理部分计算过程均为加法与乘法运算,所以DSP部分被设计为在集成一部分ARM内核的基础上,运算内核由乘法器构成,以便于待检测图像的快速批量处理,提高运算效率。完成预处理的图像通过高速总线传入GPU,使用GPU中的大量并行计算单位完成图像裂纹的检测。
为验证本发明实施例所述的一种隧道衬砌表观裂纹检测方法的有效性,使用隧道实拍图像对其进行验证,并与人工检测(该过程由长期从事隧道检测技术人员完成,理论结果应远高于传统深度学习模型识别精度)结果进行比较,得到本发明方法的处理结果如图4所示,其中,黄色框代表检测到的衬砌裂纹,红色框代表裂纹干扰纹理,蓝色框代表破损、坑洞,绿色代表类似裂纹的电线;同时得到两种处理方法检测正确率如表1所示:
表1
通过表1可知,本发明实施例所述检测方法相较于人工检测准确率较高,主要原因在于对于常规性裂纹,本发明方法和人工检测识别精度类似,但随着测试图像数量增加,人工检测由于检测人员视觉和分析产生疲劳,造成复杂背景中的弱特征裂纹识别错误,导致人工检测平均识别正确率降低。同时,由于本发明方法可实现不间断线下检测,固定检测样本的检测时间也会大大降低。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种隧道衬砌表观裂纹检测方法,其特征在于,包括如下步骤:
步骤S1,获取待检测隧道衬砌图像;
步骤S2,对待检测隧道衬砌图像进行限制对比度条件的自适应匀光处理与优化连通域的高频信号抑制,改善目标特征质量;
步骤S3,依据图像特征搭建轻量化全卷积网络,在网络特征提取与传递过程中使用感兴趣特征保留机制与多层次残差特征提取,实现裂纹目标细微特征的提取与识别,建立识别模型;
步骤S4,根据建立的识别模型,对待检测隧道衬砌图像进行裂纹检测,确定裂纹位置;
依据图像特征搭建轻量化全卷积网络,包括以下步骤:
步骤S301,将网络结构分为下采样过程及上采样过程,其中下采样过程用来提取上下文信息,上采样过程则用于定位,两个过程结构相互对称;
步骤S302,将下采样过程中每一层所提取的特征向量传递到对应的上采样过程中;
步骤S303,采用卷积取代全连接层,使得模型能够以任意尺寸的图片作为输入,且输出为每一个像素所属的类别,避免了传统卷积神经网络中全连接层破坏原有细微目标二维特征的问题;
步骤S304,形成具有五层下采样及五层上采样的U型全卷积网络结构模型。
2.根据权利要求1所述的一种隧道衬砌表观裂纹检测方法,其特征在于,对待检测隧道衬砌图像进行限制对比度条件的自适应匀光处理,包括以下步骤:
步骤S201,将待检测隧道衬砌图像分割为连续不重叠的块状区域,计算每一个块状区域的直方图灰度级平均像素个数Navg,计算真实的限制阈值Nc0;
步骤S202,以每个块状区域为考察单位,将截断像素数量大于Nc0的像素数设置为Nc1,灰度级数量为Ng,设置每个块状区域灰度级均分的像素个数Nacp;
步骤S203,依据限制对比度条件对截断后的像素数进行重新分配,其分配规则表示为:
其中,H(i)是原始直方图的纵坐标,其中灰度级i的范围是[i0,in],H(i)new是对直方图进行阈值限制处理后第i个灰度级上的新值。
3.根据权利要求2所述的一种隧道衬砌表观裂纹检测方法,其特征在于,对待检测隧道衬砌图像进行优化连通域的高频信号抑制,包括以下步骤:
步骤S211,将全域图像灰度均值置为初始阈值,增加裂纹灰度区域的关注度,找到最优阈值;
步骤S212,针对孤立噪点,设置像素数量阈值Ts,若连通域Li(u,v)内的像素点数量个数Ns小于Ts,则滤除这些噪点,去噪后图像h(u,v)表示为:
式中,n为图像中连通域的总数量,m为图像中滤除噪点后的连通域数量;
步骤S213,通过裂纹特征具有狭长性滤除面积较大的高频信号,即若连通域内像素点的数量和外接矩形w×h的长度的比值不满足像素数量阈值Ts,则去除该连通域,去噪后图像h(u,v)表示为:
式中:li为第i个连通域外接矩形的长度。
4.根据权利要求3所述的一种隧道衬砌表观裂纹检测方法,其特征在于,在下采样过程中使用多层次残差特征提取,包括以下步骤:
根据图像特征及下采样层数确定多层次残差结构的层数及卷积核规模的参数,增大下采样过程的网络深度,实现目标特征由整体到细微的有序提取;
对下采样过程中每一阶段对应的多层次残差特征提取过程所得多个特征进行尺度整合,合并为统一大小,发送至对应上采样过程。
6.根据权利要求5所述的一种隧道衬砌表观裂纹检测方法,其特征在于,使用U型全卷积网络结构模型生成隧道裂纹检测模型,将隧道裂纹检测模型在检测装置中固化,使用检测装置对待检测隧道衬砌图像进行裂纹检测。
7.一种隧道衬砌表观裂纹检测装置,其特征在于,实现权利要求1-6中任一项所述的方法,包括:图像处理模块和网络运行模块;
所述图像处理模块,用于将得到的隧道衬砌图像进行预处理,完成匀光与高频信号剔除,得到特征清晰的待检测图像;
所述网络运行模块,用于根据建立的识别模型,对检测图像进行裂纹检测,确定裂纹位置。
