CN118038282A - 一种隧道病害检测方法及设备 - Google Patents
一种隧道病害检测方法及设备 Download PDFInfo
- Publication number
- CN118038282A CN118038282A CN202410446141.XA CN202410446141A CN118038282A CN 118038282 A CN118038282 A CN 118038282A CN 202410446141 A CN202410446141 A CN 202410446141A CN 118038282 A CN118038282 A CN 118038282A
- Authority
- CN
- China
- Prior art keywords
- image
- tunnel lining
- vector
- characterization vector
- characterization
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 153
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 559
- 238000012512 characterization method Methods 0.000 claims abstract description 390
- 239000011159 matrix material Substances 0.000 claims description 101
- 238000000034 method Methods 0.000 claims description 91
- 201000010099 disease Diseases 0.000 claims description 79
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 79
- 238000012545 processing Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 description 35
- 230000008569 process Effects 0.000 description 30
- 239000000284 extract Substances 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000003902 lesion Effects 0.000 description 13
- 230000001419 dependent effect Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000035515 penetration Effects 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06N3/08—Learning 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种隧道病害检测方法及设备,对待检测隧道衬砌图像的检测环节,不仅考虑待检测隧道衬砌图像和隧道衬砌病害参考图像的图像表征向量,还将待检测隧道衬砌图像和隧道衬砌病害参考图像的图像表征向量之间的误差向量纳入考量,如此可以获得待检测隧道衬砌图像的本身语义和图像间的混合语义,这样可以更精准表征图像之间的语义匹配情况。进一步地,将待检测隧道衬砌图像与隧道衬砌病害参考图像的观测表征向量以及图像相关表征向量纳入考量,在更多层面去表征图像的特征,以对图像进行表征,更为精准地对隧道衬砌病害参考图像与待检测隧道衬砌图像之间的语义匹配关系进行表征,以增加图像之间匹配关系可靠性,便于对病害进行准确检测。
Description
技术领域
本申请涉及但不限于图像处理、人工智能技术领域,尤其涉及一种隧道病害检测方法及设备。
背景技术
随着城市交通和基础设施建设的不断发展,隧道作为重要的交通通道在城市交通网络中扮演着至关重要的角色。然而,隧道衬砌作为隧道的主要承重结构,在长期运营过程中不可避免地会出现各种病害,如裂缝、剥落、渗水等。这些病害不仅影响隧道的外观和安全性,还可能对隧道的正常运营和使用寿命造成严重影响。目前,隧道病害检测主要依赖于人工巡检和传统的图像处理方法。人工巡检虽然直观,但效率低下且易受主观因素影响,难以保证检测的准确性和一致性。而传统的图像处理方法在处理复杂多变的隧道衬砌病害时,往往面临着识别精度不高、鲁棒性差等问题。近年来,随着计算机视觉和机器学习技术的快速发展,基于图像的智能识别和分析方法在隧道病害检测领域展现出巨大的潜力。这些方法能够通过学习大量的图像数据,自动提取图像中的特征信息,并实现对隧道衬砌病害的自动识别和分类。然而,现有的方法在处理隧道衬砌图像时,往往仅考虑图像的单一特征或简单的特征组合,忽略了图像间的语义关系和多种特征之间的互补性,导致识别结果的准确性和可靠性有限。
发明内容
有鉴于此,本申请实施例至少提供一种隧道病害检测方法及设备。
本申请实施例的技术方案是这样实现的:
一方面,本申请实施例提供一种隧道病害检测方法,所述方法包括:
获取待检测隧道衬砌图像和与所述待检测隧道衬砌图像语义匹配的隧道衬砌病害参考图像;
获取目标图像表征向量,所述目标图像表征向量包括所述待检测隧道衬砌图像的第一图像表征向量、所述隧道衬砌病害参考图像的第二图像表征向量和所述第一图像表征向量与所述第二图像表征向量之间的误差向量;
获取目标相关表征向量,所述目标相关表征向量包括所述待检测隧道衬砌图像的第一观测表征向量和第一图像相关表征向量、所述隧道衬砌病害参考图像的第二观测表征向量和第二图像相关表征向量;
依据所述目标图像表征向量以及所述目标相关表征向量,确定与所述隧道衬砌病害参考图像对应的匹配表征分类,所述匹配表征分类用以表征所述隧道衬砌病害参考图像与所述待检测隧道衬砌图像之间的语义匹配一致度;
其中,所述依据所述目标图像表征向量以及所述目标相关表征向量,确定与所述隧道衬砌病害参考图像对应的匹配表征分类,包括:
依据所述目标图像表征向量和所述目标相关表征向量,基于匹配表征分类网络中的输出层获取所述匹配表征分类。
作为一种实施方式,所述获取目标图像表征向量,还包括:
确定与所述待检测隧道衬砌图像对应的第一图像块矩阵,以及与所述隧道衬砌病害参考图像对应的第二图像块矩阵,所述第一图像块矩阵由多个第一图像块组成,所述多个第一图像块通过对所述待检测隧道衬砌图像进行分割得到,所述第二图像块矩阵由多个第二图像块组成,所述多个第二图像块通过对所述隧道衬砌病害参考图像进行分割得到;
基于每一所述第一图像块的自相关语义信息,确定所述第一图像块矩阵的第一自相关表征向量;
基于每一所述第二图像块的自相关语义信息,确定所述第二图像块矩阵的第二自相关表征向量;
其中,所述目标图像表征向量还包括所述第一自相关表征向量和所述第二自相关表征向量。
作为一种实施方式,所述获取目标图像表征向量,包括:
分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行语义编码,以获取所述第一图像表征向量以及所述第二图像表征向量;
依据所述第一图像表征向量以及所述第二图像表征向量进行向量距离确定,以获取向量空间相似性,所述向量空间相似性用以表征所述第一图像表征向量以及所述第二图像表征向量之间的相似度;其中,目标图像表征向量还包括所述向量空间相似性。
作为一种实施方式,所述分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行语义编码,以获取所述第一图像表征向量以及所述第二图像表征向量,包括:
分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行图像块组划分操作,得到与所述待检测隧道衬砌图像对应的第一图像块组矩阵,以及与所述隧道衬砌病害参考图像对应的第二图像块组矩阵;其中,所述第一图像块组矩阵由多个第一图像块组组成,每一第一图像块组包括多个对所述待检测隧道衬砌图像进行分割得到的第一图像块,所述第二图像块组矩阵由多个第二图像块组组成,每一第二图像块组包括多个对所述待检测隧道衬砌图像进行分割得到的第二图像块;
依据所述第一图像块组矩阵以及所述第二图像块组矩阵进行嵌入映射,得到所述第一图像表征向量以及所述第二图像表征向量;
或者,所述分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行语义编码,以获取所述第一图像表征向量以及所述第二图像表征向量,包括:
获取与所述待检测隧道衬砌图像对应的第一单位图像块矩阵,以及与所述隧道衬砌病害参考图像对应的第二单位图像块矩阵,其中,所述第一单位图像块矩阵由多个对所述待检测隧道衬砌图像进行分割得到的单个图像块组成,所述第二单位图像块矩阵由多个对所述隧道衬砌病害参考图像进行分割得到的单个图像块组成;
依据所述第一单位图像块矩阵以及所述第二单位图像块矩阵进行嵌入映射,得到所述第一图像表征向量以及所述第二图像表征向量。
作为一种实施方式,所述获取目标图像表征向量,还包括:
确定与所述待检测隧道衬砌图像对应的第一图像块矩阵,以及与所述隧道衬砌病害参考图像对应的第二图像块矩阵,所述第一图像块矩阵由多个第一图像块组成,所述多个第一图像块通过对所述待检测隧道衬砌图像进行分割得到,所述第二图像块矩阵由多个第二图像块组成,所述多个第二图像块通过对所述隧道衬砌病害参考图像进行分割得到;
