CN117557873A - 一种基于图像识别的隧道掌子面裂隙识别方法 - Google Patents
一种基于图像识别的隧道掌子面裂隙识别方法 Download PDFInfo
- Publication number
- CN117557873A CN117557873A CN202410045690.6A CN202410045690A CN117557873A CN 117557873 A CN117557873 A CN 117557873A CN 202410045690 A CN202410045690 A CN 202410045690A CN 117557873 A CN117557873 A CN 117557873A
- Authority
- CN
- China
- Prior art keywords
- tunnel face
- layer
- input end
- gray
- fracture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000000877 morphologic effect Effects 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 23
- 238000012935 Averaging Methods 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000004148 unit process Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000000638 solvent extraction Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的隧道掌子面裂隙识别方法,属于图像处理技术领域,本发明中从多角度拍摄隧道掌子面图像,得到多张图像,对每个角度的图像进行灰度处理,减少图像数据量,再对灰度图进行分区处理,实现对灰度图上的区域进行分区,再筛选出疑似的裂隙区域,根据每张灰度图上的裂隙特征,从而计算出多个角度的灰度图的隧道掌子面裂隙评估值,实现综合多个角度评估该隧道掌子面是否存在裂隙,提高监测精度,解决人工实时监测隧道掌子面,存在工作时间长,容易疏漏,对裂隙观察不够细致的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像识别的隧道掌子面裂隙识别方法。
背景技术
隧道掌子面是指地下工程或采矿工程中开挖的工作面,在地下工程或采矿工程中需要开挖隧道不断向前推进,在开挖隧道不断向前推进过程中或者在工程暂停的期间均需要对隧道掌子面的情况进行监测,从而避免出现突发的垮塌事故,但是通过人工实时监测隧道掌子面,存在工作时间长,容易疏漏,对裂隙观察不够细致的问题。隧道掌子面是已开挖部分和未开挖部分的分界面,若隧道掌子面出现:掌子面前方变形、掌子面挤出变形和掌子面后方变形等情况,均会提前出现裂隙,识别隧道掌子面裂隙可以提前预警隧道工作人员,保护隧道工作人员生命安全。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于图像识别的隧道掌子面裂隙识别方法解决了人工实时监测隧道掌子面,存在工作时间长,容易疏漏,对裂隙观察不够细致的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于图像识别的隧道掌子面裂隙识别方法,包括以下步骤:
S1、多角度拍摄隧道掌子面图像,得到不同拍摄角度的多张图像;
S2、对每张图像进行灰度处理,得到灰度图;
S3、对灰度图进行分区处理,得到每张灰度图的多个隧道掌子面区域;
S4、从每张灰度图的多个隧道掌子面区域筛选出疑似裂隙区域;
S5、提取疑似裂隙区域的裂隙特征;
S6、采用裂隙识别模型处理多张灰度图的裂隙特征,得到隧道掌子面裂隙评估值;
S7、在隧道掌子面裂隙评估值大于评估阈值时,隧道掌子面存在裂隙。
进一步地,所述S3包括以下分步骤:
S31、从灰度图上任取未分区的一个随机像素点;
S32、计算灰度图上未分区的其他像素点与随机像素点的灰度相似度;
S33、判断是否存在灰度相似度高于相似阈值的其他像素点,若是,则跳转至步骤S34,若否,则将该随机像素点丢弃,并跳转至步骤S31;
