【技术实现步骤摘要】
本专利技术涉及土木工程运维领域，尤其涉及一种地铁隧道接缝渗漏水的智能检测方法。
技术介绍
1、近些年由于城市地表空间资源逐年减少，我国地下空间及地下交通设施的建设发展迅速，且现有存量巨大。截止至2022年底，我国城市轨道交通总里程已达9584公里，其中大部分里程为地铁隧道里程。在如此巨大的地铁隧道存量条件下，地下建设的趋势从以建为主逐渐发展为建养并举。对于现存的地铁隧道，在地层的静荷载以及地铁列车的周期性动荷载作用下，隧道衬砌块间会产生损伤，并易造成接缝处产生渗漏水等多种损伤。隧道渗漏水会使隧道结构产生劣化，并有可能引起隧道的变形甚至坍塌，造成巨大的经济损失。因此，对于城市地铁隧道衬砌接缝损伤进行检测是至关重要的。
2、当前对于地铁隧道接缝处的渗漏水检测大多数采用人工检测方法。人工检测方法作业窗口期短，仅能在晚间地铁停运期进行。此外，人工检测还存在检测速度慢，人工成本高，存在很大的危险性等缺点。对于使用年限较长的隧道，其结构上还存在多种缺陷耦合的现象，人工检测的渗漏水的误判概率较高，且精度低。
3、近年来随着计算机视觉技术的发展，基于计算机视觉的表面检测技术也在工程中得到了应用。采用多种形式的神经网络，当前已能够实现对于隧道现场图片或视频的渗漏水智能检测，但尚存在一些问题。当前基于卷积神经网络对隧道接缝特征进行提取方法中，由于卷积操作的特性，其对图像的局部信息提取较好，而对图像全局信息的能力掌握较差，导致当前智能方法在对隧道衬砌接缝渗漏水进行识别时，精度较低，不能够满足工程需求
4、因此提供一
技术实现思路
1、本专利技术提供一种地铁隧道接缝渗漏水的智能检测方法，够精准，快速地识别隧道接缝渗漏水缺陷，有效提升隧道运维的效率，降低运维成本。
2、为实现上述目的，本专利技术提供了一种地铁隧道接缝渗漏水的智能检测方法，基于网络训练模块和迁移学习模块训练检测方法，具体包括以下步骤：
3、s1：通过数据库构建模块和渗漏水图像标注模块对隧道渗漏水图像进行处理，获取隧道图像中包含的渗漏水信息；
4、s2：通过训练图像增强模块，对渗漏水图像进行增强，并获取对应的渗漏水信息；
5、图像增强模块中包括渗漏水图像预处理模块、图像尺寸调整模块、图像标注信息读取模块和渗漏水标注结果可视化模块；
6、s3：使用基于swin transformer的渗漏水特征检测模块和基于sand glass block的渗漏水特征检测模块提取增强图像中的全局特征和局部特征；
7、s4：通过特征金字塔融合步骤s3中得到的全局特征和局部特征；
8、s5：通过区域建议网络读取融合后的渗漏水特征，并给出建议边界框；
9、s6：通过图像分类头和图像边界框回归头对建议边界框进行预测微调，并输出最终的真实边界框以及类别结果。
10、优选的，在步骤s1中，具体包括以下步骤：
11、s11：标注内容包括表观缺陷的最小外接矩形的左上角坐标、右下角坐标，和渗漏水的类别，标注形式如下所示：
12、
13、其中，前四个数值为每处渗漏水的坐标信息，第五个值为渗漏水的类别，第六处为此目标是否为困难目标，若目标为困难，在后续训练过程中此目标会进行多次训练；
14、标注完成的图像信息以.xml格式的文件保存；
15、s12：数据库构建模块读取隧道渗漏水图像及其对应的.xml信息文件，输出训练集、验证集和一个.json格式的文件；
16、s13：训练集中包含有用于网络训练的图像文件；验证集中包含有用于网络验证的图像文件；.json格式文件中记录有所有训练图像及验证图像的文件名和包含渗漏水的最小外接矩形信息和类别信息。
17、优选的，在步骤s2中，具体包括以下步骤：
18、s21：训练图像增强模块读取步骤s13中建立好的隧道渗漏水图像数据库中的训练集及对应的缺陷信息记录文件；
19、s22：使用随机选择算法选择出部分图像文件进行像素级别变换及图像级别的变换；
20、s23：对于变换完成的图像，图像增强模块对读取其对应的缺陷信息记录文件，并根据图像的变换方式，对缺陷信息记录文件中的缺陷最小外接矩形的位置信息进行更新。
21、优选的，步骤s3中，具体包括以下步骤：
22、s31：通过迁移学习模块将一个基于数据集训练好的、通用的网络参数框架设置至初始网络中；
