一种隧道渗漏水识别方法技术

本发明专利技术涉及监控领域，特指一种隧道渗漏水识别方法，包括如下步骤：(1)接入视频流，进行单帧图像预处理；(2)使用训练好的LVQ模型对处理后的图像进行识别；(3)判断是否存在渗漏水情况；(4)一旦发现渗漏水，保存当前帧视频图像并使用Canny算法对渗漏水进行边缘计算，判断渗漏水程度并输出；(5)运营人员视严重程度安排人员检测。采用上述方案后，大大提高了渗漏水检测的效率以及预防，有利于隧道运营方对隧道的养护工作。

【技术实现步骤摘要】
一种隧道渗漏水识别方法
本专利技术涉及监控领域，特指一种隧道渗漏水识别方法。
技术介绍
公路部门统计数据显示，我国公路隧道约30％有严重渗漏水病害。铁道部门统计数据显示，我国铁路隧道28.4％有严重渗漏水病害。随着我国隧道工程的快速发展，隧道工程病害问题日益凸显。渗漏水是隧道的主要病害之一，也是引起隧道其他病害的根源，隧道的健康问题变得日益突出。目前的隧道渗漏水病害检测手段主要是人工巡视的方法，根据肉眼观察结果进行判断，受人为因素影响较大，存在着效率低、准确性差的问题。因此，本专利技术人对此做进一步研究，研发出一种隧道渗漏水识别方法，本案由此产生。
技术实现思路
本专利技术的目的在于提供一种隧道渗漏水识别方法，大大提高渗漏水检测的效率以及预防，有利于隧道运营方对隧道的养护工作。为了实现上述目的，本专利技术的技术方案如下：一种隧道渗漏水识别方法，包括如下步骤：(1)接入视频流，进行单帧图像预处理；(2)使用训练好的LVQ模型对处理后的图像进行识别；(3)判断是否存在渗漏水情况；(4)一旦发现渗漏水，保存当前帧视频图像并使用Canny算法对渗漏水进行边缘计算，判断渗漏水程度并输出；(5)运营人员视严重程度安排人员检测。通过使用在隧道中收集一系列渗漏水图像作为识别数据集，并利用该数据集对LVQ神经网络模型进行训练和调式，调式出最优的决策阈值以提高其检测精度，并使用Canny算法对渗漏水程度进行判断，视渗漏水严重程度联动隧道运维人员进行整治。进一步，步骤(1)中，视频流采用隧道中的监控摄像机群。可以充分利用隧道内原有摄像机进行改造，节约资源。进一步，LVQ模型由三层神经元组成，即输入层、竞争层和线性输出层，LVQ神经网络算法是在有监督状态下对竞争层进行训练的一种学习算法，具体计算步骤如下：步骤1：初始化输入层与竞争层之间的权值ωij以及学习率η(η>0)；步骤2：利用LVQ1算法对所有输入模式进行学习；步骤3：将输入向量x＝(x1,x2,…,xR)T送入到输入层，并计算竞争层与输入向量的距离；步骤4：选择与输入向量距离最小的两个竞争层神经元i，j；步骤5：如果神经元i和神经元j满足以下两个条件：①神经元i和神经元j对应不同的类别；②神经元i和神经元j与当前输入向量的距离di和dj满足其中，ρ为输入向量可能落进的接近于两个向量中段平面的窗口宽度；则有：①若神经元i对应的类别Ci与输入向量对应的类别Cx一致，即Ci＝Cx，则神经元i和神经元j的权值根据下式进行修正；②若神经元j对应的类别Cj与输入向量对应的类别Cx一致，即Cj＝Cx，则神经元i和神经元j的权值根据下式进行修正；步骤6：若神经元i和神经元j不满足步骤5的条件，则只更新距离输入向量最近的神经元权值；步骤7：最后使用测试数据集评估模型的性能。典型的学习矢量量化算法有LVQ1、LVQ2和LVQ3，其中前两种算法应用较为广泛，尤以LVQ2的应用最为广泛和有效。已经成功应用到统计学、模式识别、机器学习等多个领域。在LVQ1算法中，只有一个神经元可以获胜，即只有一个神经元的权值可以得到更新调整。为了提高分类的准确率，通过改进LVQ1算法得到LVQ2算法，其基于光滑的移动决策边界逼近贝叶斯极限。LVQ2版本接着被修改为LVQ2.1，并最终发展为LVQ3。这些后来的LVQ版本都引入了次获胜神经元，获胜神经元的权值向量和次获胜神经元的权值向量都被更新。进一步，LVQ模型渗漏水识别训练步骤为：步骤1：对数据集中所有图像进行人工标签；步骤2：使用训练数据集对LVQ模型进行训练直至模型收敛；步骤3：使用验证数据集对模型的泛化能力进行评估，并调整超参数，并取迭代1500次后的模型作为初步识别模型；步骤4：重复步骤2和3直至模型在验证数据集上的泛化能力满足任务需求；步骤5：固定已训练好的网络结构；步骤6：使用验证数据集评估模型是否发生过拟合；渗漏水识别模型的性能将决定着识别的结果，本系统将模型训练至精确度95％以上，并平均推断耗时少，能达到实时性的要求。进一步，步骤(1)中，渗漏水图像进行预处理包括如下步骤：步骤1：灰度化二值处理；步骤2：高斯滤波；对整幅图像进行加权平均，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到；平滑处理后降低噪声的影响；步骤3：腐蚀；除物体边界点，使目标缩小，可以消除小于结构元素的噪声点；步骤4：膨胀；将于物体接粗的所有背景点合并到物体中，使目标增大，可填补目标中的空洞；步骤5：边缘检测。通过先腐蚀再膨胀，一般使对象的轮廓变得光滑，断开狭窄的间断和消除细的突出物。采用上述方案后，本专利技术与现有技术相比，具有以下优点：1.采用非接触监测技术，系统的可靠性、耐久性高；2.摄像机可以同时监测多个病害部位，且是已有设备，节约设备投入；3.具备对渗漏水病害程度判定；4.信息接入隧道维保管理云平台进行存储和分析。附图说明图1是渗漏水识别检测流程图；图2学习向量量化LVQ算法神经网络图图3是渗漏水严重程度判断框架图具体实施方式下面结合附图和具体实施例对本专利技术作进一步的说明。一种隧道渗漏水识别方法，基于深度学习的方法研究了隧道渗漏水的识别与程度判断技术，该技术可以有效地对隧道监控画面进行实时的渗漏水检测，利用LVQ算法在识别领域的优势对渗漏水进行识别，其识别精度高于传统神经网络算法，并使用Canny算法对渗漏水进行边缘计算，通过其渗漏水面积来判断其程度，让运营人员能视严重程度安排人员检测。(1)渗漏水识别检测流程本系统对渗漏水的识别检测主要分为两个部分，一是对渗漏水的识别，二是对渗漏水程度的判断。通过训练好的LVQ模型对视频流中隧道情况进行实时的渗漏水识别。在识别到渗漏水画面后，再对其进行Canny算法的边缘处理，通过对其渗漏水面积来判断其严重程度。并结合隧道维保云平台进行数据分析，以及治理方案联动。见图1，具体识别检测流程如下：接入视频流，进行单帧图像预处理；使用训练好的LVQ模型进行识别；判断是否存在渗漏水情况；一旦发现渗漏水，保存当前帧视频图像并使用边缘计算判断渗漏水程度；使用滤波器降低图像噪声；采用增强算法将邻域中灰度有显著变化的点突出显示；使用梯度幅值阈值判定作为边缘计算判断标准；使用渗漏水面积作为渗漏水程度并输出。(2)LVQ神经网络模型学习向量量化(LVQ)神经网络是一种用于训练竞争层的有监督学习方法的神经网络，在识别和优化领域有着广泛的应用。LVQ神经网络由3层神经元组成，即输入层、竞争层和线性输出层。输入层与竞本文档来自技高网...