获取每一所述第一图像块与每一所述第二图像块之间的特征共性度量结果,获得图像块关联表征向量;其中,所述目标图像表征向量还包括所述图像块关联表征向量。
作为一种实施方式,所述获取目标图像表征向量,还包括:
依据所述第一图像表征向量,对所述第一图像表征向量进行显著性表征向量提取,得到所述隧道衬砌病害参考图像对应的第一显著性表征向量;
依据所述第二图像表征向量,对所述第二图像表征向量进行显著性表征向量提取,得到所述待检测隧道衬砌图像对应的第二显著性表征向量;其中,所述目标图像表征向量还包括所述第一显著性表征向量以及所述第二显著性表征向量。
作为一种实施方式,所述获取目标相关表征向量,包括:
依据所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像,获取所述第一观测表征向量与所述第一图像相关表征向量和所述第二观测表征向量与所述第二图像相关表征向量;
依据所述第一观测表征向量以及所述第二观测表征向量进行向量距离确定,以获取观测差异表征向量,所述观测差异表征向量用以表征所述第一观测表征向量以及所述第二观测表征向量之间的相似度;
依据所述第一图像相关表征向量以及所述第二图像相关表征向量进行向量距离确定,以获取图像相关差异表征向量,所述图像相关差异表征向量用以表征所述第一图像相关表征向量以及所述第二图像相关表征向量之间的相似度;其中,所述目标相关表征向量还包括所述观测差异表征向量以及所述图像相关差异表征向量。
作为一种实施方式,所述待检测隧道衬砌图像具有对应的隧道段标注信息;
所述获取目标相关表征向量,包括:
获取在所述隧道段标注信息下与所述待检测隧道衬砌图像关联的第一过往存储信息和在所述隧道段标注信息下与所述隧道衬砌病害参考图像关联的第二过往存储信息,所述过往存储信息包括位置检测次数、拍摄位置的历史病害情况;
对所述第一过往存储信息以及所述第二过往存储信息进行语义编码,获得所述第一观测表征向量以及所述第二观测表征向量。
作为一种实施方式,所述获取目标相关表征向量,还包括:
获取所述待检测隧道衬砌图像的第一图像细节信息和所述隧道衬砌病害参考图像的第二图像细节信息,图像细节信息包括图像的尺寸、图像的对象数量统计结果、图像中的对象的语义分割结果;
对所述第一图像细节信息和所述第二图像细节信息进行语义编码,获得所述待检测隧道衬砌图像对应的第一图像细节表征向量和所述隧道衬砌病害参考图像对应的第二图像细节表征向量;
其中,所述第一图像相关表征向量包括所述第一图像细节表征向量,所述第二图像相关表征向量包括所述第二图像细节表征向量。
作为一种实施方式,所述获取目标相关表征向量,还包括:
确定所述待检测隧道衬砌图像的第一对象类别和所述隧道衬砌病害参考图像的第二对象类别;
对所述第一对象类别和所述第二对象类别进行语义编码,获得所述待检测隧道衬砌图像对应的第一对象类别表征向量和所述隧道衬砌病害参考图像对应的第二对象类别表征向量;
其中,所述第一图像相关表征向量包括所述第一对象类别表征向量,所述第二图像相关表征向量包括所述第二对象类别表征向量。
作为一种实施方式,所述获取目标图像表征向量,包括:
依据所述待检测隧道衬砌图像和所述隧道衬砌病害参考图像,基于调校获得的匹配表征分类网络中的深层特征处理层获取所述目标图像表征向量;
所述获取目标相关表征向量,包括:
依据所述待检测隧道衬砌图像和所述隧道衬砌病害参考图像,通过所述匹配表征分类网络中的浅层特征处理层获取所述目标相关表征向量。
第二方面,本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上所述方法中的步骤。
本申请至少具有的有益效果:本申请实施例提供的隧道病害检测方法及设备,获取待检测隧道衬砌图像和与待检测隧道衬砌图像语义对应的隧道衬砌病害参考图像,再获取目标图像表征向量,目标图像表征向量包括待检测隧道衬砌图像的第一图像表征向量、隧道衬砌病害参考图像的第二图像表征向量和第一图像表征向量以及第二图像表征向量之间的误差向量,并获取目标相关表征向量,目标相关表征向量包括待检测隧道衬砌图像的第一观测表征向量以及第一图像相关表征向量和隧道衬砌病害参考图像的第二观测表征向量以及第二图像相关表征向量从,从而依据目标图像表征向量以及目标相关表征向量,确定与隧道衬砌病害参考图像对应的匹配表征分类,匹配表征分类用以表征隧道衬砌病害参考图像与待检测隧道衬砌图像之间的语义匹配一致度。对待检测隧道衬砌图像的检测环节,不仅考虑待检测隧道衬砌图像和隧道衬砌病害参考图像的图像表征向量,还将待检测隧道衬砌图像和隧道衬砌病害参考图像的图像表征向量之间的误差向量纳入考量,如此可以获得待检测隧道衬砌图像的本身语义和图像间的混合语义,这样可以更精准表征隧道衬砌病害参考图像与待检测隧道衬砌图像之间的语义匹配情况。进一步地,将待检测隧道衬砌图像与隧道衬砌病害参考图像的观测表征向量以及图像相关表征向量纳入考量,在更多层面去表征图像的特征,以对图像进行表征,更为精准地对隧道衬砌病害参考图像与待检测隧道衬砌图像之间的语义匹配关系进行表征,以增加待检测隧道衬砌图像与隧道衬砌病害参考图像之间匹配关系可靠性,便于对病害进行准确检测。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种隧道病害检测方法的实现流程示意图。
图2为本申请实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图和实施例对本申请的技术方案进一步详细阐述,所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的,不是旨在限制本申请。
本申请实施例提供一种隧道病害检测方法,该方法可以由计算机设备的处理器执行。其中,计算机设备可以指的是服务器、笔记本电脑、平板电脑、台式计算机等具备数据处理能力的设备。
图1为本申请实施例提供的一种隧道病害检测方法的实现流程示意图,如图1所示,该方法包括如下步骤:
步骤S10:获取待检测隧道衬砌图像和与所述待检测隧道衬砌图像语义匹配的隧道衬砌病害参考图像。
具体来说,计算机设备首先通过图像采集系统获取待检测隧道衬砌的图像。这些图像可以来源于隧道巡检过程中使用的高清摄像头、无人机搭载的摄像设备或其他专用图像采集装置。获取的图像质量直接关系到后续处理的准确性和有效性,因此,在实际操作中,需要确保图像清晰、无畸变,并尽可能包含隧道衬砌的完整信息。
紧接着,计算机设备从未经处理的图像库中检索出与待检测隧道衬砌图像语义匹配的病害参考图像。这里的语义匹配是指两幅图像在内容上具有相似性,即它们所反映的隧道衬砌病害类型、程度或位置等信息相近。为了实现这种匹配,计算机设备可以采用图像检索技术,如基于内容的图像检索(CBIR)方法,通过提取图像的视觉特征(如颜色、纹理、形状等)并使用相似性度量算法(如余弦相似度、欧氏距离等)来计算图像之间的相似度。
在实际应用中,为了提高检索效率和准确性,可以预先对图像库中的病害参考图像进行标注和分类,如按照病害类型(如裂缝、渗水、剥落等)进行划分,并建立相应的索引结构。这样,在检索时,计算机设备可以根据待检测图像的初步特征(如通过图像预处理提取的边缘、角点等)快速定位到可能的匹配类别,并在该类别的图像集合中进行更精细的相似度计算。
此外,为了确保匹配结果的可靠性,可以设置一个初步匹配阈值。只有当两幅图像之间的相似度超过这个阈值时,才认为它们是语义匹配的。这个阈值的具体设定需要根据实际应用场景和图像库的特点进行调整和优化。
步骤S10通过获取待检测隧道衬砌图像和与之语义匹配的病害参考图像,为后续的隧道病害检测提供了必要的数据基础。在实际操作中,需要关注图像采集的质量、检索算法的选择与优化以及匹配阈值的设定等问题,以确保整个检测流程的准确性和高效性。
步骤S20:获取目标图像表征向量,所述目标图像表征向量包括所述待检测隧道衬砌图像的第一图像表征向量、所述隧道衬砌病害参考图像的第二图像表征向量和所述第一图像表征向量与所述第二图像表征向量之间的误差向量。
具体来说,对于每一图像,计算机设备通过特定的算法或神经网络模型提取出其图像表征向量。这些向量是对图像内容的抽象表示,能够捕捉到图像的语义信息,如形状、纹理、结构等关键特征。
以待检测隧道衬砌图像为例,计算机设备首先将其输入到一个预设的神经网络模型中,如卷积神经网络(CNN)。在这个模型中,图像会经过一系列的卷积层、池化层等处理,最终输出一个高维的特征向量,即第一图像表征向量。这个向量包含了图像中的丰富信息,可以用于后续的匹配和分类任务。
同样地,对于隧道衬砌病害参考图像,计算机设备也会采用类似的方法提取出其第二图像表征向量。这两个向量分别代表了待检测图像和参考图像的语义特征,是后续计算误差向量和进行匹配的基础。
除了提取图像表征向量外,步骤S20还包括计算第一图像表征向量与第二图像表征向量之间的误差向量。这个误差向量反映了两个图像在语义特征上的差异程度,是评估它们之间匹配度的重要指标。误差向量的计算可以采用多种方法,如获取第一图像表征向量与第二图像表征向量之间的欧氏距离、余弦相似度作为误差向量。在实际应用中,需要根据具体的需求和场景选择合适的计算方法。例如,假设待检测隧道衬砌图像和隧道衬砌病害参考图像都经过了一个预训练的CNN模型处理,输出了各自的高维特征向量。计算机设备可以采用余弦相似度来计算这两个向量之间的误差向量。余弦相似度的取值范围在-1到1之间,越接近1表示两个向量越相似,越接近-1表示两个向量越不相似。通过计算余弦相似度,可以得到一个量化的误差向量,用于后续的匹配和分类任务。步骤S20通过提取待检测隧道衬砌图像和隧道衬砌病害参考图像的图像表征向量,并计算它们之间的误差向量,为后续的匹配和分类提供了重要的数据支持。这些向量不仅包含了图像的语义信息,还反映了图像之间的差异程度,是隧道病害检测方法中不可或缺的一部分。