S34、将随机像素点和灰度相似度高于相似阈值的其他像素点归为一个隧道掌子面区域,并跳转至步骤S31,直到灰度图上所有像素点分区完,得到多个隧道掌子面区域。
上述进一步地方案的有益效果为:本发明中不断获取未分区的随机像素点,找到与未分区的随机像素点灰度相似的像素点,从而将灰度一致的像素点归为一类,丢弃独立的噪点像素点,实现根据灰度情况对像素点进行分区,相似度的计算可采用余弦相似度。
进一步地,所述S4包括以下分步骤:
S41、计算每个隧道掌子面区域在对应灰度图上的面积占比,得到第一面积比值;
S42、丢弃第一面积比值大于等于上限阈值的隧道掌子面区域,保留第一面积比值小于上限阈值的隧道掌子面区域;
S43、在一个保留的隧道掌子面区域中,根据像素点的聚集情况,划分保留的隧道掌子面区域,得到多个子区,其中,子区之间像素点坐标不连续;
S44、计算每个子区在对应灰度图上的面积占比,得到第二面积比值;
S45、丢弃第二面积比值小于等于下限阈值的子区,将第二面积比值大于下限阈值的子区作为疑似裂隙区域。
上述进一步地方案的有益效果为:根据每个隧道掌子面区域在对应灰度图上的面积占比,可以排除大面积非裂隙区域,在本发明中,不同灰度等级分成不同区域,各个区域间不一定连续,即步骤S42中保留的隧道掌子面区域可能分布在掌子面的不同地方,因此,根据像素点的聚集情况,将保留的隧道掌子面区域进行再次划分,实现区域细分,从而可以排除一些面积过小的区域。
进一步地,所述S5中裂隙特征包括:形态波动特征值、长度特征值和灰度特征值;
所述形态波动特征值获取的方法包括以下步骤:
A1、取疑似裂隙区域边缘像素点;
A2、对边缘像素点划分为多个分组,其中,每个分组中的边缘像素点依次相邻;
A3、计算每个分组的形态波动特征值;
所述长度特征值获取的方法为:取疑似裂隙区域中距离最远一对像素点,最远一对像素点的距离为长度特征值;
所述灰度特征值为疑似裂隙区域像素点的平均灰度值。
上述进一步地方案的有益效果为:本发明中形态波动特征值用于描述疑似裂隙区域边缘像素点的位置情况,长度特征值用于表征疑似裂隙区域的长度,灰度特征值利用裂隙成像后灰度值逼近0的特征,实现从多个角度提取疑似裂隙区域的裂隙特征。
进一步地,所述A3中计算每个分组的形态波动特征值的公式为:
其中,di,j为第i个分组中第j个像素点的距离,xi,j为第i个分组中第j个像素点的横坐标,yi,j为第i个分组中第j个像素点的纵坐标,J为分组中像素点的数量,ri为第i个分组的形态波动特征值,i为分组的编号,j为像素点的编号。
上述进一步地方案的有益效果为:本发明中根据每个分组中每个像素点所在的位置,计算出每个像素点的距离,从而计算出一个分组中距离的变化情况,体现出边缘像素点的位置分布特征。
进一步地,所述S6中裂隙识别模型包括:多个矩阵构建单元、多个矩阵处理单元和裂隙评估值输出单元;
每个所述矩阵构建单元处理一张灰度图的裂隙特征,得到裂隙特征矩阵,其中,裂隙特征为S,S={h1,…,hk,…,hK,L,g},h1为灰度图的第1个形态波动特征值,hk为灰度图的第k个形态波动特征值,hK为灰度图的第K个形态波动特征值,K为一张灰度图中形态波动特征值的数量,L为长度特征值,g为灰度特征值,裂隙特征矩阵为H,H=ST S,T为转置运算,k为形态波动特征值的编号;
每个所述矩阵处理单元用于处理一个裂隙特征矩阵,得到一张灰度图的裂隙估计值;
所述裂隙评估值输出单元用于根据多张灰度图的裂隙估计值,计算隧道掌子面裂隙评估值。
上述进一步地方案的有益效果为:本发明中将所有特征值构建为裂隙特征矩阵,减少图像的数据量,并通过特征值凸显图像的特征,便于矩阵处理单元处理。
进一步地,所述矩阵处理单元包括:第一卷积层、第二卷积层、第三卷积层、加法器A1、加法器A2、乘法器M1、乘法器M2、平均特征模块、最大特征模块和Sigmoid层;
所述第一卷积层的输入端作为矩阵处理单元的输入端,其输出端分别与第二卷积层的输入端和第三卷积层的输入端连接;所述第二卷积层的输出端分别与加法器A1的第一输入端和乘法器M1的第一输入端连接;所述第三卷积层的输出端分别与加法器A1的第二输入端和乘法器M2的第一输入端连接;所述加法器A1的输出端分别与平均特征模块的输入端和最大特征模块的输入端连接;所述平均特征模块的输出端与乘法器M1的第二输入端连接;所述最大特征模块的输出端与乘法器M2的第二输入端连接;所述加法器A2的第一输入端与乘法器M1的输出端连接,其第二输入端与乘法器M2的输出端连接,其输出端与Sigmoid层的输入端连接;所述Sigmoid层的输出端作为矩阵处理单元的输出端。