【技术保护点】
1.一种隧道渗漏水识别方法，包括如下步骤：/n(1)接入视频流，进行单帧图像预处理；/n(2)使用训练好的LVQ模型对处理后的图像进行识别；/n(3)判断是否存在渗漏水情况；/n(4)一旦发现渗漏水，保存当前帧视频图像并使用Canny算法对渗漏水进行边缘计算，判断渗漏水程度并输出；/n(5)运营人员视严重程度安排人员检测。/n

【技术特征摘要】
1.一种隧道渗漏水识别方法，包括如下步骤：
(1)接入视频流，进行单帧图像预处理；
(2)使用训练好的LVQ模型对处理后的图像进行识别；
(3)判断是否存在渗漏水情况；
(4)一旦发现渗漏水，保存当前帧视频图像并使用Canny算法对渗漏水进行边缘计算，判断渗漏水程度并输出；
(5)运营人员视严重程度安排人员检测。


2.根据权利要求1所述的一种隧道渗漏水识别方法，其特征在于：步骤(1)中，视频流采用隧道中的监控摄像机群。


3.根据权利要求1所述的一种隧道渗漏水识别方法，其特征在于：LVQ模型由三层神经元组成，即输入层、竞争层和线性输出层，LVQ神经网络算法是在有监督状态下对竞争层进行训练的一种学习算法，具体计算步骤如下：
步骤1：初始化输入层与竞争层之间的权值ωij以及学习率η(η>0)；
步骤2：利用LVQ1算法对所有输入模式进行学习；
步骤3：将输入向量x＝(x1,x2,…,xR)T送入到输入层，并计算竞争层与输入向量的距离；



步骤4：选择与输入向量距离最小的两个竞争层神经元i，j；
步骤5：如果神经元i和神经元j满足以下两个条件：
①神经元i和神经元j对应不同的类别；
②神经元i和神经元j与当前输入向量的距离di和dj满足
其中，ρ为输入向量可能落进的接近于两个向量中段平面的窗口宽度；
则有：
①若神经元i对应的类别Ci与输入向量对应的类别Cx一致，即Ci＝Cx，则神经元i和神经元j的权值根据下式进行修正；

【专利技术属性】
技术研发人员：陶杰，于涵诚，王长华，朱熙豪，倪双静，张维，汪内利，刘海萍，郑于海，亓凌，
申请(专利权)人：浙江省机电设计研究院有限公司，
类型：发明
国别省市：浙江;33