基于深度学习的隧道衬砌裂缝检测方法、系统及电子设备

本技术涉及图像处理识别，尤其是涉及基于深度学习的隧道衬砌裂缝检测方法、系统及电子设备。

背景技术：

1、地铁因其具有环保、节能、减排等特点，能够减少城市交通压力的同时对环境的污染和破坏较少，因此在全球范围内得到了广泛应用。然而，由于隧道结构的施工时间不同、地质条件不同，技术标准也不同，经过多年的运行，出现了包括衬砌裂缝、渗水、渗漏等表观病害，给隧道结构本身及列车安全运行带来严重的安全隐患，这其中，衬砌裂缝是最常见和最严重的破坏之一。因此，定期对隧道衬砌裂缝进行检测、统计、评价将为下一步隧道衬砌安全性、稳定性提供指导意义，为评估隧道衬砌的结构安全和控制裂缝提供了基础。

2、然而，地铁隧道由于其地理空间的隐蔽性、交通运输的连续性、隧道衬砌受力复杂性等多种因素影响导致当前衬砌裂缝检测面临时间压力、成本压力。

3、相关技术中，传统隧道衬砌裂缝检测主要依靠人工目测，其效率低、危险大、主观性强、过程耗时大，无法满足当前快速、高效隧道衬砌裂缝检测要求，基于图像识别方法中，对图像前处理未充分考虑一些影响因素，其只提取裂缝位置而忽视裂缝特征信息，同时，提取得到的隧道衬砌裂缝更多关注于大裂缝，而忽略隧道衬砌小裂缝定位识别，无法满足当前高要求的自动裂缝定位和自动裂缝提取要求，从而影响隧道衬砌安全性评估准确性。

技术实现思路

1、本技术旨在解决现有技术中对于隧道衬砌裂缝人工提取裂缝位置或模型只提取裂缝位置而忽视裂缝特征信息，提取得到的隧道衬砌裂缝更多关注于大裂缝，对图像前处理忽略一些影响因素，无法满足当前自动裂缝定位和裂缝提取要求，检测精度与准确率有待提高，基于此，提出一种基于深度学习的隧道衬砌裂缝检测方法、系统及电子设备。

2、第一方面，本技术实施例提供一种基于深度学习的隧道衬砌裂缝检测方法，包括：

3、获取隧道衬砌表面的图像数据，对所述图像数据进行标注、尺寸调整、归一化及图像亮度均衡化处理得到图像数据样本；

4、根据所述图像数据样本框选干扰因子制作标签，以得到标记图像数据集，所述标记图像数据集包括第一训练集及第一测试集；

5、向目标位置识别模型输入所述第一训练集，以获得裂缝位置识别模型，向所述裂缝位置识别模型输入所述第一测试集，得到对角边界框数据；

6、基于所述对角边界框数据对所述图像数据样本进行阈值分割得到裂缝样本，所述裂缝样本包括第二训练集及第二测试集；

7、向目标尺寸识别模型输入所述第二训练集，以获得裂缝尺寸识别模型，向所述裂缝尺寸识别模型输入所述第二测试集，得到二值化图像；

8、向轮廓处理算法模型输入所述二值化图像，以得到裂缝宽度及长度的统计数据，基于所述统计数据得到包括裂缝平均宽度、最大宽度、最小宽度及总长度的裂缝检测参数。

9、根据本技术的一些实施例，所述获取隧道衬砌表面的图像数据，对所述图像数据进行标注、尺寸调整、归一化及图像亮度均衡化处理得到图像数据样本，包括：

10、对所述图像数据进行包括裂缝位置和尺寸的标注，对标注后的图像数据进行裁剪尺寸调整；

11、基于调整后的图像数据依次计算每一图像的直方图、归一化直方图及累计分布函数，以及

12、基于计算结果将原灰度图像映射及结合线性变换计算调整图像的明度得到图像数据样本。

13、根据本技术的一些实施例，所述基于调整后的图像数据依次计算每一图像的直方图、归一化直方图及累计分布函数，以及基于计算结果将原灰度图像映射及结合线性变换计算调整图像的明度得到图像数据样本，包括：

14、基于公式计算每一图像的直方图、

15、基于公式计算归一化直方图、

16、基于公式计算累计分布函数、

17、基于公式将原灰度图像映射、以及

18、基于公式进行线性变化调整图像的明度得到图像数据样本；

19、式中，表示灰度级为图像中第k个像素的亮度值，m表示图像每行有限元素总数量，n表示图像每列有限元素总数量，表示图像在位置处的灰度值，表示当前像素的灰度是否满足所选的灰度级，表示灰度级为的像素个数，n表示图像的总像素个数，表示灰度级为的像素出现的频率，表示灰度级为的像素出现的频率，表示灰度级小于或等于像素的累计概率，表示旧灰度级映射到的新的灰度级，表示灰度级的总数，表示图像的对比度缩放因子，表示图像的亮度偏移量，表示新的图像灰度矩阵。

20、根据本技术的一些实施例，所述向目标位置识别模型输入所述第一训练集，以获得裂缝位置识别模型；向所述裂缝位置识别模型输入所述第一测试集，得到对角边界框数据，包括：

