一种隧道衬砌裂缝掉块病害识别方法

本发明涉及图像识别，具体为一种基于yolo-sahf算法的隧道裂缝掉块病害识别方法。

背景技术：

1、在隧道运营与养护过程中，衬砌结构表面的裂缝、掉块等病害会直接影响结构耐久性与行车安全，且病害往往具有早期细微、扩展快速、隐蔽性强等特点，因此对隧道病害进行及时、准确的识别与定位具有重要意义。病害巡检与评估大量依赖人工巡查，该方式存在明显不足,一方面，隧道环境光照复杂、粉尘噪声与表面纹理干扰显著，人工目视判断容易受到经验差异、疲劳和主观性影响，导致漏检、误检；另一方面，人工巡检效率较低，难以覆盖长、大隧道的高频次巡查需求，也难以形成可重复、可量化的标准化评估结果，从而影响实时掌握隧道的病害与制定隧道养护决策。

2、随着图像识别技术的发展，基于目标检测网络的自动化病害识别方法逐渐应用于隧道检测领域，但现有方法仍面临多方面挑战。例如，裂缝呈细长结构、边缘模糊，掉块形态不规则且尺寸跨度大，通用检测模型在多尺度特征融合与细粒度结构表达上往往不足，易出现小裂缝漏检、边界定位不准等问题；同时，隧道衬砌表面常伴随渗水、污渍、施工接缝、光照不均等因素，模型容易被非病害纹理误导，导致误检率上升，且对病害关键区域的响应不稳定。

3、因此，需要一种面向隧道衬砌裂缝与掉块病害场景的识别方法，以解决现有检测方式中存在的效率低、精度不足、稳定性差等问题。

技术实现思路

1、为了实现上述目的，本发明提供的一种隧道衬砌裂缝掉块病害识别方法。

2、本发明采用了如下技术方案：

3、一种隧道衬砌裂缝掉块病害识别方法，包括如下步骤：

4、s1.获取隧道衬砌表面的多角度或多时相图像集，形成原始图像数据集；

5、s2.对所述原始图像数据集进行预处理，得到输入图像；

6、s3.将所述输入图像送入yolo检测网络骨干网络，提取多层级特征图，得到由骨干网络不同层级输出的多尺度基础特征的集合；

7、s4.在yolo检测网络颈部构建注意力尺度序列融合分支模块，用于接收步骤s3输出的多尺度基础特征并进行融合增强，得到注意力加权特征；

8、s5.在网络颈部引入超图计算分支模块，对注意力加权特征与基础特征进行语义收集，构建超图并执行超图卷积以获得高阶感知特征并将高阶感知特征中的高阶信息散射回多尺度检测特征形成增强后的检测特征；

9、s6.将增加后的检测特征输入yolo检测头以输出包括缺陷类别、置信度与边界框的检测结果；

10、s7. 对检测结果进行后处理并输出可视化标注结果与检测报告。

11、进一步地，步骤s1中，使用高分辨率可见光相机并配合补光装置对隧道衬砌表面进行多角度图像采集；补光照强度在，可见光相机的拍摄距离范围为，拍摄水平角度范围为，垂直角度范围为。

12、进一步地，步骤s2中，预处理包括对原始图像执行去噪、光照校正、尺度统一、像素归一化的处理步骤，还包括对隧道场景中的粉尘噪声、散斑纹理进行滤波抑制的步骤。

13、进一步地，步骤s3中，提取的多层级特征图包含浅层特征与深层特征；浅层特征保留衬砌裂缝的细粒度边缘与纹理信息，深层特征表达衬砌掉块区域的语义与形状信息。

14、进一步地，步骤s4中，网络颈部的注意力尺度序列融合分支模块包括ssff模块、tfe模块与cpam模块；

15、ssff模块对基础特征集合进行高斯尺度平滑以构造尺度序列特征，使不同尺度之间形成尺度过渡关系；

16、tfe模块针对裂缝与掉块在尺度分布上的差异，对大、中、小三种尺寸特征进行编码并在通道维完成拼接融合；

17、cpam模块将ssff模块的输出与tfe模块的输出采用通道注意力与位置注意力机制进行卷积，得到注意力加权特征。

18、进一步地，在tfe模块中，采用最近邻插值将不同大小尺度特征对齐到与中间层级输出的尺度特征图相同的分辨率，并在对齐后通过python中的函数将三维张量扩展为四维张量，再沿深度维拼接形成三维特征以供3d卷积处理。

19、进一步地，tfe模块中，编码时，对大尺寸分支采用最大池化与平均池化的混合下采样，对小尺寸分支采用最近邻插值上采样，并最终使大、中和小尺度特征图具备相同空间尺寸后完成通道维拼接融合。

20、进一步地，cpam模块的通道注意力采用一维卷积实现局部跨通道交互。

21、进一步地，步骤s7中，后处理采用策略消除重复框与不可信框。

22、进一步地，步骤s7中，输出可视化标注结果时，对裂缝与掉块分别绘制标注框并显示缺陷类别与置信度信息。

23、有益效果：

24、本发明提供一种基于yolo-sahf的隧道衬砌裂缝、掉块病害识别方法，通过采集多角度或多时相图像并预处理后，利用改进yolo网络实现病害的快速定位与分类。该方法在颈部引入ssff+tfe+cpam的注意力尺度序列融合，强化多尺度特征表达并抑制隧道复杂纹理与光照干扰；同时结合超图分支建模跨尺度高阶关联信息，提升细小裂缝与不规则掉块的识别准确性，降低漏检误检。训练阶段采用提升框回归精度，后处理采用减少重叠目标抑制带来的漏检。最终输出可视化标注与检测报告，便于快速巡检、定量评估与养护决策，提高隧道病害智能检测的准确性与效率。

1.一种隧道衬砌裂缝掉块病害识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述一种隧道衬砌裂缝掉块病害识别方法，其特征在于，

3.根据权利要求1所述一种隧道衬砌裂缝掉块病害识别方法，其特征在于，

4.根据权利要求1所述一种隧道衬砌裂缝掉块病害识别方法，其特征在于，

5.根据权利要求1所述一种隧道衬砌裂缝掉块病害识别方法，其特征在于，

6.根据权利要求5所述一种隧道衬砌裂缝掉块病害识别方法，其特征在于，

7.根据权利要求5所述一种隧道衬砌裂缝掉块病害识别方法，其特征在于，

8.根据权利要求5所述一种隧道衬砌裂缝掉块病害识别方法，其特征在于，

9.根据权利要求1所述一种隧道衬砌裂缝掉块病害识别方法，其特征在于，步骤s7中，后处理采用策略消除重复框与不可信框。

10.根据权利要求1所述一种隧道衬砌裂缝掉块病害识别方法，其特征在于，步骤s7中，输出可视化标注结果时，对裂缝与掉块分别绘制标注框并显示缺陷类别与置信度信息。