基于深度学习的隧道裂缝变化趋势预测方法、装置及应用与流程

技术特征：
1.一种基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，包括以下步骤：获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝；获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则获取所述裂缝组内每一裂缝的裂缝特征信息及对应的获取时间点并组成测试特征向量集合，将所述测试特征向量集合输入经训练后的裂缝变化趋势模型中得到预测值，若预测值大于设定的安全趋势阈值，则所述裂缝组对应的裂缝未来趋势不安全，其中所述经训练后的裂缝变化趋势模型通过调整裂缝变化趋势模型中的σ层、tanh层的参数以及神经模块的数量反复迭代至误差最小获得。2.根据权利要求1所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，所述裂缝特征信息包括；裂缝的像素面积、最小宽度、最大宽度、最小外接矩形的长宽比、最小外界矩形面积与像素面积的比值。3.根据权利要求1所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，“若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值”步骤包括，获取所述第一裂缝的第一裂缝特征向量，以及所述第二裂缝的第二裂缝特征向量，比对所述第一裂缝特征向量以及所述第二裂缝特征向量的夹角余弦值作为相似度。4.根据权利要求1所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，在“获取同一隧道内的对应第一时段的至少一第一裂缝区域”步骤中，将对应第一时段的视频图像输入裂缝检测模型中获取所述第一裂缝区域，将距离小于设定距离阈值的两所述第一裂缝区域对应的区域图像二值化并获取每一所述区域图像的裂缝信息，获取两所述第一裂缝区域的时间间隔，以及两所述第一裂缝区域对应的所述裂缝信息的区域相似度，基于所述区域相似度以及所述时间间隔判断重复区域，若为重复区域则剔除其中一个所述第一裂缝区域。5.根据权利要求1所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，在“获取同一隧道内的对应第二时段的至少一第二裂缝区域”步骤中，将对应第二时段的视频图像输入裂缝检测模型中获取所述第二裂缝区域，将距离小于设定距离阈值的两所述第二裂缝区域对应的区域图像二值化并获取每一所述区域图像的裂缝信息，获取两所述第二裂缝区域的时间间隔，以及两所述第二裂缝区域对应的所述裂缝信息的区域相似度，基于所述区域相似度以及所述时间间隔判断重复区域，若为重复区域则剔除其中一个所述第二裂缝区域。6.根据权利要求4或5任一所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，距离小于设定距离阈值的两所述第一裂缝区域或第二裂缝区域根据获取时间的前后分为前裂缝区域和后裂缝区域，若所述裂缝区域判断为重复区域，则剔除所述后裂缝区域。7.根据权利要求4或5任一所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，在“基于所述区域相似度以及所述时间间隔判断重复区域”步骤中，若同时满足所述区域相似度大于裂缝相似度阈值，且所述时间间隔小于时间阈值，则判断为重复区域。
8.根据权利要求4或5任一所述的基于深度学习的隧道裂缝变化趋势预测方法，其特征在于，在“获取每一所述区域图像的裂缝信息”步骤中，获取每一所述区域图像的连通区域的像素面积、占空比以及长宽比，其中占空比为像素面积与最小外接矩形的比值，剔除像素面积小于设定面积值的所述连通区域，占空比小于设定占空值的所述连通区域以及长宽比均一的所述连通区域，得到裂缝信息。9.一种基于深度学习的隧道裂缝变化趋势预测装置，其特征在于，包括：裂缝获取单元，用于获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝；以及饿获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；相似度比对单元，用于比对所述第一裂缝和所述第二裂缝，若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；变化比对单元，用于比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则获取所述裂缝组内每一裂缝的裂缝特征信息及对应的获取时间点并组成测试特征向量集合，将所述测试特征向量集合输入经训练后的裂缝变化趋势模型中得到预测值，若预测值大于设定的安全趋势阈值，则所述裂缝组对应的裂缝未来趋势不安全，其中所述经训练后的裂缝变化趋势模型通过调整裂缝变化趋势模型中的σ层、tanh层的参数以及神经模块的数量反复迭代至误差最小获得。10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1到5任一所述的基于深度学习的隧道裂缝变化趋势预测方法。11.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至5任一项所述的基于深度学习的隧道裂缝变化趋势预测方法。

技术总结
本申请提出了一种基于深度学习的隧道裂缝变化趋势预测方法、装置及应用，所述方法包括：获取同一隧道内的对应第一时段的至少一第一裂缝区域，所述第一裂缝区域内含有第一裂缝；获取同一隧道内的对应第二时段的至少一第二裂缝区域，其中所述第二裂缝区域内含有第二裂缝；若位于相同位置的所述第一裂缝和所述第二裂缝的相似度大于设定阈值，则所述第一裂缝和所述第二裂缝组成对应该位置的裂缝组；比对所述裂缝组内所述第一裂缝和所述第二裂缝的变化值，若变化值处于安全变化阈值内，则将所述裂缝组内输入经训练后的裂缝变化趋势模型中进行预测，可对隧道裂缝进行检测以及变化趋势预测。势预测。势预测。


技术研发人员：李开民 章东平 徐云超 徐志坚 陈斌
受保护的技术使用者：城云科技（中国）有限公司
技术研发日：2022.01.04
技术公布日：2022/2/6