基于深度学习的隧道裂缝变化趋势预测方法、装置及应用制造方法及图纸

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。

【技术实现步骤摘要】
基于深度学习的隧道裂缝变化趋势预测方法、装置及应用


[0001]本申请涉及深度学习领域，特别是涉及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。

技术介绍

[0002]近年来，随着科技不断发展和经济水平的不断提高，越来越多的隧道被建造，隧道的规模也不断地扩大。隧道的建设打通了原先无法通行的道路，极大程度地提高了人们的生活质量，但是隧道的安全问题也不容小觑。在实际生活中，由于车辆的震动、天气原因以及自然灾害等问题，隧道墙壁可能出现大大小小的裂缝，绝大部分裂缝是在安全阈值内的，可以不加处理，但有极少部分裂缝可能会引起不必要的危害，因此隧道裂缝的检测极其重要。
[0003]传统的隧道裂缝检测是由人工去检测的，而隧道一般长度较长且隧道内车辆的行驶速度较大，隧道内驾驶员的视线不佳，进而导致人工检测容易耗费巨大的人力和时间，并且人工对裂缝的判断也有主观性，例如经验少的人和经验丰富的人判断裂缝的损害程度是不一样的，并且人工检测还会偶然性。现有技术也存在利用深度学习技术对隧道裂缝进行检测的检测模型和算法，但是其无法很好地区分相邻区域的隧道裂缝，也无法对隧道裂缝的变化区域进行预测。

技术实现思路

[0004]本申请实施例提供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，旨在利用深度学习、机器视觉、图像处理等技术对隧道裂缝进行高效率检测，并可通过多次检测的裂缝数据对隧道裂缝未来趋势进行预测，减轻检测任务的负担，提高检测的准确性。
[0005]第一方面，本申请实施例提供了一种基于深度学习的隧道裂缝变化趋势预测方法，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。
[0006]第二方面，本申请实施例提供了一种基于深度学习的隧道裂缝变化趋势预测装置，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；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。
[0007]第三方面， 本申请实施例提供了一种电子装置，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所述的基于深度学习的隧道裂缝变化趋势预测方法。
[0008]第四方面，本申请实施例提供了一种计算机程序产品，包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行所述的基于深度学习的隧道裂缝变化趋势预测方法。
[0009]第五方面，本申请实施例提供了一种可读存储介质，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，所述过程包括所述的基于深度学习的隧道裂缝变化趋势预测方法。
[0010]本专利技术的主要贡献和创新点如下：通过裂缝检测模型对隧道裂缝进行检测，且通过裂缝区域的重复筛查来去除重复区域，以提高裂缝识别的准确度；且本方案通过对同一位置的多个裂缝进行分析来预测裂缝变化趋势，本方案通过提前预筛裂缝的方式也可减少后续预测变化趋势的计算量以及提高预测准确度，本方案可适用于不同隧道的裂缝检测以及裂缝变化趋势预测。
[0011]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0012]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请实施例的基于深度学习的隧道裂缝变化趋势预测方法的流程图；图2是根据本申请一实施例的基于深度学习的隧道裂缝变化趋势预测方法的逻辑流程图；图3是根据本申请一实施例的隧道裂缝检测卷积神经网络的结构图图4是根据本申请一实施例的隧道裂缝变化趋势预测神经网络的LSTM模型结构图。
[0013]图5是根据本申请实施例的一种基于深度学习的隧道裂缝变化趋势预测装置的结构框图；
图6是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
[0014]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
[0015]需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
[0016]实施例一本申请旨在提出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，该基于深度学习的隧道裂缝变化趋势预测方法利用深度学习方法对隧道的裂缝进行精准的预测，同时利用多个裂缝预测裂缝变化趋势，可协助管理人员提前预警存在较大风险的隧道裂缝，通过提早预防的手段提高隧道的行驶安全性。
[0017]本申请实施例提供了一种基于深度学习的隧道裂缝变化趋势预测方法，具体地，参考图1，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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：李开民，章东平，徐云超，徐志坚，陈斌，
申请(专利权)人：城云科技中国有限公司，
类型：发明
国别省市：