基于深度学习的盾构隧道墙面渗漏水风险检测的方法与流程

1.本发明涉及一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，属于隧道风险检测技术领域。


背景技术：

2.随着我国经济的蓬勃发展，城市对交通的便利度与多元化需求越来越高，地铁隧道与公路过江隧道的建设也越多。随之而来的是急剧增加的隧道养护需求，地铁盾构隧道结构病害尤其是渗漏水病害亟需快速精准的识别诊断。利用计算机视觉对盾构隧道进行健康检测是近年来国内外的一种新趋势，理论上可以用很低的成本实现鲁棒性较高的效果，但目前渗漏水病害图像的识别效果尚不能满足实际工程的需要。
3.深度学习是近十年来人工智能领域取得的重大突破之一，它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等领域都取得了巨大的成功，深度学习与传统模式识别方式的最大不同在于它是从大数据中自动学习特征，而非采用手动设计的特征，因而模型的表达能力更强，更具效率。
4.目前的隧道墙面渗漏水风险检测方法，不是人工检测，就是采用分割方法的定位，没有一个能够提供警示并且对警示做出定位的自动化实现。


技术实现要素：

5.为解决上述问题，提供一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，本发明采用了如下技术方案：
6.本发明提供了一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，用于根据拍摄盾构隧道墙面得到的检测图像进行盾构隧道墙面渗漏水风险检测，其特征在于，包括：步骤1-1，将检测图像通过预先训练的分类模型进行分类得到对应检测图像的分类类别，分类类别包括无风险、有风险已处理以及有风险未处理；步骤1-2，对分类类别进行判定；步骤1-3，当分类类别被判定为无风险以及有风险已处理时，输出无风险结果；步骤1-4，当分类类别被判定为有风险未处理时，通过预先训练的分割模型对分类类别为有风险未处理的检测图像进行渗漏水定位并对检测图像进行处理得到上色标签图；步骤1-5，输出上色标签图从而进行预警，其中，分类模型以及分割模型的训练过程包括以下步骤：步骤2-1，将预先采集的隧道墙面光学图像通过降采样到统一尺寸制作成隧道墙面分类数据集；步骤2-2，将隧道墙面分类数据集分别拆分成包含有风险未处理、有风险已处理和无风险的隧道墙面分类数据集，并将其中有风险未处理的部分通过分割标注工具进行关于有无风险的标记，进一步并将标记部分作为隧道墙面分割数据集；步骤2-3，基于隧道墙面分类数据集训练得到分类模型；步骤2-4，基于隧道墙面分割数据集训练得到分类模型。
7.本发明提供的一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，还可以具有这样的技术特征，其中，在步骤2-3中包含如下子步骤：步骤2-3-1，调取卷积神经网络以及该卷积神经网络的模型参数，该卷积神经网络为基于迁移学习获取大规模开源数据集
得到的；步骤2-3-2，将卷积神经网络的最后的全连接层修改为全局池化模块、1*1的卷积核结构以及分类器作为待训练分类模型；步骤2-3-3，将根据待训练分类模型中的分类器对隧道墙面分类数据集进行计算得到该待训练分类模型的分类概率；步骤2-3-4，将最大的分类概率所对应的类别作为分类类别；步骤2-3-5，利用交叉熵损失函数通过随机梯度下降的方式对待训练分类模型的模型参数进行更新；步骤2-3-6，计算分类模型所得出的分类类别的准确率以及模型训练速度；步骤2-3-7，通过调整待训练分类模型的超参数以及通过交叉验证的方法对待训练分类模型进行训练；步骤2-3-8，重复步骤2-3-3至步骤2-3-7，将具有准确率最高的模型参数以及超参数所对应的待训练分类模型作为分类模型输出。
8.本发明提供的一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，还可以具有这样的技术特征，其中，在步骤2-4中包含如下子步骤：步骤2-4-1，调取全卷积神经网络以及该全卷积神经网络的模型参数，全卷积神经网络以及该全卷积神经网络的模型参数为基于迁移学习获取大规模开源数据集得到的；步骤2-4-2，去除全卷积神经网络的最后的全连接层并将全卷积神经网络的模型参数应用于全卷积神经网络并通过输出层的sigmoid激活函数来判别每个像素的类别从而得到待训练分割模型；步骤2-4-3，通过隧道墙面分割数据集对待训练分割模型进行训练，用交叉熵损失函数采取随机梯度下降策略来更新模型参数；步骤2-4-4，调整待训练分割模型的超参数进行交叉验证并计算当前超参数所对应待训练分割模型的准确率；步骤2-4-5，重复步骤2-4-3以及步骤2-4-4，将在交叉验证时具有准确度最高的超参数和模型参数所对应的待训练分割模型作为分割模型输出。
