【技术实现步骤摘要】
本专利技术涉及深度学习，更具体地说，是涉及一种地铁盾构隧道裂缝分割测量方法及系统。
技术介绍
1、在地铁盾构隧道中，随着运营时间的不断增长，隧道结构受到多种因素的共同作用，如地下水流动、压力变化、列车震动以及土层荷载等，导致隧道衬砌结构不可避免地产生裂缝。这些裂缝不仅影响隧道结构的稳定性，还可能进一步引发渗漏水、掉块等更严重的病害，对地铁运营安全构成严重威胁。因此，对隧道裂缝进行及时、准确的检测与测量至关重要。
2、然而，传统的裂缝检测手段主要依赖人工强光手电巡检和塞尺测量，存在效率低、主观性强、易漏检等问题。特别是在地铁隧道环境昏暗复杂、裂缝细长且难以触及的情况下，传统检测方法更难以保证检测结果的可靠性与准确性。
3、为了克服传统检测方法的局限性，学者们开始探索基于无损检测ndi技术的隧道裂缝检测方法。目前，针对隧道的ndi方法主要包括基于强度的方法、声波和超声波方法、磁学方法、电学方法、热成像方法、雷达方法、射线照相方法和内窥镜等方法。然而，这些方法在实际应用中往往受到多种因素的限制，如检测精度不高、误差较大、对检测环境要求苛刻等，因此并未得到广泛应用。随着数据采集和计算硬件，特别是图形处理单元gpu的飞速发展，基于图像处理的裂缝检测方法逐渐兴起。这些方法主要利用边缘检测、支持向量机、分形维数计算等技术对隧道裂缝进行检测。然而，在有复杂噪声和光线不均的环境下，基于图像处理的检测方法往往难以准确提取裂缝信息，易造成裂缝信息丢失。为了进一步提高检测精度和效率，开发了一系列基于机器人与传感器集成系统的隧道检
4、近年来，随着人工智能技术的快速发展，基于深度学习的裂缝检测方法逐渐成为研究热点。通过神经网络和计算机平台搭建模型训练框架，再凭借模型完成自动检测，深度学习在裂缝等缺陷检测方面展现出了优异的性能。然而，对于地铁盾构隧道而言，目前大部分方法的改进方向并未充分考虑地铁隧道的特性，导致在检测细长裂缝时效果不佳。此外，如何区分裂缝与划痕、拼接缝等类似于裂缝的干扰类别也是当前研究面临的一大难题。
技术实现思路
1、本专利技术的目的在于提供一种地铁盾构隧道裂缝分割测量方法及系统，基于改进的yolov8-gsd模型对地铁盾构隧道图像进行裂缝分割，并引入伽马矫正与rclahe理论结合的方法精确测量裂缝宽度、长度信息。
2、为了实现上述目的，本专利技术提供一种地铁盾构隧道裂缝分割测量方法，该方法包括：
3、步骤s1：采集包含裂缝的地铁盾构隧道图像；
4、步骤s2：基于改进的yolov8-gsd模型对采集的地铁盾构隧道图像进行裂缝分割，形成地铁隧道裂缝图像；
5、步骤s3：对地铁隧道裂缝图像进行图像预处理；
6、步骤s4：对图像预处理后的地铁隧道裂缝图像，根据多种子区域生长方法提取裂缝区域，对裂缝区域通过细化算法提取裂缝骨架；
7、步骤s5：基于裂缝骨架，根据像素连接方式计算裂缝长度和裂缝宽度。
8、优选地，所述改进的yolov8-gsd模型包括：
9、主干网络backbone，用于对输入的地铁盾构隧道图像进行特征提取，收集语义信息，并对特征矩阵进行增强；
10、颈部网络neck，用于利用gd机制替换原neck结构，通过在全局范围融合不同层次的特征得到全局信息，并将全局信息注入到不同层级的特征中，进行信息交互和融合；
11、头部网络head，包括：
12、分类子模块，用于预测每个边界框的类概率；
13、回归子模块，用于预测每个特征点的边界框坐标和对象性得分，通过应用非极大值抑制nms算法去除冗余和重叠的边界框，获得每个特征层的最终预测结果。
14、优选地，主干网络backbone引入c2f-dysnakeconv模块融合来自特征和欧几里得空间的信息，以对特征矩阵进行增强；
15、在主干网络backbone尾部sppf模块接入双层路由注意力机制bilevelroutingattention,以更灵活的计算分配和内容感知来关注全局维度特征。
16、优选地，分类子模块用于预测每个边界框的类概率，对每个特征层应用两个3×3卷积和一个1×1卷积，利用softmax函数对1×1卷积的输出进行归一化，以生成各个类别的概率分布，利用交叉熵损失衡量预测概率与真实标签之间的差异，公式为：
17、
18、其中，softmax(xi)表示输入向量xi的概率分布，h(p,q)表示交叉熵，p(x)表示真实标签分布，q(x)表示模型预测的分布，xi表示第i个输入向量，j表示向量总个数。