步骤S30:获取目标相关表征向量,所述目标相关表征向量包括所述待检测隧道衬砌图像的第一观测表征向量和第一图像相关表征向量、所述隧道衬砌病害参考图像的第二观测表征向量和第二图像相关表征向量。
步骤S30的核心在于获取与图像相关的更深层次信息,即目标相关表征向量。这些向量不仅包含图像的直观特征,还融入了与图像关联的背景信息和语义内容,为后续的精确匹配提供了丰富的数据支持。
具体来说,计算机设备在处理这一步骤时,针对待检测隧道衬砌图像和隧道衬砌病害参考图像,分别提取它们的第一观测表征向量和第二观测表征向量。观测表征向量,也被称为后验特征,例如反映图像的拍摄背景和历史信息。以待检测隧道衬砌图像为例,其第一观测表征向量可能包括拍摄位置的具体检测次数、该位置历史上的病害记录、维修情况等重要信息。这些数据对于理解当前图像的病害状况及其发展趋势具有关键作用。
除了观测表征向量外,计算机设备还会提取图像的相关表征向量。这类向量主要关注图像本身的属性,如尺寸、颜色模式、对象数量等。例如,待检测隧道衬砌图像的第一图像相关表征向量可以包含图像的分辨率、长宽比、颜色空间等基本信息,以及更高级的特征,如图像中裂缝的数量、分布和宽度等。这些特征可以通过图像处理算法或机器学习模型进行自动提取和量化。
同样地,对于隧道衬砌病害参考图像,计算机设备也会提取相应的第二观测表征向量和第二图像相关表征向量。这些向量将用于与待检测图像的向量进行比较和匹配,以找出最相似的病害参考图像。在实际应用中,观测表征向量和相关表征向量的提取过程可能涉及复杂的算法和模型。例如,为了准确识别图像中的裂缝对象并提取其语义特征,可以使用深度学习中的卷积神经网络(CNN)进行图像分割和特征提取。这类网络能够自动学习图像中的层次化特征表示,从而有效地捕捉到裂缝的形状、纹理等关键信息。
步骤S30通过提取待检测隧道衬砌图像和隧道衬砌病害参考图像的观测表征向量和相关表征向量,为后续的精确匹配提供了全面的数据支持。这些向量不仅包含了图像的直观特征,还融入了丰富的背景信息和语义内容,使得匹配过程更加准确和可靠。
步骤S40:依据所述目标图像表征向量以及所述目标相关表征向量,确定与所述隧道衬砌病害参考图像对应的匹配表征分类,所述匹配表征分类用以表征所述隧道衬砌病害参考图像与所述待检测隧道衬砌图像之间的语义匹配一致度。
步骤S40对之前步骤中提取的各种表征向量的综合分析和利用,以确定待检测隧道衬砌图像与隧道衬砌病害参考图像之间的匹配程度。这一步骤对于准确识别隧道衬砌的病害类型、程度以及制定有效的维修策略至关重要。
具体来说,计算机设备在这一步骤中根据目标图像表征向量和目标相关表征向量,通过特定的算法或模型来确定与隧道衬砌病害参考图像对应的匹配表征分类。这个分类结果实际上是一个量化指标,用以表征两幅图像在语义上的匹配一致度。在一个具体示例中,待检测隧道衬砌图像中显示了一条细微的裂缝,而隧道衬砌病害参考图像库中有多张图像,其中一张显示了一条明显的裂缝,另一张则显示了渗水现象。在这种情况下,计算机设备首先提取待检测图像和参考图像的图像表征向量,这些向量包含了图像的形状、纹理、结构等关键特征信息。同时,设备还会提取与这些图像相关的观测表征向量,如拍摄位置、历史病害情况等背景信息。
接下来,计算机设备利用这些向量来确定匹配表征分类。在这个例子中,待检测图像与显示明显裂缝的参考图像在图像表征向量上可能具有较高的相似度,因此它们可能被归类为病害表现一致性分类。这表明两幅图像中的裂缝虽然表现形式不同(细微与明显),但本质上是同一种病害。同时,由于裂缝和渗水在隧道结构中常常同时出现,因此显示渗水的参考图像可能与待检测图像具有一定的相关性,被归类为病害相关性分类。
需要注意的是,匹配表征分类的具体实现方式可能因技术方案的不同而有所差异。例如,可以采用机器学习模型(如支持向量机、随机森林等)或深度学习神经网络(如卷积神经网络、循环神经网络等)来对向量进行分类和匹配。这些模型和网络能够自动学习图像的特征表示和分类规则,从而实现更准确的匹配。
在一些实施例中,匹配表征分类可以包括病害表现一致性分类、病害类别归属分类、病害细节化分类、病害相关性分类、病害非相关性分类,其中,病害表现一致性分类表示两张图像中的病害实际上是同一种病害的不同表现形式。例如,一张图像中的裂缝可能较细微,而另一张图像中的裂缝则可能已经明显扩大,但本质上它们都是裂缝病害。病害类别归属分类表示一张图像中的病害可以被看作是另一张图像中病害的更广泛类别。例如,一张图像显示的是具体的渗水病害,而另一张图像可能显示的是包含渗水在内的多种潮湿病害的综合表现。病害细节化分类表示一张图像中的病害是另一张图像中更广泛病害类别的具体实例。例如,一张图像可能显示的是一般的结构损伤,而另一张图像则具体展示了这种损伤表现为剥落或破碎。病害相关性分类表示两张图像中的病害虽然不是同一种类型,但它们在隧道结构中具有相关性或常常同时出现。例如,裂缝和渗水可能经常在同一区域共同发生,即使它们在图像中的表现形式不同。病害非相关性分类表示两张图像中的病害在语义上没有明显的关联,或者关联程度非常低。例如,一张图像显示的是裂缝病害,而另一张图像显示的是完全不相关的照明问题。
作为一种实施方式,依据所述目标图像表征向量以及所述目标相关表征向量,确定与所述隧道衬砌病害参考图像对应的匹配表征分类,具体可以包括以下子步骤:
步骤S40a:组合目标图像表征向量和目标相关表征向量。
这一步涉及将步骤S20中获得的第一图像表征向量、第二图像表征向量和误差向量,以及步骤S30中获得的第一观测表征向量、第一图像相关表征向量、第二观测表征向量和第二图像相关表征向量进行组合。组合的方式可以是拼接、加权求和或其他合适的融合方法,以形成一个综合表征向量。
步骤S40b:将综合表征向量输入到预先训练的分类器中。这个分类器可以是支持向量机(SVM)、随机森林、神经网络(如卷积神经网络CNN、全连接神经网络等)或其他机器学习模型。分类器的任务是学习如何根据综合表征向量来判断隧道衬砌病害参考图像与待检测隧道衬砌图像之间的语义匹配一致度。
步骤S40c:通过分类器输出匹配表征分类。分类器会根据输入的综合表征向量给出一个或多个匹配表征分类的结果。这些分类如前所述,可以包括病害表现一致性分类、病害类别归属分类、病害细节化分类、病害相关性分类、病害非相关性分类等类别,用于表征隧道衬砌病害参考图像与待检测隧道衬砌图像之间的相似程度。
作为一种实施方式,所述获取目标图像表征向量,包括:依据所述待检测隧道衬砌图像和所述隧道衬砌病害参考图像,基于调校获得的匹配表征分类网络中的深层特征处理层(如深度Deep网络,可以包括向量处理层、浅层语义编码组件、以及交叉编码组件,且浅层语义编码组件中可以引入LSTM网络)获取所述目标图像表征向量。
所述获取目标相关表征向量,包括:依据所述待检测隧道衬砌图像和所述隧道衬砌病害参考图像,通过所述匹配表征分类网络中的浅层特征处理层(如线性Wide网络)获取所述目标相关表征向量。
所述依据所述目标图像表征向量和所述目标相关表征向量,确定与所述隧道衬砌病害参考图像对应的匹配表征分类,包括:依据所述目标图像表征向量和所述目标相关表征向量,基于所述匹配表征分类网络中的输出层获取所述匹配表征分类。
上述实施方式,在隧道病害检测的方法中,获取目标图像表征向量和目标相关表征向量的过程,以及确定匹配表征分类的方式,均通过经过调校的匹配表征分类网络实现。这个网络结构复杂,但可以通过其不同的层次来处理和分析图像数据,从而提取出关键的特征信息。
首先,获取目标图像表征向量的过程是通过匹配表征分类网络中的深层特征处理层来实现的。这个深层特征处理层可以是一个深度网络,它包括了多个层次,如浅层语义编码组件以及交叉编码组件。这些层次对图像数据进行逐步的抽象和处理,以提取出图像的高层次特征。
具体来说,可以在浅层语义编码组件之前插入一个向量层将输入的图像数据转换为向量形式,浅层语义编码组件则进一步对向量进行编码,提取出图像的语义特征。在这个过程中,可以引入LSTM网络(长短期记忆网络)来处理图像中的图像块排列的序列信息,如裂缝的连续性和扩展方向等。最后,交叉编码组件对来自不同图像的特征进行交叉编码,以生成目标图像表征向量。
举个例子,如果待检测隧道衬砌图像中显示了一条裂缝,那么深层特征处理层将提取出这条裂缝的形状、长度、宽度等特征,并将其编码为一个高维的特征向量。同样地,对于隧道衬砌病害参考图像中的裂缝病害,也会生成相应的特征向量。这些特征向量就构成了目标图像表征向量的一部分。
其次,获取目标相关表征向量的过程是通过匹配表征分类网络中的浅层特征处理层来实现的。这个浅层特征处理层可以是一个线性网络,它主要负责提取图像的低层次特征,如颜色、纹理等。这些特征与图像的拍摄条件、历史病害情况等背景信息密切相关,因此被称为目标相关表征向量。
最后,确定匹配表征分类的过程是基于匹配表征分类网络中的输出层来实现的。输出层接收来自深层特征处理层和浅层特征处理层的特征向量作为输入,并通过特定的算法或模型来计算这些向量之间的匹配度。根据匹配度的结果,可以确定与隧道衬砌病害参考图像对应的匹配表征分类。输出层可以包括全连接层和激活层,全连接层将前一层的输出映射到最终的目标空间,例如分类任务的类别数量。对于二分类问题,输出层通常包含一个神经元和Sigmoid激活函数;对于多分类问题,则包含多个神经元和Softmax激活函数。激活函数用于将输出层的原始输出转换为概率分布或类别标签。如前所述,二分类问题通常使用Sigmoid函数将输出映射到(0, 1)之间表示概率;多分类问题则使用Softmax函数将输出转换为归一化的概率分布。