9.发明作用与效果
10.根据本发明的一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，通过将监测图像通过分类模型进行分类类别判断，然后得出包含无风险、有风险已处理以及有风险未处理的分类类别，然后进一步对分类类别为有风险未处理的检测图像通过分割模型进行渗漏水定位并上色从而得到上色标签图，最后将上色标签图输出从而提供警示作用并实现对所警示的监测图像的自动化定位，其中的分类模型以及分割模型将隧道墙面光学图像通过降采样到统一尺寸制作成隧道墙面分类数据集，并将制作得到的隧道墙面分类数据集分成包含有风险未处理、有风险已处理和无风险三个部分，标记其中有风险未处理的部分作为隧道墙面分割数据集，从而进行训练。因此，通过本发明提供的一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，能够减缓针对急剧增加的隧道养护需求，通过将监测图像中出现有风险未处理的情况发出警示并对监测图像中的有风险未处理部分进行自动化定位从而满足实际工程对渗漏水病害图像识别的需求，能够更加准确并且更加高效实现自动学习功能，从而实现自动化并且批量化处理隧道墙面渗漏水检测图像。
附图说明
11.图1是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法的流程图；
12.图2是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法中三个分类类别的示意图；
13.图3是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法的训练分类模型的流程图；
14.图4是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法的训练分割模型的流程图。
15.图5是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法的隧道墙面分割数据集的数据分布情况；
16.图6是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法中的分类模型的相关模型参数情况；
17.图7是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法中的分类模型的相关模型超参数情况；
18.图8是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法中的测试1结果示意图；以及
19.图9是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法中的测试2结果示意图。
具体实施方式
20.为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的基于深度学习的盾构隧道墙面渗漏水风险检测的方法作具体阐述。
21.《实施例》
22.图1是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法的流程图。
23.如图1所示，一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法具体包括步骤1-1至步骤1-5。
24.步骤1-1，将检测图像通过预先训练的分类模型进行分类得到对应检测图像的分类类别，分类类别包括包含无风险、有风险已处理以及有风险无处理，然后进入步骤1-2。
25.图2是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法中三个分类类别的示意图。
26.在本实施例中，检测图像为通过仪器对盾构隧道墙面进行拍摄从而得到的关于盾构隧道墙面渗漏水的图像，拍摄操作的发起可以为人为需要发出的操作指示，也可以为系统进行定期排查从而自发发起的，通过将该检测图像经过分类模型进行前向推理得到检测图像所对应的分类类别，如图2所示，图2的(a)图为分类类别为有风险未处理的检测图像、图2的(b)图为分类类别为有风险已处理的检测图像、图2的(c)图为分类类别为无风险的检测图像。
27.步骤1-2，对分类类别进行判定。当分类类别被判定为无风险以及有风险已处理时，进入步骤1-3；当分类类别被判定为有风险未处理时，然后进入步骤1-5。
28.步骤1-3，输出无风险结果，进入结束状态。
