【技术实现步骤摘要】
本专利技术涉及隧洞施工智能管理领域，具体涉及一种地下洞室暗尘场景的多要素视觉识别方法。
技术介绍
1、在众多工程中，隧洞工程在建设的数量、施工的难度以及整体建设周期上都是最为重要的。通常情况下，地下洞室被归类为地下的隐秘工程，它普遍展现出地下工程建设的大埋深和大跨度特点，其工作场景空间受限，工作流程频繁切换，与人的交互也非常频繁。在快速且连续的施工流程中，各个工序相互交织和干扰，使得施工现场呈现出高流动性、高风险性、大量作业、昏暗的光线和大量灰尘的特征。与地面工程相比，地下洞室和其他地下工程在施工过程中所面临的风险因子更为复杂和难以察觉。
2、在地下洞室的建设过程中，传统的施工进度、质量评估和安全隐患的识别主要依赖于人工巡查。该方法效率有限、难以实现全场景的穷尽巡查，且误判率较高。隧道内光照昏暗，灰尘浓度较高，加上开挖、支撑和二次衬砌等多个步骤的持续推进，难以实现全时空、多角度、标准化的高效监控。
3、另一方面，现有技术将多种目标检测算法应用于地下洞室施工现场的管理流程中。其中，以region-cnn(region-convolutionalneural networks，区域卷积神经网络)、fasterr-cnn(fasterregion-convolutionalneuralnetworks，快速区域卷积神经网络)和mask r-cnn(mask region-convolutionalneural networks，掩码区域卷积神经网络)为代表的两阶段算法在精度方面具有显著提升，但运行速度一般，难以
技术实现思路
1、为解决现有技术中存在的上述技术问题，本专利技术旨在提供一种能够在一定程度上解决地下洞室施工现场监控画面昏暗多尘、重叠遮挡的问题，并且在监控后台上准确识别出地下洞室施工实时场景下的各类施工要素的视觉识别方法。
2、为实现上述技术目的，本专利技术提供了一种地下洞室暗尘场景的多要素视觉识别方法，技术方案包括以下步骤：
3、步骤s1：在地下洞室暗尘场景的监控视频数据中采集图像数据；
4、步骤s2：过滤图像数据，并通过labimg软件进行多要素分类标注，生成图像数据集；
5、步骤s3：构建目标检测模型；
6、在yolov5目标检测模型中，使用cbamc3模块(convolutional blockattentionmodule concentrated-comprehensive convolutionblock，注意力块集中模块集中－综合卷积块)替换backbone中的c3模块(concentrated-comprehensiveconvolutionblock，集中－综合卷积块)；
7、步骤s4：将图像数据集输入目标检测模型进行迭代训练至预设轮次；
8、步骤s5：将训练好的目标检测模型接入地下洞室暗尘场景的监控视频源，进行多要素的实时视觉识别。
9、优选地，多要素分类标注的类型包括施工人员、凿岩台车、湿喷台车、装载机、自卸车、衬砌台车、钢筋台车、养护台车、仰拱栈桥、电焊机、振捣棒、电线、爬梯和脚手架。
10、进一步，步骤s1之后还包括：
11、将图像数据x1导入自校准照明模块，进行自校准照明处理，
12、
13、式中，t为阶段序号，t≥1，xt为阶段t的输入光照强度，g(·)表示自校准，vt阶段t自校准后输出的光照强度，y为自校准参数，st、zt为中间计算量，ut为阶段t的残差项，θ为权值，kθ、hθ为引入参数可学习的参数化算子，表示映射，f(·)表示照明换算；
14、经t个阶段的自校准照明处理，输出图像数据xt+1；其中，t为自校准照明模块的总阶段数。
15、优选地，计算自校准照明处理过程中的总损耗ltotal，
16、ltotal＝αlf+βls；
17、式中，α、β为正平衡参数，lf为保真度，ls为平滑损耗；
18、
19、式中，n为总像素数，i为像素序数，a(i)表示第i个像素相邻的5×5个像素，wi,j为权重系数，为第i个像素的成像数据；
20、
21、式中，c为yuv色彩空间中的图像通道，yi,c为第i个像素在图像通道c的自校准参数，为阶段t-1第i个像素在图像通道c的中间计算量，σ高斯核的标准差；
22、通过最小化总损耗ltotal确定最优的权重系数wi,j。
23、优选地，构建目标检测模型，还包括将neck中的concat模块替换为bifpn(bidirectionalfeature pyramidnetwork，双向特征金字塔网络)模块。
24、优选地，步骤s4包括：
25、步骤s41：将图像数据集输入backbone模块；
26、步骤s411：在conv模块中，对每一个图像数据，通过卷积层、bn层和激活函数层依次进行卷积、归一化和非线性处理；
27、步骤s412：将经非线性处理的图像数据f输入cbamc3模块，
28、
29、式中，mc(f)和ms(f)分别为通道注意力输出特征图和空间注意力输出特征图，σ(·)表示sigmoid函数，分别为通道注意力机制、空间注意力机制的平均池化特征，分别为通道注意力机制、空间注意力机制的最大池化特征，f7×7表示7×7的卷积运算；
30、步骤s413：将空间注意力输出特征图ms(f)输入sppf模块；
31、串联所有空间注意力输出特征图ms(f)后输入全连接层进行降维，得到特征向量
32、步骤s42：将特征向量输入neck模块进行尺度转换，
33、
34、式中，为尺度为k×k的特征向量，3≤k≤7，conv(·)表示卷积，resize(·)表示上采样或下采样；
35、步骤s43：将经尺度转换的特征向量输入head模块；
36、通过anchors设置目标框，并通过k-means聚类方法构建对应的检测框；
37、通过classification结合全连接层与softmax函数，分类检测框；
38、通过regression使用全连接层回归每一个检测框的位置和尺寸；
39、步骤s44：设置训练参数，开始训练至预设轮次结束。
40、优选地，计算pr曲线(precision-recall curve，精本文档来自技高网...
【技术保护点】
1.一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，所述多要素分类标注的类型包括施工人员、凿岩台车、湿喷台车、装载机、自卸车、衬砌台车、钢筋台车、养护台车、仰拱栈桥、电焊机、振捣棒、电线、爬梯和脚手架。
3.如权利要求1所述的一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，步骤S1之后还包括：
4.如权利要求3所述的一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，计算自校准照明处理过程中的总损耗Ltotal，
5.如权利要求1所述的一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，所述构建目标检测模型，还包括：
6.如权利要求1所述的一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，步骤S4包括：
7.如权利要求1或6所述的一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，其特征在于，所述训练至预设轮次之后，还包括：
8.如权利要求1所述的一种地下洞室暗尘场景的多要素视觉识别方
...【技术特征摘要】
1.一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，所述多要素分类标注的类型包括施工人员、凿岩台车、湿喷台车、装载机、自卸车、衬砌台车、钢筋台车、养护台车、仰拱栈桥、电焊机、振捣棒、电线、爬梯和脚手架。
3.如权利要求1所述的一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，步骤s1之后还包括：
4.如权利要求3所述的一种地下洞室暗尘场景的多要素视觉识别方法，其特征在于，计...
【专利技术属性】
技术研发人员：苟三江，韩敬泽，陈云，胡其林，晋良海，刘军国，郑霞忠，孙国兴，陈述，郑文全，王志浩，梁涛，熊亮，李涛，孙学良，刘旭涛，
申请(专利权)人：中国水利水电第五工程局有限公司，
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。