19、优选地，回归子模块用于预测每个特征点的边界框坐标和对象性得分，对每个特征层应用一个3×3卷积和一个1×1卷积，利用sigmoid函数将1×1卷积的输出压缩到范围[0,1]，利用bce损失衡量预测值与真实值之间的差异，公式为：
20、
21、其中，σ(z)表示样本属于某一类别的可能性，y表示真实标签向量，表示模型的预测输出向量，包含模型对每个样本属于正类的预测概率，n表示样本数量，yi表示第i个样本的真实标签，表示模型认为该样本属于正类的概率，z表示用于计算目标框中心点横坐标的预测值。
22、优选地，所述cd机制包括：
23、信息对齐模块fam，用于收集并对齐不同层级不同大小的特征；
24、信息融合模块ifm，用于通过卷积和transformer算子对对齐后的特征进行融合，得到全局信息；
25、信息注入模块inject，用于将全局信息注入到不同层级中。
26、优选地，所述gd机制用low-gd和high-gd分别代替panet的上采样融合阶段和下采样融合阶段。
27、优选地，所述步骤s3：对地铁隧道裂缝图像进行图像预处理，包括：
28、步骤s3.1：将地铁隧道裂缝图像进行灰度化处理及初步去噪，形成灰度去噪图像；
29、步骤s3.2：通过伽马矫正非线性变换调整灰度去噪图像的亮度，通过retinex理论和对比度限制自适应直方图均衡化clahe调整灰度去噪图像的对比度；
30、步骤s3.3：采用自适应二值化将灰度去噪图像转换为二值图像；
31、步骤s3.4：通过设置面积阈值和矩形度阈值分别去除二值图像中的散点干扰和块状干扰。
32、优选地，所述步骤s5：基于裂缝骨架，根据像素连接方式计算裂缝长度和裂缝宽度，包括：
33、将裂缝骨架图中像素中心点之间的连线作为长度方向，将不同像素连接方式的骨架像素长度作为裂缝长度，计算公式为：
34、lc＝lf+ld
35、
3本文档来自技高网...
【技术保护点】
1.一种地铁盾构隧道裂缝分割测量方法，其特征在于，包括：
2.根据权利要求1所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
3.根据权利要求2所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
4.根据权利要求2所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
5.根据权利要求2所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
6.根据权利要求2所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
7.根据权利要求2所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
8.根据权利要求1所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
9.根据权利要求1所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
10.一种地铁盾构隧道裂缝分割测量系统，其特征在于，包括：
【技术特征摘要】
1.一种地铁盾构隧道裂缝分割测量方法，其特征在于，包括：
2.根据权利要求1所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
3.根据权利要求2所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
4.根据权利要求2所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
5.根据权利要求2所述的一种地铁盾构隧道裂缝分割测量方法，其特征在于，
...【专利技术属性】
技术研发人员：李久林，鲍艳，杨堃，刘廷勇，徐鹏宇，王晓静，王勇，任传斌，
申请(专利权)人：北京城建集团有限责任公司，
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。