【技术实现步骤摘要】
本专利技术涉及盾构隧道管片检测领域,具体说是一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法。
技术介绍
1、机器视觉技术在工业检测领域有着广泛的应用。基于机器视觉的检测方法，能够在复杂环境光条件下开展图像采集。盾构隧道管片表观病害识别对轨道交通安全运维至关重要。近年来，陆续出现基于机器视觉和深度学习的隧道表面裂纹识别方法。
2、机器视觉技术可以提供从数百微米到几毫米的图像分辨率，其中高分辨率成像系统架构复杂、使用成本较高；同等条件，当分辨率要求越高时，扫描成像所花费的时间也很长，难以满足隧道运维中快速检测的要求。由于隧道环境复杂，利用深度学习进行隧道表观裂纹识别时，为提高模型检测精度，避免漏测、误测，通常需要高分辨率图像，故而造成在采集过程中数据量巨大，读写速度慢，存储及端边分析困难。机器视觉和深度学习在隧道巡检中，图像分辨率、扫描成本及采集效率通常制约了新兴技术的普及利用。
技术实现思路
1、本专利技术要解决的技术问题是克服现有技术的不足，提供一种采集效率高、图像利用率高、处理速度快、结果可靠的盾构隧道管片裂纹智能识别方法。
2、为了实现上述目的，设计一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法，所述方法具体如下：
3、s1.利用高帧率线结构光相机对盾构隧道管片进行高分辨率结构扫描拍摄；
4、s2.对盾构隧道管片进行低分辨率结构扫描拍摄；
5、s3.对步骤s1扫描采集到的数据进行管片重构，提取结构本
6、s4.将步骤s2中的扫描数据作为输入，通过残差模块从每一帧中提取特征；
7、s5.对步骤s4中的特征进行双向传播，然后用光流对模型学习到的偏移量做矫正；
8、s6.对步骤s5获得的自身上采用得到特征，使用双向循环神经网络若干次后的最后一个特征序列进行聚合；
9、s7.利用卷积与像素的变换将聚合特征生成分辨率增强图像输出；
10、s8.建立高分辨率裂纹图像集，训练裂纹识别模型；
11、s9.用步骤s8的裂纹识别模型对步骤s7中的分辨率增强管片图像进行裂纹识别，当裂纹识别率大于合格值a，则经过算法处理的分辨率增强图像即为临界分辨率增强图像；反之，分辨率增强图像返回，进一步进行算法处理，直至得到临界分辨率增强图像；
12、s10.对比原始图像裂纹的连通性数字特征与步骤s9获得的高分辨图像估算的裂纹数字特征。
13、本专利技术还具有如下优选的技术方案：
14、1.所述步骤s3提取表面螺栓孔或拼接缝结构特征。
15、2.所述步骤s4将步骤s3中的10帧图像作为一个序列 x{x 1, x 2,…… x 10 }，作为输入数据，通过残差模块从每一帧中提取特征形成特征序列 a{x 1, x 2,…… x 10 }。
16、3.所述步骤s5对步骤s4中的特征进行双向传播 f i，两次前向传播和两次后向传播。
17、4.所述步骤s6具体如下：用光流对模型学习到的偏移量做矫正，前一时刻的特征 f i，已知光流，经过warping求出此刻特征：
18、， (1)
19、和原始特征 a拼接，经过卷积求出的偏移量 c a加上光流求出dcn的偏移量 cs；
20、， (2)
21、通过卷积求出的masks通过sigmoid函数给出偏移限制；
22、=, (3)
23、通过可变性卷积求出当前时刻特征 f’ i；
24、 ，(4)
25、得到矫正后的特征序列列 f’ i {x 1, x 2,…… x 10 }。
26、5.所述步骤s7具体如下：对步骤s4获得的自身上采用得到特征序列 a{x 1, x 2,…… x 10 }、两次前向传播纠正和两次后向传播纠正的序列特征 f’ i {x 1, x 2,…… x 10 }进行聚合，得到聚合特征。
27、本专利技术同现有技术相比，其优点在于：
28、1.通过将低分辨率隧道管片扫描图像通过图像处理和深度学习转换成分辨率增强图像，降低对图像分辨率的要求，提高盾构隧道扫描采集效率；
29、2.利用高分辨率图像进行裂纹特征提取、特征学习和模型训练，提高模型准确性，利用高分辨率裂纹识别模型对分辨率增强图像进行增强结果判别，确定图像增强临界值，保证低分辨率图像的可读性，提高图像利用率。
本文档来自技高网...【技术保护点】
1.一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法，其特征在于所述方法具体如下：
2.如权利于要求1所述的一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法，其特征在于所述步骤S3提取表面螺栓孔或拼接缝结构特征。
3.如权利于要求1所述的一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法，其特征在于所述步骤S4将步骤S3中的10帧图像作为一个序列X{x1, x2, ……x10}，作为输入数据，通过残差模块从每一帧中提取特征形成特征序列a{x1, x2, ……x10}。
4.如权利于要求1所述的一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法，其特征在于所述步骤S5对步骤S4中的特征进行双向传播fi，两次前向传播和两次后向传播。
5.如权利于要求1所述的一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法，其特征在于所述步骤S6具体如下：用光流对模型学习到的偏移量做矫正，前一时刻的特征fi，已知光流 ，经过Warping求出此刻特征：
6.如权利于要求1所述的一种基于图像增强和深度学习的盾
...【技术特征摘要】
1.一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法，其特征在于所述方法具体如下：
2.如权利于要求1所述的一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法，其特征在于所述步骤s3提取表面螺栓孔或拼接缝结构特征。
3.如权利于要求1所述的一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法，其特征在于所述步骤s4将步骤s3中的10帧图像作为一个序列x{x1, x2, ……x10}，作为输入数据，通过残差模块从每一帧中提取特征形成特征序列a{x1, x2, ……x10}。
4.如权利于要求1所述的一种基于图像增强和深度学习的盾构隧道管片裂纹智能识别方法，其...
【专利技术属性】
技术研发人员：牛慧雅，姚远，刘乘瑞，陈素贞，李洪雨，
申请(专利权)人：上海市建筑科学研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。