举个例子,如果待检测隧道衬砌图像中的裂缝病害与隧道衬砌病害参考图像库中的某张图像在形状、长度等特征上高度相似,那么它们的特征向量之间的匹配度就会很高,从而被归类为病害表现一致性分类。这表明两幅图像中的裂缝病害实际上是同一种病害的不同表现形式。通过这种方式,可以准确地找到与待检测图像最匹配的隧道衬砌病害参考图像,为后续的病害识别和维修策略制定提供有力支持。
作为一种实施方式,所述获取目标图像表征向量,还包括:
步骤S201:确定与所述待检测隧道衬砌图像对应的第一图像块矩阵,以及与所述隧道衬砌病害参考图像对应的第二图像块矩阵,所述第一图像块矩阵由多个第一图像块组成,所述第二图像块矩阵由多个第二图像块组成;
步骤S202:基于每一所述第一图像块的自相关语义信息,确定所述第一图像块矩阵的第一自相关表征向量;
步骤S203:基于每一所述第二图像块的自相关语义信息,确定所述第二图像块矩阵的第二自相关表征向量;其中,所述目标图像表征向量还包括所述第一自相关表征向量和所述第二自相关表征向量。
首先,在步骤S201中,计算机设备确定与待检测隧道衬砌图像对应的第一图像块矩阵,以及与隧道衬砌病害参考图像对应的第二图像块矩阵。具体来说,就是将原始图像(即待检测隧道衬砌图像、隧道衬砌病害参考图像)分割成多个图像块,并按照一定的顺序(例如按照各个图像块在原始图像中的分布位置顺序)排列成矩阵形式,对待检测隧道衬砌图像分割得到的是多个第一图像块,对隧道衬砌病害参考图像分割得到的是多个第二图像块。这些图像块的大小和形状可以根据实际需求进行调整,以适应不同的检测任务。例如,在检测裂缝病害时,可以将图像分割成较小的块,以便更准确地捕捉裂缝的细节特征。接下来,步骤S202和步骤S203分别针对第一图像块矩阵和第二图像块矩阵进行处理。这两个步骤的目的是提取每个图像块的自相关语义信息,并生成相应的自相关表征向量。自相关语义信息可以理解为图像块内部的像素之间的关联信息和上下文信息,它反映了图像块内部的特征和结构。
在步骤S202中,计算机设备针对第一图像块矩阵中的每个第一图像块进行处理。具体来说,可以使用卷积神经网络(CNN)等深度学习模型来提取每个图像块的特征。这些特征可以包括颜色、纹理、形状等低层次特征,也可以包括更抽象的高层次特征。然后,将这些特征进行编码和融合,生成第一图像块矩阵的第一自相关表征向量。这个向量包含了待检测隧道衬砌图像中所有图像块的自相关语义信息。
同样地,在步骤S203中,计算机设备对第二图像块矩阵中的每个第二图像块进行处理,生成第二图像块矩阵的第二自相关表征向量。这个向量包含了隧道衬砌病害参考图像中所有图像块的自相关语义信息。
在实际应用中,为了提高处理效率和准确性,可以使用一些优化技巧和数据增强方法来改进模型的性能。例如,可以采用批量处理、并行计算等技术来加速特征提取和编码过程;同时,也可以使用数据增强方法来扩充训练数据集,提高模型的泛化能力。
目标图像表征向量包含了待检测隧道衬砌图像和隧道衬砌病害参考图像中所有图像块的自相关语义信息,为后续的匹配表征分类提供了丰富的特征信息。
举例来说,假设待检测隧道衬砌图像是一张包含多条裂缝的图像,而隧道衬砌病害参考图像库中的某张图像也是一张包含裂缝的图像。通过上述步骤,可以分别提取出这两张图像中每个图像块的自相关语义信息,并生成相应的自相关表征向量。然后,将这些向量进行融合和比较,可以判断待检测图像中的裂缝病害与参考图像中的裂缝病害是否相似或一致。从而为后续的病害识别和维修策略制定提供有力支持。
作为一种实施方式,所述获取目标图像表征向量,包括:
步骤S21:分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行语义编码,以获取所述第一图像表征向量以及所述第二图像表征向量;
步骤S22:依据所述第一图像表征向量以及所述第二图像表征向量进行向量距离确定,以获取向量空间相似性,所述向量空间相似性用以表征所述第一图像表征向量以及所述第二图像表征向量之间的相似度;其中,目标图像表征向量还包括所述向量空间相似性。
首先,在步骤S21中,计算机设备对待检测隧道衬砌图像和隧道衬砌病害参考图像进行语义编码。语义编码是一种将图像中的视觉信息转换为机器可理解的数值表示的方法,它能够捕捉图像中的语义内容,如对象的类别、属性以及它们之间的关系。为了实现语义编码,可以使用深度学习中的卷积神经网络(CNN)或类似的模型。这些模型经过大量图像数据的训练,能够提取出图像中的特征,并将这些特征转换为高维向量,即图像表征向量。
具体来说,对于待检测隧道衬砌图像,计算机设备将其输入到预训练的CNN模型中,经过多层的卷积、池化和激活函数等操作,提取出图像的特征图。然后,通过全局平均池化或类似的方法,将特征图转换为一个固定长度的向量,即第一图像表征向量。这个向量包含了待检测图像中的语义信息,可以用于后续的相似度匹配和分类任务。
同样地,对于隧道衬砌病害参考图像,计算机设备也会使用相同的CNN模型进行语义编码,得到第二图像表征向量。这个向量包含了参考图像中的语义信息,可以作为标准或基准来评估待检测图像的相似度。
接下来,在步骤S22中,计算机设备依据第一图像表征向量和第二图像表征向量进行向量距离确定。向量距离是衡量两个向量之间相似度的一种指标,常用的距离度量方法包括欧氏距离、余弦相似度等。在这个步骤中,计算机设备选择合适的距离度量方法,计算第一图像表征向量和第二图像表征向量之间的距离或相似度得分。例如,可以使用余弦相似度来计算两个图像表征向量之间的相似度。余弦相似度的取值范围在-1到1之间,值越接近1表示两个向量越相似,值越接近-1表示两个向量越不相似。通过计算余弦相似度得分,可以得到一个数值表示的向量空间相似性,它用以表征待检测图像和参考图像之间的相似度。
最后,将计算得到的向量空间相似性作为目标图像表征向量的一部分。这个目标图像表征向量不仅包含了待检测图像和参考图像的语义信息,还包含了它们之间的相似度信息。这个向量可以用于后续的匹配表征分类网络中,帮助计算机设备更准确地识别和分类隧道衬砌病害。
举例来说,假设有一张待检测隧道衬砌图像和一张隧道衬砌病害参考图像,它们都包含了一条裂缝。通过步骤S21的语义编码过程,计算机设备可以提取出这两张图像中的裂缝特征,并将它们转换为高维向量表示。然后,在步骤S22中,计算机设备计算这两个向量之间的余弦相似度得分,得到一个表示它们之间相似度的数值。这个数值越高,说明待检测图像中的裂缝与参考图像中的裂缝越相似;反之,则越不相似。通过这个相似度得分和原始的图像表征向量,计算机设备可以更全面地描述和理解待检测隧道衬砌图像中的病害情况。
作为一种实施方式,所述分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行语义编码,以获取所述第一图像表征向量以及所述第二图像表征向量,包括:
步骤S211a:分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行图像块组划分操作,得到与所述待检测隧道衬砌图像对应的第一图像块组矩阵,以及与所述隧道衬砌病害参考图像对应的第二图像块组矩阵;
步骤S212a:依据所述第一图像块组矩阵以及所述第二图像块组矩阵进行嵌入映射,得到所述第一图像表征向量以及所述第二图像表征向量。
首先,在步骤S211a中,计算机设备对待检测隧道衬砌图像和隧道衬砌病害参考图像进行图像块组划分操作。这个过程涉及将每张图像(即待检测隧道衬砌图像和隧道衬砌病害参考图像)分割成多个较小的图像块,并将这些图像块组合成一个个图像块组,每个图像块组包含多个图像块,这些图像块共同构成了图像的一个局部区域。通过这种划分,计算机设备能够更细致地分析图像的局部特征,从而提取出更具代表性的语义信息。
具体来说,对于待检测隧道衬砌图像,计算机设备将其划分为多个第一图像块组,并将这些第一图像块组按照一定的顺序(如在待检测隧道衬砌图像中的分布位置顺序)排列成矩阵形式,形成第一图像块组矩阵。同样地,对于隧道衬砌病害参考图像,计算机设备也会进行类似的划分操作,得到第二图像块组矩阵。换言之,第一图像块组矩阵由多个第一图像块组组成,每一第一图像块组包括多个对待检测隧道衬砌图像进行分割得到的第一图像块,第二图像块组矩阵由多个第二图像块组组成,每一第二图像块组包括多个对待检测隧道衬砌图像进行分割得到的第二图像块。
例如,假设待检测隧道衬砌图像是一张包含裂缝和渗水的图像,计算机设备可以将其划分为多个包含裂缝和渗水特征的图像块组。这些图像块组将按照其在原始图像中的位置关系排列成矩阵形式,形成第一图像块组矩阵。
接下来,在步骤S212a中,计算机设备依据第一图像块组矩阵和第二图像块组矩阵进行嵌入映射操作。嵌入映射是一种将图像块组转换为高维向量表示的方法,它能够捕捉图像块组中的语义信息,并将其转换为机器可理解的数值形式。
为了实现嵌入映射,计算机设备可以使用预训练的深度学习模型,如卷积神经网络(CNN)或类似的结构。这些模型经过大量图像数据的训练,已经学会了从图像中提取有意义的特征。通过将图像块组输入到这些模型中,计算机设备可以获得每个图像块组的高维向量表示。