进一步地,所述平均特征模块包括:全局平均池化层、第一BN层、第一ReLU层和第一softmax层;
所述全局平均池化层的输入端作为平均特征模块的输入端,其输出端与第一BN层的输入端连接;所述第一softmax层的输入端与第一BN层的输出端连接,其输出端作为平均特征模块的输出端。
进一步地,所述最大特征模块包括:最大池化层、第二BN层、第二ReLU层和第二softmax层;
所述最大池化层的输入端作为最大特征模块的输入端,其输出端与第二BN层的输入端连接;所述第二ReLU层的输入端与第二BN层的输出端连接;所述第二softmax层的输入端与第二ReLU层的输出端连接,其输出端作为最大特征模块的输出端。
上述进一步地方案的有益效果为:在本发明中第一卷积层在提取裂隙特征矩阵的特征后,分别输入到第二卷积层和第三卷积层中进行不同特征的提取,在加法器A1处实现不同特征的融合,并将融合后的特征分别采用平均特征模块和最大特征模块处理,平均特征模块提取全局池化特征,计算出基于全局池化特征的注意力值,实现自适应对第二卷积层输出特征进行增强;最大特征模块提取最大池化特征,计算出基于最大池化特征的注意力值,实现自适应对第三卷积层输出特征进行增强。
进一步地,所述裂隙评估值输出单元的表达式为:
其中,Y为隧道掌子面裂隙评估值,yn为第n张灰度图的裂隙估计值,wn为yn的权重,N为灰度图的数量,n为灰度图的编号。
上述进一步地方案的有益效果为:本发明中每个矩阵处理单元处理一张灰度图的数据,得到每张灰度图的裂隙估计值,综合多张灰度图的裂隙估计值,得到隧道掌子面裂隙评估值,提高了隧道掌子面裂隙评估精度。
综上,本发明的有益效果为:本发明中从多角度拍摄隧道掌子面图像,得到多张图像,对每个角度的图像进行灰度处理,减少图像数据量,再对灰度图进行分区处理,实现对灰度图上的区域进行分区,再筛选出疑似的裂隙区域,根据每张灰度图上的裂隙特征,从而计算出多个角度的灰度图的隧道掌子面裂隙评估值,实现综合多个角度评估该隧道掌子面是否存在裂隙,提高监测精度,解决人工实时监测隧道掌子面,存在工作时间长,容易疏漏,对裂隙观察不够细致的问题。
附图说明
图1为一种基于图像识别的隧道掌子面裂隙识别方法的流程图;
图2为裂隙识别模型的结构示意图;
图3为矩阵处理单元的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于图像识别的隧道掌子面裂隙识别方法,包括以下步骤:
S1、多角度拍摄隧道掌子面图像,得到不同拍摄角度的多张图像;
S2、对每张图像进行灰度处理,得到灰度图;
S3、对灰度图进行分区处理,得到每张灰度图的多个隧道掌子面区域;
S4、从每张灰度图的多个隧道掌子面区域筛选出疑似裂隙区域;
S5、提取疑似裂隙区域的裂隙特征;
S6、采用裂隙识别模型处理多张灰度图的裂隙特征,得到隧道掌子面裂隙评估值;
S7、在隧道掌子面裂隙评估值大于评估阈值时,隧道掌子面存在裂隙。
所述S3包括以下分步骤:
S31、从灰度图上任取未分区的一个随机像素点;
S32、计算灰度图上未分区的其他像素点与随机像素点的灰度相似度;
S33、判断是否存在灰度相似度高于相似阈值的其他像素点,若是,则跳转至步骤S34,若否,则将该随机像素点丢弃,并跳转至步骤S31;
S34、将随机像素点和灰度相似度高于相似阈值的其他像素点归为一个隧道掌子面区域,并跳转至步骤S31,直到灰度图上所有像素点分区完,得到多个隧道掌子面区域。
在本实施例中,步骤S31~步骤S34实现将一张灰度图的像素点根据灰度值的大小进行分区,将灰度值相似的像素点分在同一个区域。
在本实施例中,相似阈值和评估阈值根据经验或实验进行设置。
本发明中不断获取未分区的随机像素点,找到与未分区的随机像素点灰度相似的像素点,从而将灰度一致的像素点归为一类,丢弃独立的噪点像素点,实现根据灰度情况对像素点进行分区,相似度的计算可采用余弦相似度。
所述S4包括以下分步骤:
S41、计算每个隧道掌子面区域在对应灰度图上的面积占比,得到第一面积比值;
S42、丢弃第一面积比值大于等于上限阈值的隧道掌子面区域,保留第一面积比值小于上限阈值的隧道掌子面区域;
S43、在一个保留的隧道掌子面区域中,根据像素点的聚集情况,划分保留的隧道掌子面区域,得到多个子区,其中,子区之间像素点坐标不连续;
在本发明中,由于将灰度相似的像素点归为一个隧道掌子面区域,但在同一个隧道掌子面区域中像素点可能并不连续,存在分布在多个方位的情况,因此,将位置上不连续的像素点进行再次划分,得到多个子区。