8.一种电子装置,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210920909.3A CN115326809B (zh) | 2022-08-02 | 2022-08-02 | 一种隧道衬砌表观裂纹检测方法及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210920909.3A CN115326809B (zh) | 2022-08-02 | 2022-08-02 | 一种隧道衬砌表观裂纹检测方法及检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115326809A CN115326809A (zh) | 2022-11-11 |
CN115326809B true CN115326809B (zh) | 2023-06-06 |
Family
ID=83919267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210920909.3A Active CN115326809B (zh) | 2022-08-02 | 2022-08-02 | 一种隧道衬砌表观裂纹检测方法及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115326809B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116699723B (zh) * | 2023-08-08 | 2023-10-31 | 四川省公路规划勘察设计研究院有限公司 | 一种基于隧道衬砌拱部掉块的数据处理系统及预警方法 |
CN117115160B (zh) * | 2023-10-24 | 2024-02-02 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020048119A1 (en) * | 2018-09-04 | 2020-03-12 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
CN112526515A (zh) * | 2020-11-05 | 2021-03-19 | 山西省交通科技研发有限公司 | 一种基于合成孔径雷达干涉测量技术的地表形变检测方法 |
CN112651926A (zh) * | 2020-12-04 | 2021-04-13 | 武汉工程大学 | 一种基于递归注意力机制的裂纹检测的方法及装置 |
CN112686887A (zh) * | 2021-01-27 | 2021-04-20 | 上海电气集团股份有限公司 | 混凝土表面裂纹的检测方法、系统、设备和介质 |
KR102253614B1 (ko) * | 2020-12-04 | 2021-05-17 | 최문학 | 모니터링 데이터를 기반으로 터널의 보수 작업 계획을 수립하는 방법, 장치 및 컴퓨터-판독 가능 기록 매체 |
CN113192040A (zh) * | 2021-05-10 | 2021-07-30 | 浙江理工大学 | 一种基于YOLO v4改进算法的织物瑕疵检测方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029381B (zh) * | 2018-10-19 | 2021-04-06 | 石家庄铁道大学 | 一种隧道裂缝的检测方法、系统及终端设备 |
EP3953691A4 (en) * | 2019-04-09 | 2023-06-07 | Purdue Research Foundation | METHODS AND SYSTEMS FOR RIP DETECTION USING A COMPLETE CONVOLUTION MESH |
CN110378950B (zh) * | 2019-06-18 | 2023-02-28 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 |
CN110765887A (zh) * | 2019-09-29 | 2020-02-07 | 中国铁路总公司 | 隧道衬砌裂纹自动识别技术及检测方法 |
CN111080620B (zh) * | 2019-12-13 | 2024-03-19 | 中远海运科技股份有限公司 | 一种基于深度学习的道路病害检测方法 |
CN211978712U (zh) * | 2020-03-05 | 2020-11-20 | 四川正基岩土工程有限公司 | 一种隧道裂缝检测的装置 |
CN111489352B (zh) * | 2020-04-29 | 2023-06-02 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 |
CN111855664B (zh) * | 2020-06-12 | 2023-04-07 | 山西省交通科技研发有限公司 | 一种可调节隧道病害三维检测系统 |
CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
CN113111703B (zh) * | 2021-03-02 | 2023-07-28 | 郑州大学 | 基于多种卷积神经网络融合的机场道面病害异物检测方法 |
CN114419005A (zh) * | 2022-01-21 | 2022-04-29 | 广州大学 | 基于改进轻量型cnn与迁移学习的裂缝自动检测方法 |