具体来说,对于第一图像块组矩阵中的每个图像块组,计算机设备将其输入到预训练的CNN模型中,经过多层的卷积、池化和激活函数等操作后,提取出该图像块组的特征图。然后,通过全局平均池化或类似的方法将特征图转换为一个固定长度的向量。这些向量构成了第一图像表征向量的一部分。
同样地,对于第二图像块组矩阵中的每个图像块组,计算机设备也会执行类似的嵌入映射操作,得到第二图像表征向量的一部分。最终,通过将第一图像表征向量和第二图像表征向量进行组合或拼接,计算机设备可以获得完整的第一图像表征向量和第二图像表征向量。
这些表征向量包含了待检测隧道衬砌图像和隧道衬砌病害参考图像的语义信息,可以用于后续的相似度匹配和分类任务中。通过比较这些表征向量之间的差异或相似度,计算机设备可以评估待检测图像中的病害类型、程度和位置等信息,从而为隧道衬砌的维护和修复提供有价值的参考依据。
作为另一种实施方式,所述分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行语义编码,以获取所述第一图像表征向量以及所述第二图像表征向量,包括:
步骤S211b:获取与所述待检测隧道衬砌图像对应的第一单位图像块矩阵,以及与所述隧道衬砌病害参考图像对应的第二单位图像块矩阵;
步骤S212b:依据所述第一单位图像块矩阵以及所述第二单位图像块矩阵进行嵌入映射,得到所述第一图像表征向量以及所述第二图像表征向量。
在该另一种实施方式中,在对待检测隧道衬砌图像和隧道衬砌病害参考图像进行语义编码时,首先,在步骤S211b中,计算机设备获取与待检测隧道衬砌图像对应的第一单位图像块矩阵,以及与隧道衬砌病害参考图像对应的第二单位图像块矩阵。这个过程涉及将每张图像(即待检测隧道衬砌图像以及隧道衬砌病害参考图像)分割成多个较小的单个图像块(又叫单位图像块),并将这些单个图像块按照一定的顺序排列成矩阵形式。每个图像块都包含了图像的一部分信息,通过将它们组合成矩阵,计算机设备能够更方便地处理和分析图像数据。
具体来说,对于待检测隧道衬砌图像,计算机设备将其划分为多个单个图像块,并将这些图像块按照其在原始图像中的位置关系排列成矩阵形式,形成第一单位图像块矩阵。同样地,对于隧道衬砌病害参考图像,计算机设备也会进行类似的划分操作,得到第二单位图像块矩阵。
例如,假设待检测隧道衬砌图像是一张包含裂缝的图像,计算机设备可以将其划分为多个包含裂缝特征的单个图像块。这些图像块将按照其在原始图像中的位置关系排列成矩阵形式,形成第一单位图像块矩阵。
接下来,在步骤S212b中,计算机设备依据第一单位图像块矩阵和第二单位图像块矩阵进行嵌入映射操作。嵌入映射是一种将图像块转换为高维向量表示的方法,它能够捕捉图像块中的语义信息,并将其转换为机器可理解的数值形式。
为了实现嵌入映射,计算机设备可以使用预训练的深度学习模型,如卷积神经网络(CNN)。这些模型经过大量图像数据的训练,已经学会了从图像中提取有意义的特征。通过将图像块输入到这些模型中,计算机设备可以获得每个图像块的高维向量表示。
具体来说,对于第一单位图像块矩阵中的每个图像块,计算机设备将其输入到预训练的CNN模型中。模型会经过多层的卷积、池化和激活函数等操作来提取图像块的特征。最终,通过全连接层或类似的结构,模型将每个图像块的特征转换为一个固定长度的向量。这些向量构成了第一图像表征向量的一部分。
同样地,对于第二单位图像块矩阵中的每个图像块,计算机设备也会执行类似的嵌入映射操作,得到第二图像表征向量的一部分。最终,通过将第一图像表征向量和第二图像表征向量进行组合或拼接,计算机设备可以获得完整的第一图像表征向量和第二图像表征向量。
这些表征向量包含了待检测隧道衬砌图像和隧道衬砌病害参考图像的语义信息。在后续的相似度匹配和分类任务中,计算机设备可以比较这些表征向量之间的差异或相似度来评估待检测图像中的病害类型、程度和位置等信息。这为隧道衬砌的维护和修复提供了有价值的参考依据。
在一种实施方式中,所述获取目标图像表征向量,还包括:
步骤S21a:确定与所述待检测隧道衬砌图像对应的第一图像块矩阵,以及与所述隧道衬砌病害参考图像对应的第二图像块矩阵,所述第一图像块矩阵由多个第一图像块组成,所述第二图像块矩阵由多个第二图像块组成;
步骤S22a:获取每一所述第一图像块与每一所述第二图像块之间的特征共性度量结果,获得图像块关联表征向量;其中,所述目标图像表征向量还包括所述图像块关联表征向量。
首先,在步骤S21a中,计算机设备确定与待检测隧道衬砌图像对应的第一图像块矩阵,以及与隧道衬砌病害参考图像对应的第二图像块矩阵。这个步骤涉及将每张图像分割成多个较小的图像块,并将这些图像块按照特定的顺序或结构排列成矩阵形式。第一图像块矩阵由多个第一图像块组成,这些第一图像块共同构成了待检测隧道衬砌图像的内容。类似地,第二图像块矩阵由多个第二图像块组成,它们构成了隧道衬砌病害参考图像的内容。
例如,假设待检测隧道衬砌图像是一张包含裂缝和渗水的图像,计算机设备可以将其划分为多个包含不同特征(如裂缝、渗水等)的第一图像块。同样地,隧道衬砌病害参考图像也可以被划分为多个包含典型病害特征的第二图像块。这些图像块将按照其在原始图像中的位置或根据特定的算法排列成矩阵形式。
接下来,在步骤S22a中,计算机设备获取每一第一图像块与每一第二图像块之间的特征共性度量结果。特征共性度量是一种衡量两个图像块之间相似性或共性的方法。通过比较第一图像块和第二图像块之间的特征,计算机设备可以计算出它们之间的相似度或共性程度。这个过程可以使用各种机器学习算法或神经网络模型来实现,例如卷积神经网络(CNN)可以用于提取图像块的特征,并计算它们之间的相似度。
例如,计算机设备可以使用预训练的CNN模型来提取每个图像块的特征向量。然后,它可以计算每对第一图像块和第二图像块之间的特征向量的余弦相似度或欧几里得距离等度量指标,以衡量它们之间的共性程度。这些度量结果将形成一个图像块关联表征向量,其中每个元素表示一个第一图像块与一个第二图像块之间的共性度量结果。
例如,可以采用以下公式计算每一第一图像块与每一第二图像块之间的特征共性度量结果:
其中,A和B是两个图像块的特征向量,·表示点积,∣∣·∣∣表示向量的模(即长度)。
假设有两个图像块P1和P2,通过特征提取器(如CNN)提取出它们的特征向量分别为。
计算这两个特征向量的模:
计算点积:
最后,计算余弦相似度:
如此,完成第一图像块P1与第二图像块P2之间的特征共性度量结果=0.8957。
最后,根据步骤S22a中获得的图像块关联表征向量,计算机设备可以将其与其他图像表征向量(如通过嵌入映射获得的向量)进行组合或拼接,形成最终的目标图像表征向量。这个目标图像表征向量将包含待检测隧道衬砌图像和隧道衬砌病害参考图像之间的综合语义信息,为后续的隧道衬砌病害检测和分析提供有力支持。
在一种实施方式中,所述获取目标图像表征向量,还包括:
步骤S21b:依据所述第一图像表征向量,对所述第一图像表征向量进行显著性表征向量提取,得到所述隧道衬砌病害参考图像对应的第一显著性表征向量;
步骤S22b:依据所述第二图像表征向量,对所述第二图像表征向量进行显著性表征向量提取,得到所述待检测隧道衬砌图像对应的第二显著性表征向量;其中,所述目标图像表征向量还包括所述第一显著性表征向量以及所述第二显著性表征向量。
首先,在步骤S21b中,计算机设备依据第一图像表征向量,对其进行显著性表征向量的提取。这里的第一图像表征向量是之前通过嵌入映射等方式从隧道衬砌病害参考图像中获得的。显著性表征向量的提取可以通过多种方法实现,例如使用注意力机制模型或特定的特征选择算法。这些方法和模型能够自动学习并识别出图像表征向量中对于病害识别任务最为关键和显著的特征。
具体来说,如果采用注意力机制模型,该模型可以是一个深度学习网络,如卷积神经网络(CNN)或循环神经网络(RNN)的变体。模型会接受第一图像表征向量作为输入,并通过一系列的卷积、池化和全连接层等操作,输出一个权重向量。这个权重向量中的每个元素都对应于输入表征向量中的一个特征,其值表示该特征在病害识别中的重要性或显著性。通过这个权重向量,计算机设备可以提取出第一显著性表征向量,即注意力特征,它包含了隧道衬砌病害参考图像中最具显著性的特征信息。
类似地,在步骤S22b中,计算机设备依据第二图像表征向量,对其进行显著性表征向量的提取。第二图像表征向量是从待检测隧道衬砌图像中获得的。通过相同或类似的注意力机制模型或特征选择算法,计算机设备可以识别出第二图像表征向量中对于病害识别最为关键和显著的特征,并提取出第二显著性表征向量。
最终,计算机设备将第一显著性表征向量和第二显著性表征向量与其他图像表征向量(如嵌入映射获得的向量)进行组合或拼接,形成完整的目标图像表征向量。这个目标图像表征向量不仅包含了待检测隧道衬砌图像和隧道衬砌病害参考图像的语义信息,还突出了其中最具显著性和代表性的特征,为后续的隧道衬砌病害检测和分析提供了更为准确和可靠的数据支持。
作为一种实施方式,所述获取目标相关表征向量,包括:
步骤S31a:依据所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像,获取所述第一观测表征向量与所述第一图像相关表征向量和所述第二观测表征向量与所述第二图像相关表征向量;
步骤S32a:依据所述第一观测表征向量以及所述第二观测表征向量进行向量距离确定,以获取观测差异表征向量,所述观测差异表征向量用以表征所述第一观测表征向量以及所述第二观测表征向量之间的相似度;
步骤S33a:依据所述第一图像相关表征向量以及所述第二图像相关表征向量进行向量距离确定,以获取图像相关差异表征向量,所述图像相关差异表征向量用以表征所述第一图像相关表征向量以及所述第二图像相关表征向量之间的相似度;其中,所述目标相关表征向量还包括所述观测差异表征向量以及所述图像相关差异表征向量。