S44、计算每个子区在对应灰度图上的面积占比,得到第二面积比值;
S45、丢弃第二面积比值小于等于下限阈值的子区,将第二面积比值大于下限阈值的子区作为疑似裂隙区域。
在本发明中,上限阈值和下限阈值根据经验或实验进行设置。
根据每个隧道掌子面区域在对应灰度图上的面积占比,可以排除大面积非裂隙区域,在本发明中,不同灰度等级分成不同区域,各个区域间不一定连续,即步骤S42中保留的隧道掌子面区域可能分布在掌子面的不同地方,因此,根据像素点的聚集情况,将保留的隧道掌子面区域进行再次划分,实现区域细分,从而可以排除一些面积过小的区域。
所述S5中裂隙特征包括:形态波动特征值、长度特征值和灰度特征值;
所述形态波动特征值获取的方法包括以下步骤:
A1、取疑似裂隙区域边缘像素点;
A2、对边缘像素点划分为多个分组,其中,每个分组中的边缘像素点依次相邻;
在本实施例中,步骤A2中在进行划分时,可采用等距间隔分组的方式,也可以采用保障每个组中像素点数量相同的方式,但是在一个分组中边缘像素点的位置要依次连续;
A3、计算每个分组的形态波动特征值;
所述长度特征值获取的方法为:取疑似裂隙区域中距离最远一对像素点,最远一对像素点的距离为长度特征值;
所述灰度特征值为疑似裂隙区域像素点的平均灰度值。
本发明中形态波动特征值用于描述疑似裂隙区域边缘像素点的位置情况,长度特征值用于表征疑似裂隙区域的长度,灰度特征值利用裂隙成像后灰度值逼近0的特征,实现从多个角度提取疑似裂隙区域的裂隙特征。
所述A3中计算每个分组的形态波动特征值的公式为:
其中,di,j为第i个分组中第j个像素点的距离,xi,j为第i个分组中第j个像素点的横坐标,yi,j为第i个分组中第j个像素点的纵坐标,J为分组中像素点的数量,ri为第i个分组的形态波动特征值,i为分组的编号,j为像素点的编号。
本发明中根据每个分组中每个像素点所在的位置,计算出每个像素点的距离,从而计算出一个分组中距离的变化情况,体现出边缘像素点的位置分布特征。
如图2所示,所述S6中裂隙识别模型包括:多个矩阵构建单元、多个矩阵处理单元和裂隙评估值输出单元;
每个所述矩阵构建单元处理一张灰度图的裂隙特征,得到裂隙特征矩阵,其中,裂隙特征为S,S={h1,…,hk,…,hK,L,g},h1为灰度图的第1个形态波动特征值,hk为灰度图的第k个形态波动特征值,hK为灰度图的第K个形态波动特征值,K为一张灰度图中形态波动特征值的数量,L为长度特征值,g为灰度特征值,裂隙特征矩阵为H,H=ST S,T为转置运算,k为形态波动特征值的编号;
在本实施例中,裂隙特征中h1,…,hk,…,hK由一张灰度图的多个疑似裂隙区域的多个分组的形态波动特征值依次排列构成。
每个所述矩阵处理单元用于处理一个裂隙特征矩阵,得到一张灰度图的裂隙估计值;
所述裂隙评估值输出单元用于根据多张灰度图的裂隙估计值,计算隧道掌子面裂隙评估值。
本发明中将所有特征值构建为裂隙特征矩阵,减少图像的数据量,并通过特征值凸显图像的特征,便于矩阵处理单元处理。
如图3所示,所述矩阵处理单元包括:第一卷积层、第二卷积层、第三卷积层、加法器A1、加法器A2、乘法器M1、乘法器M2、平均特征模块、最大特征模块和Sigmoid层;
所述第一卷积层的输入端作为矩阵处理单元的输入端,其输出端分别与第二卷积层的输入端和第三卷积层的输入端连接;所述第二卷积层的输出端分别与加法器A1的第一输入端和乘法器M1的第一输入端连接;所述第三卷积层的输出端分别与加法器A1的第二输入端和乘法器M2的第一输入端连接;所述加法器A1的输出端分别与平均特征模块的输入端和最大特征模块的输入端连接;所述平均特征模块的输出端与乘法器M1的第二输入端连接;所述最大特征模块的输出端与乘法器M2的第二输入端连接;所述加法器A2的第一输入端与乘法器M1的输出端连接,其第二输入端与乘法器M2的输出端连接,其输出端与Sigmoid层的输入端连接;所述Sigmoid层的输出端作为矩阵处理单元的输出端。
在本实施例中,Sigmoid层的表达式为:,其中,y为一张灰度图的裂隙估计值,Sigmoid为激活函数,sm为加法器A2输出的第m个特征,wm为sm的权重,M为加法器A2输出的特征的数量。
所述平均特征模块包括:全局平均池化层、第一BN层、第一ReLU层和第一softmax层;
所述全局平均池化层的输入端作为平均特征模块的输入端,其输出端与第一BN层的输入端连接;所述第一softmax层的输入端与第一BN层的输出端连接,其输出端作为平均特征模块的输出端。
