【技术实现步骤摘要】
本公开涉及深度学习隧道识别，具体涉及基于并行空洞卷积的隧道掌子面裂隙识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
2、随着城市化进程的加速和基础设施建设的不断推进，隧道工程在交通、水利、矿业等领域中扮演着越来越重要的角色。然而，在隧道施工过程中，掌子面(隧道掘进工作面)的裂隙问题一直是影响施工安全和工程质量的关键因素之一。掌子面裂隙的及时识别与处理，对于预防隧道塌方、提高施工效率和保障工程安全具有重要意义。
3、传统的裂隙识别方法主要依赖于人工巡查和经验判断，这种方法不仅效率低下，且容易受到人为因素的影响，导致识别结果的准确性和可靠性难以保证。近年来，随着计算机视觉和深度学习技术的快速发展，基于图像分析的自动化裂隙识别技术逐渐成为研究的热点。
4、深度学习作为一种强大的机器学习方法，已经在图像分类、目标检测和语义分割等领域取得了显著成果。语义分割作为图像处理中的重要任务，旨在将图像中的每个像素分类为特定的语义类别，从而实现对图像的细粒度理解。在隧道掌子面裂隙识别中，语义分割技术能够有效地将裂隙与背景区域区分开来，从而提供更为精确的裂隙定位信息。如全卷积网络(fcn)、u-net、deeplab等，通过端到端的训练方式，能够自动学习图像中的特征表示，并在复杂的隧道掌子面图像中实现高精度的裂隙识别。这些模型不仅能够处理高分辨率的图像数据，还具备较强的泛化能力，适用于不同环境和工况下的裂隙识别任务。
5、然而，由于隧道施工环境的
技术实现思路
1、本公开为了解决上述问题，提出了基于并行空洞卷积的隧道掌子面裂隙识别方法及系统，通过引入语义分割模型deeplabv3+，在语义分割模型deeplabv3+中添加eca注意力模块，引入加权交叉熵损失函数，形成新的适用于隧道掌子面裂隙识别模型crack-deeplabv3+，保持模型的轻量化设计，使其更适合部署于工程现场，提高施工期裂隙检测的效率和可靠性。
2、根据一些实施例，本公开采用如下技术方案：
3、基于并行空洞卷积的隧道掌子面裂隙识别方法，包括：
4、获取施工现场掌子面图像，并预处理；
5、将预处理后的掌子面图像输入隧道掌子面裂隙识别模型，输出裂隙识别结果；
6、其中，在隧道掌子面裂隙识别模型中，掌子面图像先经过mobilenetv3主干网络提取高层语义特征图，再通过多个并行空洞卷积层提取多尺度特征，将不同尺度的特征进行拼接，获得统一特征表示；
7、将统一特征表示输入至eca注意力模块，挖掘通道间的关系提升特征表示能力，获取通道的全局信息，生成通道描述向量，将通道描述向量通过一维卷积以及sigmoid激活函数生成通道权重向量，利用通道权重向量进行通道加权，实现原始输入特征图的重标定，完成掌子面裂隙的识别。
8、根据一些实施例，本公开采用如下技术方案：
9、基于并行空洞卷积的隧道掌子面裂隙识别系统，包括：
10、数据获取模块，用于获取施工现场掌子面图像，并预处理；
11、裂隙识别模块，用于将预处理后的掌子面图像输入隧道掌子面裂隙识别模型，输出裂隙识别结果；
12、其中，在隧道掌子面裂隙识别模型中，掌子面图像先经过mobilenetv3主干网络提取高层语义特征图，再通过多个并行空洞卷积层提取多尺度特征，将不同尺度的特征进行拼接，获得统一特征表示；
13、将统一特征表示输入至eca注意力模块，挖掘通道间的关系提升特征表示能力，获取通道的全局信息，生成通道描述向量，将通道描述向量通过一维卷积以及sigmoid激活函数生成通道权重向量，利用通道权重向量进行通道加权，实现原始输入特征图的重标定，完成掌子面裂隙的识别。
14、根据一些实施例，本公开采用如下技术方案：
15、一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现所述的基于并行空洞卷积的隧道掌子面裂隙识别方法。
16、根据一些实施例，本公开采用如下技术方案：
17、一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现所述的基于并行空洞卷积的隧道掌子面裂隙识别方法。
