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

技术特征：
1.一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，将所述检测图像通过预先训练的所述分类模型进行分类得到对应所述检测图像的分类类别，所述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，对所述分类类别进行判定；步骤1-3，当所述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，当所述分类类别被判定为有风险未处理时，通过预先训练的所述分割模型对所述分类类别为有风险未处理的所述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，输出所述上色标签图从而进行预警，其中，所述分类模型以及所述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，将所述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，基于所述隧道墙面分类数据集训练得到所述分类模型；步骤2-4，基于所述隧道墙面分割数据集训练得到所述分类模型。2.根据权利要求1所述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，其特征在于：其中，在所述步骤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，将所述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，将根据所述待训练分类模型中的所述分类器对所述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，将最大的所述分类概率所对应的类别作为所述分类类别；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所述待训练分类模型的所述模型参数进行更新；步骤2-3-6，计算所述分类模型所得出的所述分类类别的准确率；步骤2-3-7，通过调整待训练分类模型的所述超参数以及通过交叉验证的方法对所述待训练分类模型进行训练；步骤2-3-8，重复所述步骤2-3-3至所述步骤2-3-7，将具有所述准确率最高的所述模型参数以及所述超参数所对应的所述待训练分类模型作为分类模型输出。3.根据权利要求1所述的基于深度学习的盾构隧道墙面渗漏水风险检测的方法，其特征在于：其中，在所述步骤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所述模型参数，所述全卷积
神经网络以及该全卷积神经网络的所述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，去除所述全卷积神经网络的最后的所述全连接层并将所述全卷积神经网络的所述模型参数应用于所述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，通过所述隧道墙面分割数据集对所述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，调整所述待训练分割模型的所述超参数进行交叉验证并计算当前所述超参数所对应所述待训练分割模型的所述准确率；步骤2-4-5，重复所述步骤2-4-3以及所述步骤2-4-4，将在交叉验证时具有准确度最高的所述超参数和所述模型参数所对应的所述待训练分割模型作为所述分割模型输出。

技术总结
本发明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，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，包括：将检测图像通过分类模型进行分类类别判断，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，并对分类类别为有风险未处理的检测图像进行定位并上色从而得到上色标签图，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，并根据隧道墙面分类数据集以及隧道墙面分割数据集进行训练。因此，能够减缓针对急剧增加的隧道养护需求，通过发出相关警示并自动化定位从而满足实际工程对渗漏水病害图像识别自动化并且批量化处理的需求，隧道墙面渗漏水检测更加准确高效。漏水检测更加准确高效。漏水检测更加准确高效。


技术研发人员：王海鹏 关锐
受保护的技术使用者：复旦大学
技术研发日：2020.09.15
技术公布日：2022/4/1