【技术实现步骤摘要】
本专利技术涉及图像识别，具体涉及一种隧道表观渗水检测方法、系统及介质。
技术介绍
1、隧道是修建在地层内的建筑物，无论是山岭隧道、水底隧道还是地下隧道，都有着极其重要的交通作用，因而隧道的安全问题尤为突出；在各类隧道病害中隧道渗水已成为影响隧道结构强度的关键因素，隧道渗水对隧道其它病害有着直接或间接的影响，是涉及最为广泛的隧道病害之一。隧道结构上存在的缺陷极易导致渗水病害的发生，而渗水的长期作用又会加剧隧道结构的破坏，隧道渗水实际上是隧道各种病害的综合反映；所以加强隧道衬砌渗水检测方法的研究，是实现有效预防隧道病害潜在危害的必要途径，对可能存在的安全隐患做出预测。
2、目前大多采用人工检测隧道中渗水情况是否存在，耗费繁重且效率低，对隧道安全带来极大的挑战；随着智能设备理念的提出，越来越多智能巡检机器人代替工作人员进行巡检，机器人能够通过挂轨技术在隧道内自主运行，并在设定的巡检点暂停，对隧道墙体区域进行渗水检测分析；红外热成像法是目前应用最为广泛的渗水自动检测方法，它根据不同温度的物体的红外热辐射不同实现渗水检测；另一种激光扫描无损检测法也在迅速发展，它能对隧道进行全方位描检测，从而记录下渗水面积大小和位置，具有描速度快、测量精度高等特点，但上述方法均存在花费成本高的缺点；利用图像处理的方法检测隧道渗水是一种较好的选择，但是因隧道内光线杂乱，背景复杂等原因，使隧道表观渗水检测的误判率较高。
技术实现思路
1、本专利技术所要解决的技术问题是：基于图像处理的方法检测隧道渗水时
2、本专利技术通过下述技术方案实现：
3、本方案提供一种隧道表观渗水检测方法，包括：
4、采集目标隧道的基础数据，并对所述基础数据进行预处理；所述基础数据包括图像数据和环境数据；
5、将预处理后的基础数据输入已构建好的渗水检测模型中进行检测；所述渗水检测模型包括检测网络和分割网络；所述检测网络以mobilevit网络结构作为基础网络，在全局特征提取部分引入第一坐标注意力机制获取全局特征，在特征融合部分对初步特征、局部特征和全局特征进行特征融合以检测出渗水图像；所述分割网络以mobilevit 网络结构作为基础网络，融入第二坐标注意力机制对所述渗水图像进行语义分割得到渗水区域；
6、输出渗水图像及渗水区域。
7、对于隧道渗水而言，仅能准确、较快地识别判断出某个区域是否存在渗水还不足以完成渗水检测任务；为进一步获得更加全面而精确的隧道渗水位置分布和渗水面积，有必要对渗水图像进行像素级别的分类识别，即对渗水图像中的渗水区域进行语义分割，从而为针对性维护策略做准备。mobilevit网络结构是cnn模型架构与transfomrer模型架构的混合架构模型，在数据集有着良好的分类效果，然而，在表观渗水识别时，由于隧道内光线和背景复杂，渗水部分目标小，且普遍与周围复杂背景有着类似的表现，导致隧道表观渗水检测难度大，特征提取难度高；因此，本方案借助mobilevit网络结构构建检测网络和分割网络，同时在检测网络中对mobilevit识别模型进行模型结构和融合策略上的改进，在全局特征提取部分引入第一坐标注意力机制获取全局特征，在特征融合部分对初步特征、局部特征和全局特征进行特征融合检测出渗水图像；以使网络能更有效地捕捉不同位置的关键特征，以克服光线和背景复杂的图像数据，提高检测准确率；在分割网络中融入第二坐标注意力机制分割出渗水图像的渗水区域，通过第二坐标注意力机制抑制不重要的特征来突出特征图中的重要信息，有效提升了分割网络的分割性能和泛化能力。
8、进一步优化方案为，所述对所述基础数据进行预处理，包括方法：
9、获取环境数据，并基于环境数据计算出图像调整因子；
10、对所述图像数据进行数据增强，在数据增强过程中按照图像调整因子决定数据增强的程度：
11、设置第一阈值区间，当调整因子位于第一阈值区间时，将所述图像数据及进行数据增强使得图像对比度参数为d1；设置第二阈值区间，当调整因子位于第二阈值区间时，将所述图像数据及进行数据增强使得图像对比度参数为d2；其中第一阈值区间大于第二阈值区间；d1＞d2。
12、进一步优化方案为，所述图像调整因子的获取方法包括：
13、获取目标隧道的基础数据，将各图像数据与环境数据对应匹配；所述环境数据包括土壤湿度z、空气湿度i和最近时间段t内的累计降雨量 b；