首先,在步骤S31a中,计算机设备依据待检测隧道衬砌图像和隧道衬砌病害参考图像,获取两组表征向量:第一观测表征向量与第一图像相关表征向量,以及第二观测表征向量与第二图像相关表征向量。这些表征向量是通过特定的算法或模型从原始图像数据中提取出来的,用于描述图像的不同特征。
具体来说,第一观测表征向量可能是通过对待检测隧道衬砌图像进行特征提取而得到的,它包含了图像中的颜色、纹理、形状等视觉信息。而第一图像相关表征向量则可能是基于深度学习模型(如卷积神经网络CNN)从待检测图像中提取的高层次特征,这些特征更具抽象性和语义性。同样地,第二观测表征向量和第二图像相关表征向量也是从隧道衬砌病害参考图像中提取出来的,分别描述了参考图像的低层次和高层次特征。
接下来,在步骤S32a中,计算机设备依据第一观测表征向量和第二观测表征向量进行向量距离的确定。向量距离是衡量两个向量之间相似度或差异度的一种指标,常用的距离度量方法包括欧氏距离、余弦相似度等。通过计算这两个观测表征向量之间的距离,计算机设备可以得到一个观测差异表征向量。这个观测差异表征向量用以表征第一观测表征向量和第二观测表征向量之间的相似度或差异度。
类似地,在步骤S33a中,计算机设备依据第一图像相关表征向量和第二图像相关表征向量进行向量距离的确定。通过计算这两个图像相关表征向量之间的距离,计算机设备可以得到一个图像相关差异表征向量。这个图像相关差异表征向量用以表征第一图像相关表征向量和第二图像相关表征向量之间的相似度或差异度。
最后,计算机设备将观测差异表征向量和图像相关差异表征向量与其他相关表征向量(如有的话)进行组合或拼接,形成完整的目标相关表征向量。这个目标相关表征向量不仅包含了待检测隧道衬砌图像和隧道衬砌病害参考图像之间的低层次和高层次特征差异信息,还为后续的隧道衬砌病害检测和分析提供了重要的数据支持。在实际应用中,这些差异信息可以帮助计算机设备更准确地识别出隧道衬砌中的病害类型、程度和位置等信息。
作为一种实施方式,所述待检测隧道衬砌图像具有对应的隧道段标注信息;基于此,所述获取目标相关表征向量,包括:
步骤S31b:获取在所述隧道段标注信息下与所述待检测隧道衬砌图像关联的第一过往存储信息和在所述隧道段标注信息下与所述隧道衬砌病害参考图像关联的第二过往存储信息,所述过往存储信息包括位置检测次数、拍摄位置的历史病害情况;
步骤S32b:对所述第一过往存储信息以及所述第二过往存储信息进行语义编码,获得所述第一观测表征向量以及所述第二观测表征向量。
首先,在步骤S31b中,计算机设备根据隧道段标注信息来获取与待检测隧道衬砌图像和隧道衬砌病害参考图像相关联的过往存储信息。这些过往存储信息包括位置检测次数和拍摄位置的历史病害情况等数据,它们对于理解和分析当前隧道衬砌的状态以及潜在的病害风险具有重要意义。
具体来说,计算机设备可能会访问一个数据库或存储系统,该系统保存了隧道各个段落的详细信息和历史记录。通过隧道段标注信息作为索引或查询条件,计算机设备可以检索到与特定段落相关联的所有过往存储信息。例如,它可以获取到某个具体位置在过去一段时间内被检测的次数,以及每次检测时发现的病害类型、严重程度和处理情况等数据。
接下来,在步骤S32b中,计算机设备对获取到的第一过往存储信息和第二过往存储信息进行语义编码。语义编码是一种将原始数据转换为计算机能够理解和处理的格式的过程,它通常涉及到数据的抽象、表示和转换等操作。在这个过程中,计算机设备使用特定的算法或模型来提取过往存储信息中的关键特征和语义信息,并将其编码为第一观测表征向量和第二观测表征向量。
具体来说,计算机设备可能会利用自然语言处理(NLP)技术或深度学习模型来对过往存储信息进行语义编码。例如,它可以使用词嵌入技术将文本信息转换为向量表示,或者使用卷积神经网络(CNN)或循环神经网络(RNN)等模型来提取图像或序列数据中的特征。通过这些方法,计算机设备可以将过往存储信息中的复杂内容和上下文关系转换为简洁且富有表达力的向量形式,为后续的分析和处理提供便利。
需要注意的是,在实际应用中,第一观测表征向量和第二观测表征向量可能包含多种不同的特征和信息。例如,它们可以包含位置检测次数、历史病害类型、病害严重程度等数值型特征,也可以包含文本描述、图像标签等离散型特征。这些特征的选择和组合方式取决于具体的任务需求和数据处理策略。
最后,需要强调的是,这种实施方式充分利用了隧道衬砌图像的隧道段标注信息和过往存储信息,为隧道衬砌病害的检测和分析提供了更全面、更准确的数据支持。通过这种方式,计算机设备可以更好地理解当前隧道衬砌的状态和潜在风险,并制定出更有效的维护和修复策略。
作为一种实施方式,所述获取目标相关表征向量,还包括:
步骤S31c:获取所述待检测隧道衬砌图像的第一图像细节信息和所述隧道衬砌病害参考图像的第二图像细节信息,图像细节信息包括图像的尺寸、图像的对象数量统计结果、图像中的对象的语义分割结果;
步骤S32c:对所述第一图像细节信息和所述第二图像细节信息进行语义编码,获得所述待检测隧道衬砌图像对应的第一图像细节表征向量和所述隧道衬砌病害参考图像对应的第二图像细节表征向量;
其中,所述第一图像相关表征向量包括所述第一图像细节表征向量,所述第二图像相关表征向量包括所述第二图像细节表征向量。
首先,在步骤S31c中,计算机设备获取待检测隧道衬砌图像的第一图像细节信息和隧道衬砌病害参考图像的第二图像细节信息。这些图像细节信息包括但不限于图像的尺寸、图像中的对象数量统计结果以及图像中对象的语义分割结果。具体来说,图像的尺寸可以指的是图像的宽度和高度,这有助于了解图像的分辨率和比例;对象数量统计结果可以指的是图像中各种类型对象(如裂缝、渗水等病害)的数量,这有助于了解图像中病害的分布和密度;而语义分割结果则可以将图像中的不同区域划分为具有相同语义的部分(如将病害区域与健康区域区分开),这有助于更精确地识别和分析病害。
为了更具体地说明这些图像细节信息,可以假设待检测隧道衬砌图像是一幅包含多条裂缝和渗水区域的图像。在这种情况下,计算机设备可能会通过图像处理技术(如边缘检测、阈值分割等)来识别和统计图像中的裂缝和渗水区域的数量,并通过语义分割算法(如基于深度学习的分割模型)将这些区域从背景中分离出来。同时,计算机设备还会记录这幅图像的尺寸信息,以便后续处理时能够考虑到图像的分辨率和比例。
接下来,在步骤S32c中,计算机设备对获取到的第一图像细节信息和第二图像细节信息进行语义编码。这个过程主要是将原始的图像细节信息转换为计算机能够理解和处理的向量形式。具体来说,计算机设备可能会使用特定的编码方法(如向量量化、哈希编码等)或深度学习模型(如卷积神经网络CNN、自编码器Autoencoder等)来提取和表示图像细节信息中的关键特征和语义信息。通过这些方法和模型,计算机设备可以将原始的图像细节信息转换为一系列数值或向量形式,从而便于后续的分析和处理。
以前述假设的待检测隧道衬砌图像为例,计算机设备可能会使用一个预训练的CNN模型来提取图像中的特征图(feature map),这些特征图包含了图像中各个区域的纹理、形状、颜色等丰富信息。然后,计算机设备可以将这些特征图进一步处理为一系列向量形式(如将特征图展平为一维向量或进行池化操作等),从而得到待检测隧道衬砌图像对应的第一图像细节表征向量。同样地,对于隧道衬砌病害参考图像,计算机设备也会采用类似的方法来处理其第二图像细节信息并获得相应的第二图像细节表征向量。
最后需要强调的是,在这个过程中获得的第一图像细节表征向量和第二图像细节表征向量会被包含在第一图像相关表征向量和第二图像相关表征向量中。这意味着在计算观测差异表征向量和图像相关差异表征向量时(如前文所述的步骤S32a和S33a),这些细节表征向量也会被考虑进去,从而提供更全面、更准确的病害检测和分析结果。
作为一种实施方式,所述获取目标相关表征向量,还包括:
步骤S31d:确定所述待检测隧道衬砌图像的第一对象类别和所述隧道衬砌病害参考图像的第二对象类别;
步骤S32d:对所述第一对象类别和所述第二对象类别进行语义编码,获得所述待检测隧道衬砌图像对应的第一对象类别表征向量和所述隧道衬砌病害参考图像对应的第二对象类别表征向量;
其中,所述第一图像相关表征向量包括所述第一对象类别表征向量,所述第二图像相关表征向量包括所述第二对象类别表征向量。
在步骤S31d中,计算机设备会确定待检测隧道衬砌图像的第一对象类别和隧道衬砌病害参考图像的第二对象类别。对象类别指的是图像中不同对象的分类结果,如病害对象(如裂缝、剥落等)和正常对象(即无病害或健康的部分)。这一步骤通常涉及到使用机器学习算法或深度学习模型对图像进行分类处理。
以隧道衬砌图像为例,计算机设备可能会采用预先训练的深度学习模型(如卷积神经网络CNN)来对图像进行分类。该模型经过大量带标签的隧道衬砌图像(包含病害和正常对象)的训练,能够识别出图像中的各种对象,并将其分类为病害对象或正常对象。通过这样的处理,计算机设备可以获得待检测隧道衬砌图像的第一对象类别信息,以及隧道衬砌病害参考图像的第二对象类别信息。
接下来,在步骤S32d中,计算机设备会对确定的第一对象类别和第二对象类别进行语义编码。语义编码的目的是将对象类别信息转换为计算机能够理解和处理的向量形式,以便后续进行向量距离的确定和差异表征的计算。
具体而言,语义编码可以通过将对象类别信息映射到一个预定义的向量空间来实现。例如,对于病害对象和正常对象,可以定义两个不同的向量来表示它们。当计算机设备识别出图像中的对象类别后,它会将这些类别映射到相应的向量上,从而获得第一对象类别表征向量和第二对象类别表征向量。