29.在本实施例中，输出的无风险结果表示为进行盾构隧道墙面渗漏水风险检测的墙面并没有出现渗漏水的情况，无须对该墙面进行任何处理。
30.步骤1-4，通过预先训练的分割模型对分类类别为有风险无处理的检测图像进行渗漏水定位并对检测图像进行处理得到上色标签图，然后进入步骤1-5。
31.其中，上色标签图为根据图像中固有标签对检测图像进行上色得到能够直观定位出渗漏位置的图像。
32.分类模型以及分割模型的训练过程的步骤包括步骤2-1至步骤2-4。
33.步骤2-1，将预先采集的隧道墙面光学图像通过降采样到统一尺寸并进行样本扩增从而制作成隧道墙面分类数据集，然后进入步骤2-2。
34.在本实施例中，通过降采样得到的尺寸为432px*648px。
35.图4是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法的隧道墙面分类数据集的数据分布情况。
36.将隧道墙面分类数据集进行的样本扩增通过对称、翻折、加噪声等操作实现的，经过样本扩增得到的隧道墙面分类数据集的数据分布如图4所示。
37.步骤2-2，将隧道墙面分类数据集分别拆分成包含有风险未处理、有风险已处理和无风险并经过样本扩增的隧道墙面分类数据集，并将其中有风险未处理的部分通过分割标注工具进行关于有无风险的标记，进一步并将标记部分作为隧道墙面分割数据集，然后进入步骤2-3。
38.本实施例中，使用的分割标注工具为matlab，通过将风险未处理的每张图片的风险区域标注上色从而形成生成的单通道图片。
39.步骤2-3，基于隧道墙面分类数据集训练得到分类模型，然后进入步骤2-4。
40.图2是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法的训练分类模型的流程图。
41.如图2所示，在步骤2-3中分类模型的训练过程包含步骤2-3-1至步骤2-3-8。
42.步骤2-3-1，调取卷积神经网络以及该卷积神经网络的模型参数，该卷积神经网络以及该卷积神经网络的模型参数为基于迁移学习获取大规模开源数据集得到的，然后进入步骤2-3-2。
43.图5是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法中的分类模型的相关模型参数情况。
44.在本实施例中，调取的卷积神经网络为keras深度学习框架和densenet分类网络，卷积神经网络的模型参数为在imagenet公开数据集上进行训练得到的预训练模型的参数，调取的卷积神经网络得模型参数设置如图5所示，通过在该模型参数设置下的分类模型对隧道墙面分类数据集进行验证得到的准确率为98％。
45.步骤2-3-2，将卷积神经网络的最后的全连接层修改为全局池化模块、1*1的卷积核结构以及分类器作为待训练分类模型，然后进入步骤2-3-3。
46.步骤2-3-3，将根据待训练分类模型中的分类器对隧道墙面分类数据集进行计算得到该待训练分类模型的分类概率，然后进入步骤2-3-4。
47.在本实施例中，待训练分类模型中的分类器为softmax，设一共有n个数量的分类类别s
k k∈(0,n]，则softmax结果的计算公式为：
[0048][0049]
其中，i表示k个分类类别中的某一分类类别，gi表示该分类类别的值。
[0050]
步骤2-3-4，将最大的分类概率所对应的类别作为分类类别，然后进入步骤2-3-5。
[0051]
步骤2-3-5，利用交叉熵损失函数通过随机梯度下降的方式对待训练分类模型的模型参数进行更新，然后进入步骤2-3-6。
[0052]
步骤2-3-6，计算待训练分类模型所得出的分类类别的准确率，然后进入步骤2-3-7。
[0053]
步骤2-3-7，通过调整待训练分类模型的超参数以及通过交叉验证的方法对待训练分类模型进行训练，然后进入步骤2-3-8。
[0054]
步骤2-3-8，重复步骤2-3-3至步骤2-3-7，将具有准确率最高的模型参数以及超参数所对应的待训练分类模型作为分类模型输出，然后进入结束状态。
[0055]
图6是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法中的分类模型的相关模型超参数情况。
[0056]
在该模型参数设置下进行超参数的训练，相关模型超参数设置如图6所示，在该超参数的设置之下分类模型的准确率为83％。
[0057]
步骤2-4，基于隧道墙面分割数据集训练得到分类模型，然后进入结束状态。
[0058]
图3是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法的训练分割模型的流程图。
[0059]
如图3所示，在步骤2-4中分类模型的训练过程包含步骤2-4-1至步骤2-4-5。
[0060]