14、基于环境数据计算各图像数据的图像调整因子：
15、;
16、进一步优化方案为，所述检测网络还在局部特征提取部分引入pconv层，实现对部分通道进行卷积操作。
17、具体的在mobilevit识别模型中，将局部特征提取部分的标准卷积层替换为pconv层；为降低检测任务中计算复杂程度，保证任务过程中内存访问的连续性和规则性，将输入特征的部分通道作为特定的通道代表整个特征图进行卷积操作。pconv层的每秒浮点运算次数和内存访问次数都要远小于标准卷积层，因此本方案将原局部特征提取部分的标准卷积层替换为pconv层，以有效降低网络的计算复杂度，使网络更加轻量化。
18、进一步优化方案为，所述第一坐标注意力机制为置换坐标注意力机制；所述置换坐标注意力机制包括分组特征部分、融合注意力部分和聚合特征部分；
19、所述分组特征部分将输入的特征映射x∈rc×h×w沿通道维度被分为g组子特征，表示为x=[x1，...， xk，...，xg]，xk∈rc/g×h×w，其中子特征层xk将捕捉训练后的准确语义反馈后将xk沿高度维度和宽度维度分为子特征图xk1，xk2∈rc/2g×h×w，融合注意力部分基于通道之间的关系生成通道注意力图，并使用全局平均池化生成s来嵌入全局信息，通过在高度维度和宽度维度h×w上获得收缩子特征图xk1，s：
20、；
21、其中， f gp表示嵌入全局信息；h表示特征映射的总高度；w表示特征映射的总宽度；c表示通道总数； r表示实数；i表示高度本文档来自技高网...
【技术保护点】
1.一种隧道表观渗水检测方法，其特征在于，包括：
2.根据权利要求1所述的一种隧道表观渗水检测方法，其特征在于，所述对所述基础数据进行预处理，包括方法：
3.根据权利要求2所述的一种隧道表观渗水检测方法，其特征在于，所述图像调整因子的获取方法包括：获取目标隧道的基础数据，将各图像数据与环境数据对应匹配；所述环境数据包括土壤湿度Z、空气湿度I和最近时间段T内的累计降雨量B；
4.根据权利要求1所述的一种隧道表观渗水检测方法，其特征在于，所述检测网络以MobileViT 识别模型作为基础网络，在全局特征提取部分引入第一坐标注意力机制获取全局特征，包括方法：
5.根据权利要求1所述的一种隧道表观渗水检测方法，其特征在于，所述第一坐标注意力机制为置换坐标注意力机制；所述置换坐标注意力机制包括分组特征部分、融合注意力部分和聚合特征部分；
6.根据权利要求5所述的一种隧道表观渗水检测方法，其特征在于，所述在特征融合部分对初步特征、局部特征和全局特征进行特征融合得到的融合特征Z为：
7.根据权利要求1所述的一种隧道表观渗水
8.根据权利要求7所述的一种隧道表观渗水检测方法，其特征在于，所述第二坐标注意力机制分别在高度维度和宽度维度上进行第二自注意力计算，方法包括：
9.一种隧道表观渗水检测系统，其特征在于，用于实现权利要求1-8任意一项所述的一种隧道表观渗水检测方法，所述系统包括：
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行可实现如权利要求1-8中任意一项所述的一种隧道表观渗水检测方法。
...【技术特征摘要】
1.一种隧道表观渗水检测方法，其特征在于，包括：
2.根据权利要求1所述的一种隧道表观渗水检测方法，其特征在于，所述对所述基础数据进行预处理，包括方法：
3.根据权利要求2所述的一种隧道表观渗水检测方法，其特征在于，所述图像调整因子的获取方法包括：获取目标隧道的基础数据，将各图像数据与环境数据对应匹配；所述环境数据包括土壤湿度z、空气湿度i和最近时间段t内的累计降雨量b；
4.根据权利要求1所述的一种隧道表观渗水检测方法，其特征在于，所述检测网络以mobilevit 识别模型作为基础网络，在全局特征提取部分引入第一坐标注意力机制获取全局特征，包括方法：
5.根据权利要求1所述的一种隧道表观渗水检测方法，其特征在于，所述第一坐标注意力机制为置换坐标注意力机制；所述置换坐标注意力机制包括分组特...
【专利技术属性】
技术研发人员：奉建军，周斌，高成博，刘志强，林元铖，杨龙强，裴涛涛，温晓凯，高红兵，高军，王新宇，
申请(专利权)人：中铁科学研究院集团有限公司，
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。