这些对象类别表征向量会被包含在第一图像相关表征向量和第二图像相关表征向量中。这样,在计算图像相关差异表征向量时(如前文所述的步骤S33a),对象类别信息也会被考虑进去,从而提供更丰富、更准确的差异信息。这有助于计算机设备更精确地识别出隧道衬砌图像中的病害情况,并为后续的病害检测和分析提供有力的支持。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的隧道病害检测方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read OnlyMemory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本申请实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
图2为本申请实施例提供的一种计算机设备的硬件实体示意图,如图2所示,该计算机设备1000的硬件实体包括:处理器1001和存储器1002,其中,存储器1002存储有可在处理器1001上运行的计算机程序,处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序,存储器1002配置为存储由处理器1001可执行的指令和应用,还可以缓存待处理器1001以及计算机设备1000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器1001执行程序时实现上述任一项的隧道病害检测方法的步骤。处理器1001通常控制计算机设备1000的总体操作。
本申请实施例提供一种计算机存储介质,计算机存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的隧道病害检测方法的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(DigitalSignal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各步骤/过程的序号的大小并不意味着执行顺序的先后,各步骤/过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (12)
1.一种隧道病害检测方法,其特征在于,所述方法包括:
获取待检测隧道衬砌图像和与所述待检测隧道衬砌图像语义匹配的隧道衬砌病害参考图像;
获取目标图像表征向量,所述目标图像表征向量包括所述待检测隧道衬砌图像的第一图像表征向量、所述隧道衬砌病害参考图像的第二图像表征向量和所述第一图像表征向量与所述第二图像表征向量之间的误差向量;
获取目标相关表征向量,所述目标相关表征向量包括所述待检测隧道衬砌图像的第一观测表征向量和第一图像相关表征向量、所述隧道衬砌病害参考图像的第二观测表征向量和第二图像相关表征向量;
依据所述目标图像表征向量以及所述目标相关表征向量,确定与所述隧道衬砌病害参考图像对应的匹配表征分类,所述匹配表征分类用以表征所述隧道衬砌病害参考图像与所述待检测隧道衬砌图像之间的语义匹配一致度;
其中,所述依据所述目标图像表征向量以及所述目标相关表征向量,确定与所述隧道衬砌病害参考图像对应的匹配表征分类,包括:依据所述目标图像表征向量和所述目标相关表征向量,基于匹配表征分类网络中的输出层获取所述匹配表征分类。
2.根据权利要求1所述的方法,其特征在于,所述获取目标图像表征向量,还包括:
确定与所述待检测隧道衬砌图像对应的第一图像块矩阵,以及与所述隧道衬砌病害参考图像对应的第二图像块矩阵,所述第一图像块矩阵由多个第一图像块组成,所述多个第一图像块通过对所述待检测隧道衬砌图像进行分割得到,所述第二图像块矩阵由多个第二图像块组成,所述多个第二图像块通过对所述隧道衬砌病害参考图像进行分割得到;
基于每一所述第一图像块的自相关语义信息,确定所述第一图像块矩阵的第一自相关表征向量;
基于每一所述第二图像块的自相关语义信息,确定所述第二图像块矩阵的第二自相关表征向量;
其中,所述目标图像表征向量还包括所述第一自相关表征向量和所述第二自相关表征向量。
3.根据权利要求1所述的方法,其特征在于,所述获取目标图像表征向量,包括:
分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行语义编码,以获取所述第一图像表征向量以及所述第二图像表征向量;
依据所述第一图像表征向量以及所述第二图像表征向量进行向量距离确定,以获取向量空间相似性,所述向量空间相似性用以表征所述第一图像表征向量以及所述第二图像表征向量之间的相似度;其中,目标图像表征向量还包括所述向量空间相似性。
4.根据权利要求3所述的方法,其特征在于,所述分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行语义编码,以获取所述第一图像表征向量以及所述第二图像表征向量,包括:
分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行图像块组划分操作,得到与所述待检测隧道衬砌图像对应的第一图像块组矩阵,以及与所述隧道衬砌病害参考图像对应的第二图像块组矩阵;其中,所述第一图像块组矩阵由多个第一图像块组组成,每一第一图像块组包括多个对所述待检测隧道衬砌图像进行分割得到的第一图像块,所述第二图像块组矩阵由多个第二图像块组组成,每一第二图像块组包括多个对所述待检测隧道衬砌图像进行分割得到的第二图像块;
依据所述第一图像块组矩阵以及所述第二图像块组矩阵进行嵌入映射,得到所述第一图像表征向量以及所述第二图像表征向量;
或者,所述分别对所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像进行语义编码,以获取所述第一图像表征向量以及所述第二图像表征向量,包括:
获取与所述待检测隧道衬砌图像对应的第一单位图像块矩阵,以及与所述隧道衬砌病害参考图像对应的第二单位图像块矩阵,其中,所述第一单位图像块矩阵由多个对所述待检测隧道衬砌图像进行分割得到的单个图像块组成,所述第二单位图像块矩阵由多个对所述隧道衬砌病害参考图像进行分割得到的单个图像块组成;
依据所述第一单位图像块矩阵以及所述第二单位图像块矩阵进行嵌入映射,得到所述第一图像表征向量以及所述第二图像表征向量。
5.根据权利要求1所述的方法,其特征在于,所述获取目标图像表征向量,还包括:
确定与所述待检测隧道衬砌图像对应的第一图像块矩阵,以及与所述隧道衬砌病害参考图像对应的第二图像块矩阵,所述第一图像块矩阵由多个第一图像块组成,所述多个第一图像块通过对所述待检测隧道衬砌图像进行分割得到,所述第二图像块矩阵由多个第二图像块组成,所述多个第二图像块通过对所述隧道衬砌病害参考图像进行分割得到;
获取每一所述第一图像块与每一所述第二图像块之间的特征共性度量结果,获得图像块关联表征向量;其中,所述目标图像表征向量还包括所述图像块关联表征向量。
6.根据权利要求1所述的方法,其特征在于,所述获取目标图像表征向量,还包括:
依据所述第一图像表征向量,对所述第一图像表征向量进行显著性表征向量提取,得到所述隧道衬砌病害参考图像对应的第一显著性表征向量;
依据所述第二图像表征向量,对所述第二图像表征向量进行显著性表征向量提取,得到所述待检测隧道衬砌图像对应的第二显著性表征向量;其中,所述目标图像表征向量还包括所述第一显著性表征向量以及所述第二显著性表征向量。
7.根据权利要求1所述的方法,其特征在于,所述获取目标相关表征向量,包括:
依据所述待检测隧道衬砌图像以及所述隧道衬砌病害参考图像,获取所述第一观测表征向量与所述第一图像相关表征向量和所述第二观测表征向量与所述第二图像相关表征向量;
依据所述第一观测表征向量以及所述第二观测表征向量进行向量距离确定,以获取观测差异表征向量,所述观测差异表征向量用以表征所述第一观测表征向量以及所述第二观测表征向量之间的相似度;
依据所述第一图像相关表征向量以及所述第二图像相关表征向量进行向量距离确定,以获取图像相关差异表征向量,所述图像相关差异表征向量用以表征所述第一图像相关表征向量以及所述第二图像相关表征向量之间的相似度;其中,所述目标相关表征向量还包括所述观测差异表征向量以及所述图像相关差异表征向量。
8.根据权利要求1所述的方法,其特征在于,所述待检测隧道衬砌图像具有对应的隧道段标注信息;
所述获取目标相关表征向量,包括:
获取在所述隧道段标注信息下与所述待检测隧道衬砌图像关联的第一过往存储信息和在所述隧道段标注信息下与所述隧道衬砌病害参考图像关联的第二过往存储信息,所述过往存储信息包括位置检测次数、拍摄位置的历史病害情况;
对所述第一过往存储信息以及所述第二过往存储信息进行语义编码,获得所述第一观测表征向量以及所述第二观测表征向量。
9.根据权利要求1所述的方法,其特征在于,所述获取目标相关表征向量,还包括:
获取所述待检测隧道衬砌图像的第一图像细节信息和所述隧道衬砌病害参考图像的第二图像细节信息,图像细节信息包括图像的尺寸、图像的对象数量统计结果、图像中的对象的语义分割结果;
对所述第一图像细节信息和所述第二图像细节信息进行语义编码,获得所述待检测隧道衬砌图像对应的第一图像细节表征向量和所述隧道衬砌病害参考图像对应的第二图像细节表征向量;
其中,所述第一图像相关表征向量包括所述第一图像细节表征向量,所述第二图像相关表征向量包括所述第二图像细节表征向量。