CN114820594B (zh) * | 2022-06-21 | 2022-09-23 | 中科慧远视觉技术(北京)有限公司 | 基于图像检测板材封边缺陷的方法、相关设备及存储介质 |
-
2022
- 2022-08-02 CN CN202210920909.3A patent/CN115326809B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020048119A1 (en) * | 2018-09-04 | 2020-03-12 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
CN112526515A (zh) * | 2020-11-05 | 2021-03-19 | 山西省交通科技研发有限公司 | 一种基于合成孔径雷达干涉测量技术的地表形变检测方法 |
CN112651926A (zh) * | 2020-12-04 | 2021-04-13 | 武汉工程大学 | 一种基于递归注意力机制的裂纹检测的方法及装置 |
KR102253614B1 (ko) * | 2020-12-04 | 2021-05-17 | 최문학 | 모니터링 데이터를 기반으로 터널의 보수 작업 계획을 수립하는 방법, 장치 및 컴퓨터-판독 가능 기록 매체 |
CN112686887A (zh) * | 2021-01-27 | 2021-04-20 | 上海电气集团股份有限公司 | 混凝土表面裂纹的检测方法、系统、设备和介质 |
CN113192040A (zh) * | 2021-05-10 | 2021-07-30 | 浙江理工大学 | 一种基于YOLO v4改进算法的织物瑕疵检测方法 |
Non-Patent Citations (2)
Title |
---|
基于轻量级YOLOv3的拉链缺陷检测系统设计与实现;许志鹏;桑庆兵;;现代计算机(26);第34-40页 * |
融入IBN-NET的轻量网络在金属圆柱工件缺陷识别中的应用;罗钧;曾伟;龚燕峰;侍宝玉;;计算机辅助设计与图形学学报(01);第115-123页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115326809A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115326809B (zh) | 一种隧道衬砌表观裂纹检测方法及检测装置 | |
CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
CN110599401A (zh) | 遥感图像超分辨率重建方法、处理装置及可读存储介质 | |
CN112233026A (zh) | 一种基于多尺度残差注意力网络的sar图像去噪方法 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN108492271A (zh) | 一种融合多尺度信息的自动图像增强系统及方法 | |
CN112837232B (zh) | 一种水下图像增强及细节恢复的方法 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN113808180B (zh) | 一种异源图像配准方法、系统及装置 | |
CN111598869B (zh) | 一种对显示屏幕的Mura进行检测的方法、设备及存储介质 | |
CN111325687A (zh) | 一种基于端对端深度网络的平滑滤波取证方法 | |
CN114757854B (zh) | 基于多光谱分析的夜视图像质量提升方法、装置、设备 | |
CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN113673556A (zh) | 一种基于多尺度密集卷积网络的高光谱图像分类方法 | |
CN116309612B (zh) | 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 | |
CN116645365A (zh) | 基于频谱的石英玻璃检测方法、装置、设备及介质 | |
CN114648467B (zh) | 图像的去雾方法、装置、终端设备及计算机可读存储介质 | |
CN115937302A (zh) | 结合边缘保持的高光谱图像亚像元定位方法 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN112990213B (zh) | 一种基于深度学习的数字万用表字符识别系统和方法 | |
CN112800952B (zh) | 一种基于改进ssd算法的海洋生物识别方法及系统 | |
CN107085832A (zh) | 一种数字图像非局部平均去噪的快速实现方法 | |
CN113962889A (zh) | 遥感图像的薄云去除方法、装置、设备及介质 | |
CN113763261A (zh) | 一种海雾气象条件下的远小目标实时检测方法 |
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 |