23、s32：初始网络读取图像数据库的图像文件以及其对应的渗漏水位置和类别信息，并将其输入到基于swin transformer的渗漏水特征检测模块及基于sand glass block的渗漏水特征检测模块中；
24、s33：基于swin transformer的渗漏水特征检测模块及基于sand glass block的渗漏水特征检测模块各自输出两个提取的图像特征图。
25、优选的，在步骤s4中，步骤s33中得到的四个图像特征图被输入到特征金字塔网络中进行特征融合。
26、优选的，在步骤s5中，具体包括以下步骤：
27、s51：步骤s4中融合后的特征被输入至区域建议网络；
28、s52：区域建议网络按照比例生成若干个先验框，与输入的图像缺陷位置信息对比；
29、s53：选出若干个靠近真实位置的先验框和若干个远离真实位置的先验框，将其输入至roi池化层、图像分类检测头、图像边界框位置回归头，并给出当前条件下网络的预测结果；
30、s54：基于预测结果和实际结果计算损失函数，基于梯度反向传播对网络进行训练。
31、优选的，对于训练好的网络，输入任意地铁隧道图像，网络会输出图像中所有渗漏水的最小外界矩形位置及对应的类别；预测结果可视化模块读取上述所有渗漏水的最小外界矩形位置及对应的类别，并绘制在原始缺陷图片上。
32、因此，本专利技术采用上述一种地铁隧道接缝渗漏水的智能检测方法，具备以下有益效果：
33、(1)本专利技术在不增加目标检测网络参数和复杂度的情况下，采用了swintransformer和sand glass block分别提取了接缝渗漏水图像的全局特征和局部特征，实现了对图像信息的更深层次的综合应用，为后续的结果预测网络提供了更为准确的图像信息。
34、(2)本专利技术采用了特征金字塔网络对swin transformer和sand glass block提取得到的特征进行了融合，并分别输出了多层具有相同通道的特征层，给与了rpn网络生成多尺度先验框的能力。通过基于不同尺度的特征层在输入图像上绘制先验框，多种尺度的渗漏水能够被有效地识别。
35、(3)本专利技术网络能够方便部署到多种设备上，包括云服务器，本地服务器以及移动设备，实现对隧道接缝渗漏水的全场景标注，实用性强。...
【技术保护点】
1.一种地铁隧道接缝渗漏水的智能检测方法，其特征在于，基于网络训练模块和迁移学习模块训练检测方法，具体包括以下步骤：
2.根据权利要求1所述的一种地铁隧道接缝渗漏水的智能检测方法，其特征在于：在步骤S1中，具体包括以下步骤：
3.根据权利要求2所述的一种地铁隧道接缝渗漏水的智能检测方法，其特征在于：在步骤S2中，具体包括以下步骤：
4.根据权利要求1所述的一种地铁隧道接缝渗漏水的智能检测方法，其特征在于：步骤S3中，具体包括以下步骤：
5.根据权利要求4所述的一种地铁隧道接缝渗漏水的智能检测方法，其特征在于：在步骤S4中，步骤S33中得到的四个图像特征图被输入到特征金字塔网络中进行特征融合。
6.根据权利要求5所述的一种地铁隧道接缝渗漏水的智能检测方法，其特征在于：在步骤S5中，具体包括以下步骤：
7.根据权利要求6所述的一种地铁隧道接缝渗漏水的智能检测方法，其特征在于：对于训练好的网络，输入任意地铁隧道图像，网络会输出图像中所有渗漏水的最小外界矩形位置及对应的类别；预测结果可视化模块读取上述所有渗漏水的最小
...【技术特征摘要】
1.一种地铁隧道接缝渗漏水的智能检测方法，其特征在于，基于网络训练模块和迁移学习模块训练检测方法，具体包括以下步骤：
2.根据权利要求1所述的一种地铁隧道接缝渗漏水的智能检测方法，其特征在于：在步骤s1中，具体包括以下步骤：
3.根据权利要求2所述的一种地铁隧道接缝渗漏水的智能检测方法，其特征在于：在步骤s2中，具体包括以下步骤：
4.根据权利要求1所述的一种地铁隧道接缝渗漏水的智能检测方法，其特征在于：步骤s3中，具体包括以下步骤：
5.根据权利要求4所述的一种地铁隧...
【专利技术属性】
技术研发人员：路德春，马一丁，孔凡超，刘懿晗，林炜鹏，杜修力，
申请(专利权)人：北京工业大学，
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。