所述最大特征模块包括:最大池化层、第二BN层、第二ReLU层和第二softmax层;
所述最大池化层的输入端作为最大特征模块的输入端,其输出端与第二BN层的输入端连接;所述第二ReLU层的输入端与第二BN层的输出端连接;所述第二softmax层的输入端与第二ReLU层的输出端连接,其输出端作为最大特征模块的输出端。
在本发明中第一卷积层在提取裂隙特征矩阵的特征后,分别输入到第二卷积层和第三卷积层中进行不同特征的提取,在加法器A1处实现不同特征的融合,并将融合后的特征分别采用平均特征模块和最大特征模块处理,平均特征模块提取全局池化特征,计算出基于全局池化特征的注意力值,实现自适应对第二卷积层输出特征进行增强;最大特征模块提取最大池化特征,计算出基于最大池化特征的注意力值,实现自适应对第三卷积层输出特征进行增强。
在本实施例中,第一卷积层的卷积核的大小为11,第二卷积层和第三卷积层的卷积核大小不同,用于提取不同特征,第二卷积层的卷积核大小可设置为3/>3,第三卷积层的卷积核大小可设置为5/>5。
所述裂隙评估值输出单元的表达式为:
其中,Y为隧道掌子面裂隙评估值,yn为第n张灰度图的裂隙估计值,wn为yn的权重,N为灰度图的数量,n为灰度图的编号。
本发明中每个矩阵处理单元处理一张灰度图的数据,得到每张灰度图的裂隙估计值,综合多张灰度图的裂隙估计值,得到隧道掌子面裂隙评估值,提高了隧道掌子面裂隙评估精度。
本发明中从多角度拍摄隧道掌子面图像,得到多张图像,对每个角度的图像进行灰度处理,减少图像数据量,再对灰度图进行分区处理,实现对灰度图上的区域进行分区,再筛选出疑似的裂隙区域,根据每张灰度图上的裂隙特征,从而计算出多个角度的灰度图的隧道掌子面裂隙评估值,实现综合多个角度评估该隧道掌子面是否存在裂隙,提高监测精度,解决人工实时监测隧道掌子面,存在工作时间长,容易疏漏,对裂隙观察不够细致的问题。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像识别的隧道掌子面裂隙识别方法,其特征在于,包括以下步骤:
S1、多角度拍摄隧道掌子面图像,得到不同拍摄角度的多张图像;
S2、对每张图像进行灰度处理,得到灰度图;
S3、对灰度图进行分区处理,得到每张灰度图的多个隧道掌子面区域;
S4、从每张灰度图的多个隧道掌子面区域筛选出疑似裂隙区域;
S5、提取疑似裂隙区域的裂隙特征;
S6、采用裂隙识别模型处理多张灰度图的裂隙特征,得到隧道掌子面裂隙评估值;
S7、在隧道掌子面裂隙评估值大于评估阈值时,隧道掌子面存在裂隙。
2.根据权利要求1所述的基于图像识别的隧道掌子面裂隙识别方法,其特征在于,所述S3包括以下分步骤:
S31、从灰度图上任取未分区的一个随机像素点;
S32、计算灰度图上未分区的其他像素点与随机像素点的灰度相似度;
S33、判断是否存在灰度相似度高于相似阈值的其他像素点,若是,则跳转至步骤S34,若否,则将该随机像素点丢弃,并跳转至步骤S31;
S34、将随机像素点和灰度相似度高于相似阈值的其他像素点归为一个隧道掌子面区域,并跳转至步骤S31,直到灰度图上所有像素点分区完,得到多个隧道掌子面区域。
3.根据权利要求1所述的基于图像识别的隧道掌子面裂隙识别方法,其特征在于,所述S4包括以下分步骤:
S41、计算每个隧道掌子面区域在对应灰度图上的面积占比,得到第一面积比值;
S42、丢弃第一面积比值大于等于上限阈值的隧道掌子面区域,保留第一面积比值小于上限阈值的隧道掌子面区域;
S43、在一个保留的隧道掌子面区域中,根据像素点的聚集情况,划分保留的隧道掌子面区域,得到多个子区,其中,子区之间像素点坐标不连续;
S44、计算每个子区在对应灰度图上的面积占比,得到第二面积比值;
S45、丢弃第二面积比值小于等于下限阈值的子区,将第二面积比值大于下限阈值的子区作为疑似裂隙区域。
4.根据权利要求1所述的基于图像识别的隧道掌子面裂隙识别方法,其特征在于,所述S5中裂隙特征包括:形态波动特征值、长度特征值和灰度特征值;
所述形态波动特征值获取的方法包括以下步骤:
A1、取疑似裂隙区域边缘像素点;
A2、对边缘像素点划分为多个分组,其中,每个分组中的边缘像素点依次相邻;
A3、计算每个分组的形态波动特征值;
所述长度特征值获取的方法为:取疑似裂隙区域中距离最远一对像素点,最远一对像素点的距离为长度特征值;
所述灰度特征值为疑似裂隙区域像素点的平均灰度值。