18、根据一些实施例，本公开采用如下技术方案：
19、一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现所述的基于并行空洞卷积的隧道掌子面裂隙识别方法。
20、与现有技术相比，本公开的有益效果为：
21、本公开的基于并行空洞卷积的隧道掌子面裂隙识别方法，设计了改进后的deeplabv3+模型，通过在模型中集成mobilenetv3主干网络，提高模型轻量化与效果兼顾的特性，并添加eca注意力模块以有效捕捉重要特征，增强模型的特征表达能力。同时，通过aspp模块实现多尺度特征提取，并结合低级特征与高级特征的融合，提高识别细微裂隙的精度。此外，采用加权交叉熵损失来补偿类别不平衡问题，使模型能够更准确地处理复杂的裂隙检测任务。
22、本公开的基于并行空洞卷积的隧道掌子面裂隙识别方法，解决了当前隧道裂隙识别任务中的模型体积庞大且难以高精度识别微小特征的问题，引入了语义分割模型deeplabv3+，并在此基础上进行改进，使之不仅在检测精度上取得了良好的效果，同时也保持了模型的轻量化设计，使其更适合部署于工程现场，提高了施工期裂隙检测的效率和可靠性。解决施工期掌子面裂隙检测中由于尺度变化大、背景复杂等问题导致的检测难度。
本文档来自技高网...【技术保护点】
1.基于并行空洞卷积的隧道掌子面裂隙识别方法，其特征在于，包括：
2.如权利要求1所述的基于并行空洞卷积的隧道掌子面裂隙识别方法，其特征在于，使用MobileNetv3作为道掌子面裂隙识别模型的主干网络，主干网络的卷积层负责提取输入图像的复杂特征，主干网络的输出是高层语义特征图，包含丰富的语义信息，取主干网络的最后一层卷积的输出。
3.如权利要求1所述的基于并行空洞卷积的隧道掌子面裂隙识别方法，其特征在于，隧道掌子面裂隙识别模型引入并行空洞卷积，通过多个并行的空洞卷积提取多尺度特征，通过设置不同的空洞率，在不同的感受野下捕捉图像中不同大小的物体，并通过全局平均池化，提取全局上下文信息，将不同尺度的特征图进行拼接后，通过减少通道数操作后输出统一特征表示。
4.如权利要求1所述的基于并行空洞卷积的隧道掌子面裂隙识别方法，其特征在于，在主干网络的最后一个深度卷积之后加入ECA注意力模块，ECA模块接收输入特征图，是一个三维张量，具有形状为C×H×W的特征图，对输入特征图进行全局平均池化，从特征图中获取通道的全局信息，生成一维的通道描述向量。
<...【技术特征摘要】
1.基于并行空洞卷积的隧道掌子面裂隙识别方法，其特征在于，包括：
2.如权利要求1所述的基于并行空洞卷积的隧道掌子面裂隙识别方法，其特征在于，使用mobilenetv3作为道掌子面裂隙识别模型的主干网络，主干网络的卷积层负责提取输入图像的复杂特征，主干网络的输出是高层语义特征图，包含丰富的语义信息，取主干网络的最后一层卷积的输出。
3.如权利要求1所述的基于并行空洞卷积的隧道掌子面裂隙识别方法，其特征在于，隧道掌子面裂隙识别模型引入并行空洞卷积，通过多个并行的空洞卷积提取多尺度特征，通过设置不同的空洞率，在不同的感受野下捕捉图像中不同大小的物体，并通过全局平均池化，提取全局上下文信息，将不同尺度的特征图进行拼接后，通过减少通道数操作后输出统一特征表示。
4.如权利要求1所述的基于并行空洞卷积的隧道掌子面裂隙识别方法，其特征在于，在主干网络的最后一个深度卷积之后加入eca注意力模块，eca模块接收输入特征图，是一个三维张量，具有形状为c×h×w的特征图，对输入特征图进行全局平均池化，从特征图中获取通道的全局信息，生成一维的通道描述向量。
5.如权利要求4所述的基于并行空洞卷积的隧道掌子面裂隙识别方法，其特征在于，获得通道描述向量后，接下来通过一维卷积操作来计算通道之间的关系，一维...
【专利技术属性】
技术研发人员：李利平，陈泽雨，刘洪亮，姜新波，陈昌源，屠文锋，陈雨雪，蔡辉，
申请(专利权)人：齐鲁工业大学山东省科学院，
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。