基于深度学习的隧道表观病害类型及等级判别方法与流程

1.本发明属于隧道结构病害检测领域，具体涉及一种基于深度学习的隧道表观病害类型及等级判别方法。


背景技术：

2.由于自然条件（地下水、材料、地层、冻融等）的变化，隧道结构发生各种变异现象（如开裂、错位等），导致围岩地下水或地表水直接或间接地以渗漏或涌出的形式进入隧道内，形成隧道渗漏病害，侵蚀隧道结构，并影响隧道的正常运营和洞内设备的使用。
3.病害的类型和病害程度分级（如图1）是病害治理至关重要的指标，目前病害的类别和程度还主要依赖于人工判别和评估。
4.对于隧道病害的快速准确检测，cn109767426a提出一种基于图像特征识别的盾构隧道渗漏水检测方法，在渗漏水检测前，先对图像进行详细的预处理工作，即通过隧道表观的灰度图像统计先确定隧道特征物识别规则，然后逐一识别隧道特征物，在特征物全部剔除之后，再进行渗漏水的检测。
5.cn110909657a公布了基于卷积神经网络的病害识别方法，主要在隧道区间扫描影像上采用卷积神经网络进行图像分割来识别出隧道表观病害的位置大小和种类。
6.上述专利均采用深度学习的方法对隧道病害识别研究，cn110909657a中部分设计较为简单的病害类型判别，但都不涉及病害程度判断，对于隧道结构风险预测及指导隧道结构维护存在一定的不足。


技术实现要素：

7.本发明的目的是根据上述现有技术的不足之处，提供一种基于深度学习的隧道表观病害类型及等级判别方法，该方法以隧道三维激光扫描影像为数据源，并卷积神经网络的判别模型，实现隧道病害类别和程度自动判别。
8.本发明目的实现由以下技术方案完成：一种基于深度学习的隧道表观病害类型及等级判别方法，其特征在于所述方法包括以下步骤：（1）采用搭载三维激光扫描仪的装置采集隧道区间影像；（2）将由人工在隧道巡检过程中确认过类别和程度的病害，在所述隧道区间影像上标注出位置和范围；按照病害范围截取具备病害类别和程度信息的病害影像作为原始图像样本，建立数据集，所述数据集中具有病害类别标签和病害程度标签；（3）将所述数据集中的原始图像样本划分为训练集和测试集；（4）构建深度学习识别模型，包括输入层、编码层以及金字塔池化层；所述输入层输入所述数据集中的任意尺寸的原始图像样本，所述编码层采用图像分类网络resnet，任意尺寸的输入图像样本经所述编码层编码输出一个n*m*128的特征图，作为所述金字塔池化层的输入，其中n为特征图的长度、m为特征图的宽度；将n*m的特征图按n*m、n/2*m/2、n/
4*m/4的最大池化核分别池化成1*128、4*128、16*128的特征图，并组合拼接成一个21*128的特征图作为所述金字塔池化层的输出；21*128的特征图经过上、下两路1*1卷积运算后，上路通过softmax分类器得到病害类型的结果，将所述病害类型的结果和下路卷积运算后的结果相加组合成新的特征并经过softmax分类器来进行病害程度的判别结果。
9.所述病害类别有湿迹、渗漏水、滴漏、线漏、渗泥沙、缺损共六种；所述病害程度分为a、b、c、d、e共五种等级。
10.步骤（3）中，所述训练集占样本总数的80%，所述测试集占样本总数的20%。
11.将在步骤（3）中预处理之后的所述训练集上，以加权交叉熵损失wce为目标优化深度学习识别模型的参数；对于一个测试集或训练集d，有n张图片，第n张图片，人工标注的标签为r
n
，深度学习识别模型预测结果为p
n
, 加权交叉熵损失wce的计算公式如下：其中，。
12.采用准确率、召回率、f1指标作为测试数据的精度指标，选择f1指标最好的深度学习识别模型作为最终的应用模型。
13.本发明的优点是：以隧道三维激光扫描影像为数据源，并卷积神经网络的判别模型，实现隧道病害类别和程度自动判别。
附图说明
14.图1为本发明中于深度学习的隧道表观病害类型及等级判别方法流程示意图；图2为本发明中病害类别和程度分级示意图。
具体实施方式
15.以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：实施例：如图1、2所示，本实施例具体涉及一种基于深度学习的隧道表观病害类型及等级判别方法，该方法以隧道三维激光扫描影像为数据源，并卷积神经网络的判别模型，实现隧道病害类别和程度自动判别。主要包括以下步骤：（1）数据源获取：采用搭载三维激光扫描仪的装置采集隧道区间影像并同步记录隧道内渗漏水位置和流速；其中，搭载三维激光扫描仪的装置可以是静止的三脚架或平台，也可以是以人力或电机带动的检测车；采集的隧道影像可包括灰度影像，还可包括隧道的彩色影像；病害类别和病害程度采用相关规范，病害类别有湿迹、渗漏水、滴漏、线漏、渗泥沙、缺损六种，病害程度则分为a、b、c、d、e六种等级。
16.（2）数据集的建立：将由人工在隧道巡检过程中确认过类别和程度的病害，在隧道区间影像上标注出位置和范围；按照病害范围截取具备病害类别和程度信息的病害影像作为样本，建立数据
集，参见图2，该数据集中具有病害类别标签和病害程度标签。
17.（3）数据预处理：将数据集中的病害类别标签和病害程度标签进行离散化处理，针对缺损及线漏和a级对象较少的问题采用离线样本增强的方法扩充数据集，保证训练过程数据集中各类标签数据占比大体均衡。将数据集中的样本划分为训练集和测试集，其中，训练集占样本总数的80%，测试集占样本总数的20%。
18.（4）构建隧道结构表观病害类型和程度判别模型。
19.构建深度学习识别模型，包括输入层、编码层以及金字塔池化层；输入层输入数据集中的任意尺寸的图像样本，编码层采用图像分类网络resnet，任意尺寸的输入图像样本经编码层编码输出一个n*m*128的特征图作为金字塔池化层的输入，其中n为特征图的长度、m为特征图的宽度；将n*m的特征图按n*m、n/2*m/2、n/4*m/4的最大池化核分别池化成1*128、4*128、16*128的特征图，并组合拼接成一个21*128的特征图作为所述金字塔池化层的输出；21*128的特征图经过上、下两路1*1卷积运算后，上路通过softmax分类器得到病害类型的结果，将病害类型的结果和下路卷积运算后的结果相加组合成新的特征并经过softmax分类器来进行病害程度的判别结果，需要说明的是，softmax是一个分类器，用于计算最终的分类结果的概率。
20.（5）模型训练、测试、预测。
21.5.1）训练：在步骤（3）中预处理之后的训练集上，以加权交叉熵损失wce为目标优化深度学习识别模型的参数；对于一个测试集或训练集d，有n张图片，第n张图片，人工标注的标签为r
n
，深度学习识别模型预测结果为p
n
, 加权交叉熵损失wce的计算公式如下：其中，。
22.5.2）测试：采用准确率，召回率，f1指标等作为测试数据的精度指标，选择f1指标最好的模型作为最终应用模型，其中，f1指标是机器学习中经典的判断指标，各个教科书上基本上都会有，在此不再赘述。