5.根据权利要求4所述的基于图像识别的隧道掌子面裂隙识别方法,其特征在于,所述A3中计算每个分组的形态波动特征值的公式为:
其中,di,j为第i个分组中第j个像素点的距离,xi,j为第i个分组中第j个像素点的横坐标,yi,j为第i个分组中第j个像素点的纵坐标,J为分组中像素点的数量,ri为第i个分组的形态波动特征值,i为分组的编号,j为像素点的编号。
6.根据权利要求5所述的基于图像识别的隧道掌子面裂隙识别方法,其特征在于,所述S6中裂隙识别模型包括:多个矩阵构建单元、多个矩阵处理单元和裂隙评估值输出单元;
每个所述矩阵构建单元处理一张灰度图的裂隙特征,得到裂隙特征矩阵,其中,裂隙特征为S,S={h1,…,hk,…,hK,L,g},h1为灰度图的第1个形态波动特征值,hk为灰度图的第k个形态波动特征值,hK为灰度图的第K个形态波动特征值,K为一张灰度图中形态波动特征值的数量,L为长度特征值,g为灰度特征值,裂隙特征矩阵为H,H=ST S,T为转置运算,k为形态波动特征值的编号;
每个所述矩阵处理单元用于处理一个裂隙特征矩阵,得到一张灰度图的裂隙估计值;
所述裂隙评估值输出单元用于根据多张灰度图的裂隙估计值,计算隧道掌子面裂隙评估值。
7.根据权利要求6所述的基于图像识别的隧道掌子面裂隙识别方法,其特征在于,所述矩阵处理单元包括:第一卷积层、第二卷积层、第三卷积层、加法器A1、加法器A2、乘法器M1、乘法器M2、平均特征模块、最大特征模块和Sigmoid层;
所述第一卷积层的输入端作为矩阵处理单元的输入端,其输出端分别与第二卷积层的输入端和第三卷积层的输入端连接;所述第二卷积层的输出端分别与加法器A1的第一输入端和乘法器M1的第一输入端连接;所述第三卷积层的输出端分别与加法器A1的第二输入端和乘法器M2的第一输入端连接;所述加法器A1的输出端分别与平均特征模块的输入端和最大特征模块的输入端连接;所述平均特征模块的输出端与乘法器M1的第二输入端连接;所述最大特征模块的输出端与乘法器M2的第二输入端连接;所述加法器A2的第一输入端与乘法器M1的输出端连接,其第二输入端与乘法器M2的输出端连接,其输出端与Sigmoid层的输入端连接;所述Sigmoid层的输出端作为矩阵处理单元的输出端。
8.根据权利要求7所述的基于图像识别的隧道掌子面裂隙识别方法,其特征在于,所述平均特征模块包括:全局平均池化层、第一BN层、第一ReLU层和第一softmax层;
所述全局平均池化层的输入端作为平均特征模块的输入端,其输出端与第一BN层的输入端连接;所述第一softmax层的输入端与第一BN层的输出端连接,其输出端作为平均特征模块的输出端。
9.根据权利要求7所述的基于图像识别的隧道掌子面裂隙识别方法,其特征在于,所述最大特征模块包括:最大池化层、第二BN层、第二ReLU层和第二softmax层;
所述最大池化层的输入端作为最大特征模块的输入端,其输出端与第二BN层的输入端连接;所述第二ReLU层的输入端与第二BN层的输出端连接;所述第二softmax层的输入端与第二ReLU层的输出端连接,其输出端作为最大特征模块的输出端。
10.根据权利要求7所述的基于图像识别的隧道掌子面裂隙识别方法,其特征在于,所述裂隙评估值输出单元的表达式为:
其中,Y为隧道掌子面裂隙评估值,yn为第n张灰度图的裂隙估计值,wn为yn的权重,N为灰度图的数量,n为灰度图的编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045690.6A CN117557873B (zh) | 2024-01-12 | 2024-01-12 | 一种基于图像识别的隧道掌子面裂隙识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045690.6A CN117557873B (zh) | 2024-01-12 | 2024-01-12 | 一种基于图像识别的隧道掌子面裂隙识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557873A true CN117557873A (zh) | 2024-02-13 |
CN117557873B CN117557873B (zh) | 2024-04-05 |
Family