步骤2-4-1，调取全卷积神经网络以及该全卷积神经网络的模型参数，全卷积神经网络以及该全卷积神经网络的模型参数为基于迁移学习获取大规模开源数据集得到的然后进入步骤2-4-2。
[0061]
在本实施例中，调取的全卷积神经网络采用keras深度学习框架和deeplabv3分割网络，所采用的开源数据集为imagenet数据集。
[0062]
步骤2-4-2，去除全卷积神经网络的最后的全连接层并将全卷积网络模型参数应用于全卷积神经网络并通过输出层的sigmoid激活函数来判别每个像素的类别从而得到待训练分割模型，然后进入步骤2-4-3。
[0063]
步骤2-4-3，通过隧道墙面分割数据集对待训练分割模型进行训练，用交叉熵损失函数采取随机梯度下降策略来更新模型参数，然后进入步骤2-4-4。
[0064]
在本实施例中，隧道墙面分割数据集通过matlab分割标注工具对有每张图片的有风险未处理的风险区域标注上色从而生成单通道图片，这样的单通道图片转换得到上色标签图，对应生成的单通道图片名与标签图的标签名形如：a10.png——》a10_label.png。
[0065]
步骤2-4-4，调整待训练分割模型的超参数进行交叉验证并计算当前超参数所对应分割模型的准确率，然后进入步骤2-4-5。
[0066]
步骤2-4-5，重复步骤2-4-3以及步骤2-4-4，将在交叉验证时具有准确度最高的超参数和模型参数所对应的待训练分割模型作为分割模型输出，然后进入结束状态。
[0067]
步骤1-5，输出上色标签图从而进行预警，结束流程。
[0068]
图7是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法中的测试1结果示意图。
[0069]
图8是本发明实施例中的基于深度学习的盾构隧道墙面渗漏水风险检测的方法中的测试2结果示意图。
[0070]
如图7以及图8所示，图7以及图8为通过基于深度学习的盾构隧道墙面渗漏水风险
检测的方法对检测图像进行测试结果示意图，图7的(a)图以及图8的(a)图为有风险未处理的测试图片，图7的(b)图以及图8的(b)图为有风险未处理的测试图片。
[0071]
实施例作用与效果
[0072]
根据本实施例提供的一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，通过将监测图像通过分类模型进行分类类别判断，然后得出包含无风险、有风险已处理以及有风险未处理的分类类别，然后进一步对分类类别为有风险未处理的检测图像通过分割模型进行渗漏水定位并上色从而得到上色标签图，最后将上色标签图输出从而提供警示作用并实现对所警示的监测图像的自动化定位，其中的分类模型以及分割模型将隧道墙面光学图像通过降采样到统一尺寸制作成隧道墙面分类数据集，并将制作得到的隧道墙面分类数据集分成包含有风险未处理、有风险已处理和无风险三个部分，标记其中有风险未处理的部分作为隧道墙面分割数据集，从而进行训练。因此，通过本发明提供的一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，能够减缓针对急剧增加的隧道养护需求，通过将监测图像中出现有风险未处理的情况发出警示并对监测图像中的有风险未处理部分进行自动化定位从而让检测者可以更快的针对相关警示区域进行及时的处理，能够满足实际工程对渗漏水病害图像识别的需求，能够更加准确并且更加高效实现自动学习功能，从而实现自动化并且批量化处理隧道墙面渗漏水检测图像。
[0073]
实施例中，在针对分类模型进行训练时，通过调取卷积神经网络并去除最后的全连接层，能够通过模型训练初始化参数的方式来减少训练时间和训练成本，以此同时通过随机梯度下降的方式，能够就减少在通过交叉熵损失函数进行损失计算使得计算开销，将调整后的分类模型通过调整超参数的方式能够获得精度高且泛化性能良好的模型，从而更加可靠并且在实际工程中能够更好地被应用，最后通过交叉验证的方式能够在一定程度上减小过拟合并且能够在从有限的数据中获取尽可能多的有效信息。
[0074]
实施例中，在针对分割模型进行训练时，调取全卷积神经网络通过去除最后的全连接层以及修改输出层的sigmoid激活函数的方式，实现模型训练初始化参数从而减少训练时间和训练成本，与此同时调整训练超参数设置并且调整训练子模块结构的方法从而获得一个更高效率、泛化性能良好和精度高的卷积神经网络分类模型从而更加可靠并且在实际工程中能够更好地被应用，最后通过交叉验证的方法能够在一定程度上减小过拟合并且能够在从有限的数据中获取尽可能多的有效信息。
[0075]
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。