10.根据权利要求1所述的方法,其特征在于,所述获取目标相关表征向量,还包括:
确定所述待检测隧道衬砌图像的第一对象类别和所述隧道衬砌病害参考图像的第二对象类别;
对所述第一对象类别和所述第二对象类别进行语义编码,获得所述待检测隧道衬砌图像对应的第一对象类别表征向量和所述隧道衬砌病害参考图像对应的第二对象类别表征向量;
其中,所述第一图像相关表征向量包括所述第一对象类别表征向量,所述第二图像相关表征向量包括所述第二对象类别表征向量。
11.根据权利要求1所述的方法,其特征在于,所述获取目标图像表征向量,包括:
依据所述待检测隧道衬砌图像和所述隧道衬砌病害参考图像,基于调校获得的匹配表征分类网络中的深层特征处理层获取所述目标图像表征向量;
所述获取目标相关表征向量,包括:
依据所述待检测隧道衬砌图像和所述隧道衬砌病害参考图像,通过所述匹配表征分类网络中的浅层特征处理层获取所述目标相关表征向量。
12.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至11任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410446141.XA CN118038282B (zh) | 2024-04-15 | 2024-04-15 | 一种隧道病害检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410446141.XA CN118038282B (zh) | 2024-04-15 | 2024-04-15 | 一种隧道病害检测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118038282A true CN118038282A (zh) | 2024-05-14 |
CN118038282B CN118038282B (zh) | 2024-07-12 |
Family
ID=90993622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410446141.XA Active CN118038282B (zh) | 2024-04-15 | 2024-04-15 | 一种隧道病害检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118038282B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101772916B1 (ko) * | 2016-12-30 | 2017-08-31 | 한양대학교 에리카산학협력단 | 촬영영상과 인공지능 알고리즘 기반의 균열검출 자동화 프로그램을 이용한 터널 라이닝 표면의 균열 검출 방법 및 시스템 |
CN114062372A (zh) * | 2021-11-15 | 2022-02-18 | 北京环安工程检测有限责任公司 | 一种地铁隧道病害智慧分析系统 |
CN117351241A (zh) * | 2023-10-18 | 2024-01-05 | 中交路桥科技有限公司 | 隧道病害的智能检测评定方法、装置、终端及存储介质 |
-
2024
- 2024-04-15 CN CN202410446141.XA patent/CN118038282B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101772916B1 (ko) * | 2016-12-30 | 2017-08-31 | 한양대학교 에리카산학협력단 | 촬영영상과 인공지능 알고리즘 기반의 균열검출 자동화 프로그램을 이용한 터널 라이닝 표면의 균열 검출 방법 및 시스템 |
CN114062372A (zh) * | 2021-11-15 | 2022-02-18 | 北京环安工程检测有限责任公司 | 一种地铁隧道病害智慧分析系统 |
CN117351241A (zh) * | 2023-10-18 | 2024-01-05 | 中交路桥科技有限公司 | 隧道病害的智能检测评定方法、装置、终端及存储介质 |
Non-Patent Citations (2)
Title |
---|
KE MAN等: "Water leakage and crack identification in tunnels based on transfer-learning and convolutional neural networks", 《WATER》, vol. 14, no. 09, 3 May 2022 (2022-05-03), pages 1 - 15 * |
许力之: "集成式隧道图像采集与典型病害识别研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, vol. 2023, no. 07, 15 July 2023 (2023-07-15), pages 034 - 269 * |
Also Published As
Publication number | Publication date |
---|---|
CN118038282B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmad | Deep image retrieval using artificial neural network interpolation and indexing based on similarity measurement | |
CN111428071B (zh) | 一种基于多模态特征合成的零样本跨模态检索方法 | |
Zou et al. | Harf: Hierarchy-associated rich features for salient object detection | |
Gopalakrishnan et al. | Random walks on graphs to model saliency in images | |
CN105320705B (zh) | 相似车辆的检索方法及装置 | |
JP2014232533A (ja) | Ocr出力検証システム及び方法 | |
CN109919252B (zh) | 利用少数标注图像生成分类器的方法 | |
CN105005772A (zh) | 一种视频场景检测方法 | |
CN112861917B (zh) | 基于图像属性学习的弱监督目标检测方法 | |
CN116596875B (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN114926725A (zh) | 一种基于图像分析的线上金融团伙欺诈识别方法 | |
Nemade et al. | Image segmentation using convolutional neural network for image annotation | |
Wang et al. | SAR target discrimination based on BOW model with sample-reweighted category-specific and shared dictionary learning | |
CN117271831B (zh) | 一种基于多属性学习的体育视频智能分类方法及系统 | |
CN109241315A (zh) | 一种基于深度学习的快速人脸检索方法 | |
CN117829243A (zh) | 模型训练方法、目标检测方法、装置、电子设备及介质 | |
CN118038282B (zh) | 一种隧道病害检测方法及设备 | |
Zhang et al. | Automatic image region annotation through segmentation based visual semantic analysis and discriminative classification | |
CN116415210A (zh) | 图像侵权检测方法、装置及存储介质 | |
Calefati et al. | Reading meter numbers in the wild | |
Tian et al. | Improved bag-of-words model for person re-identification | |
Mejdoub et al. | Person re-id while crossing different cameras: Combination of salient-gaussian weighted bossanova and fisher vector encodings | |
CN114863488B (zh) | 一种基于行人重识别的公共场所多态行人目标识别追踪方法、电子设备及存储介质 | |
CN111625672B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN118587694A (zh) | 一种基于少样本训练的车牌识别方法和装置 |
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 |