ID=89823703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410045690.6A Active CN117557873B (zh) | 2024-01-12 | 2024-01-12 | 一种基于图像识别的隧道掌子面裂隙识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557873B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009128097A (ja) * | 2007-11-21 | 2009-06-11 | Ihi Corp | バリまたは欠損認識方法と装置およびバリ取り方法と装置 |
CN114998227A (zh) * | 2022-05-20 | 2022-09-02 | 江苏博腾家用纺织品有限公司 | 基于图像处理的布匹印染缺陷检测方法及系统 |
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及系统 |
CN115578374A (zh) * | 2022-11-01 | 2023-01-06 | 江苏南通元辰钢结构制造有限公司 | 一种机械零件铸造质量评估方法与系统 |
CN115684174A (zh) * | 2022-10-19 | 2023-02-03 | 咸宁职业技术学院 | 一种农产品运输传送带安全运行监测方法 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116403094A (zh) * | 2023-06-08 | 2023-07-07 | 成都菁蓉联创科技有限公司 | 一种嵌入式图像识别方法及系统 |
CN116452667A (zh) * | 2023-06-16 | 2023-07-18 | 成都实时技术股份有限公司 | 一种基于图像处理的目标识别与定位方法 |
CN116485719A (zh) * | 2023-03-13 | 2023-07-25 | 中山大学 | 一种用于裂缝检测的自适应canny方法 |
CN116883373A (zh) * | 2023-07-19 | 2023-10-13 | 大连理工大学 | 一种岩体裂隙识别方法 |
-
2024
- 2024-01-12 CN CN202410045690.6A patent/CN117557873B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009128097A (ja) * | 2007-11-21 | 2009-06-11 | Ihi Corp | バリまたは欠損認識方法と装置およびバリ取り方法と装置 |
CN114998227A (zh) * | 2022-05-20 | 2022-09-02 | 江苏博腾家用纺织品有限公司 | 基于图像处理的布匹印染缺陷检测方法及系统 |
CN115684174A (zh) * | 2022-10-19 | 2023-02-03 | 咸宁职业技术学院 | 一种农产品运输传送带安全运行监测方法 |
CN115578374A (zh) * | 2022-11-01 | 2023-01-06 | 江苏南通元辰钢结构制造有限公司 | 一种机械零件铸造质量评估方法与系统 |
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及系统 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116485719A (zh) * | 2023-03-13 | 2023-07-25 | 中山大学 | 一种用于裂缝检测的自适应canny方法 |
CN116403094A (zh) * | 2023-06-08 | 2023-07-07 | 成都菁蓉联创科技有限公司 | 一种嵌入式图像识别方法及系统 |
CN116452667A (zh) * | 2023-06-16 | 2023-07-18 | 成都实时技术股份有限公司 | 一种基于图像处理的目标识别与定位方法 |
CN116883373A (zh) * | 2023-07-19 | 2023-10-13 | 大连理工大学 | 一种岩体裂隙识别方法 |
Non-Patent Citations (5)
Title |
---|
D. D. PAN 等: "Intelligent rock fracture identification based on image semantic segmentation: methodology and application", 《ENVIRONMENTAL EARTH SCIENCES》, vol. 82, 20 January 2023 (2023-01-20), pages 1 - 16 * |
FAHE SUN 等: "Cross-Hole Radar Fractures Detection of Tunnel Side Wall Based on Full Waveform Inversion and Reverse Time Migration", 《 GEOTECHNICAL AND GEOLOGICAL ENGINEERING》, vol. 40, 9 August 2021 (2021-08-09), pages 1225, XP037766537, DOI: 10.1007/s10706-021-01956-z * |
刘勇 等: "基于裂隙形态特征的煤层图像裂隙识别研究", 《工矿自动化》, vol. 43, no. 10, 31 October 2017 (2017-10-31), pages 59 - 64 * |
张德津 等: "基于空间聚集特征的沥青路面裂缝检测方法", 《自动化学报》, vol. 42, no. 3, 31 March 2016 (2016-03-31), pages 443 - 454 * |
王洋 等: "隧道掌子面节理信息快速数字识别及稳定性分析", 《岩土工程学报》, vol. 33, no. 11, 30 November 2011 (2011-11-30), pages 1734 - 1739 * |
Also Published As
Publication number | Publication date |
---|---|
CN117557873B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN107204004B (zh) | 一种铝电解槽火眼视频动态特征识别方法及系统 | |
CN109448397B (zh) | 一种基于大数据的团雾监测方法 | |
CN113284109B (zh) | 管道缺陷识别方法、装置、终端设备及存储介质 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN115035182B (zh) | 一种山区滑坡灾害预警方法及系统 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
CN116343436A (zh) | 一种山体滑坡检测的方法、装置、设备及介质 | |
CN112580542A (zh) | 一种基于目标检测的钢筋计数方法 | |
CN117557873B (zh) | 一种基于图像识别的隧道掌子面裂隙识别方法 | |
CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 | |
CN116524017B (zh) | 一种用于矿山井下检测识别定位系统 | |
CN116012659B (zh) | 一种红外目标检测方法、装置、电子设备及存储介质 | |
CN116543308A (zh) | 一种基于多模型融合的滑坡检测预警模型及预警方法 | |
CN116739986A (zh) | Auv在输水隧洞内对典型缺陷检测的光学声学组合方法 | |
CN115995043A (zh) | 输电线路隐患目标识别方法及计算机可读存储介质 | |
CN115619873A (zh) | 一种基于轨迹溯源的雷视自动标定方法 | |
Hong et al. | Fractal dimension applied in texture feature extraction in x-ray chest image retrieval | |
KR100976142B1 (ko) | 차량검출방법 | |
CN114202631A (zh) | 一种岩石二次破碎作业中岩石作业面与作业点的确定方法 | |
CN104299002B (zh) | 一种基于监控系统的塔吊图像检测方法 | |
CN113406625A (zh) | 一种sar图像超像素滑窗cfar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 |