21、将注意力机制嵌入至yolov8算法模型的主干网络、颈部网络以及检测头部得到目标位置识别模型；

22、基于所述目标位置识别模型嵌入用于衡量预测的裂缝区域与真实裂缝区域的重叠情况损失函数；

23、输入所述第一训练集对模型进行训练得到识别精度与损失函数对应的训练精度及误差收敛曲线，基于所述训练精度及误差收敛曲线获得裂缝位置识别模型；

24、基于所述获得裂缝位置识别模型输入所述第一测试集，得到对角边界框数据，所述对角边界框数据包括定位的裂缝图像位置及其与全图位置关系坐标数据。

25、根据本技术的一些实施例，所述基于所述目标位置识别模型嵌入用于衡量预测的裂缝区域与真实裂缝区域的重叠情况损失函数，包括：

26、根据采集图像的像素真实标签以及像素预测概率构建损失函数，

27、其中，损失函数计算公式为：

28、式中，表示损失函数，表示第i个像素的真实标签，表示第i个像素的预测概率，为图像中的像素总数。

29、根据本技术的一些实施例，所述向目标尺寸识别模型输入所述第二训练集，以获得裂缝尺寸识别模型，向所述裂缝尺寸识别模型输入所述第二测试集，得到二值化图像，包括：

30、基于所述第二训练集对深度学习网络模型进行预训练得到输出图像特征；

31、基于所述图像特征修改对应网络结构的尺寸、并冻结网络结构的其他卷积或池化层，得到目标尺寸识别模型；

32、将所述第二训练集输入至所述目标尺寸识别模型进行迁移学习训练、以及联合激活函数与交叉熵损失函数作为迁移学习训练后模型的损失函数，得到裂缝尺寸识别模型。

33、根据本技术的一些实施例，将所述第二训练集输入至所述目标尺寸识别模型进行迁移学习训练、以及联合激活函数与交叉熵损失函数作为迁移学习训练后模型的损失函数，得到裂缝尺寸识别模型，包括：

34、联合激活函数与交叉熵损失函数作为迁移学习训练后模型的损失函数计算公式为：

35、

36、式中，表示损失函数，表示神经网络原始输出的第i个元素，表示神经网络原始输出的第j个元素，表示第i热编码的向量，表示输出所有元素的个数。

37、本技术实施例中上述的技术方案，与现有技术相比较，至少具有如下技术效果或优点：

38、1）本技术提供方法自动化隧道裂缝检测方法主要包括两个模块：隧道灰度图上衬砌裂缝位置识别模型和裂缝尺寸识别模型，其中，用于隧道衬砌裂缝位置识别模型基于yolov8深度神经网络模型并引入自注意力机制，实现图像检测算法能够对照片上的裂缝进行定位，并通过注意力机制实现对小微裂缝特征的增强识别，对大裂缝或者小裂缝都可以实现精准识别，通过模型得到对角边界框数据；为了进一步统计自动识别的裂缝具体尺寸参数，基于对角边界框数据对图像数据样本进行阈值分割得到裂缝样本数据，基于裂缝样本数据训搭建裂缝尺寸识别模型，并测试得到二值化图像；向轮廓处理算法模型输入二值化图像，以得到包括裂缝平均宽度、最大宽度、最小宽度及总长度的裂缝检测参数，满足当前高要求的自动裂缝定位和自动裂缝提取要求，提高了检测结果以及隧道衬砌安全性评估的可靠性和准确性。

39、2）为了提高预训练模型在不同光照条件下的鲁棒性，以及去除隧道衬砌表面的图像数据的干扰因素，引入通过均衡化等变换手段对图像的亮度进行统一，采用先直方图均衡化，后进行线性变化的方式实现，同时，由于隧道的灰度图像除了存在裂缝外还存在很多干扰结构如螺栓、接缝等，因此单独框选干扰因子制作标签，以提高隧道衬砌裂缝位置识别模型提取定位衬砌表面裂缝识别精度，降低模型识别过程误判率。

40、3）通过基于对角边界框数据对图像数据样本进行阈值分割得到用于输入裂缝尺寸识别模型的裂缝样本数据，裂缝尺寸识别模型基于迁移学习网络模型搭建，迁移学习模型表现出了较好精度和稳定性，随着巡检工作的开展，数据集将会越来越充实，模型的精度也将会随之提高，模型实现对裂缝图像二值化处理并输出，并通过轮廓处理算法模型得到包括裂缝平均宽度、最大宽度、最小宽度及总长度的裂缝检测参数数据。

41、第二方面，本技术实施例提供一种基于深度学习的隧道衬砌裂缝检测系统，包括：

42、图像采集模块，被配置为取隧道衬砌表面的图像数据，对所述图像数据进行标注、尺寸调整、归一化及图像亮度均衡化处理得到图像数据样本；

43、干扰因子去除模块，被配置为根据所述图像数据样本框选包括螺栓、焊缝的干扰因子制作标签，以得到标记图像数据集，将所述标记图像数据集按比例划分得到第一训练集及第一测试集；

44、第一模型搭建模块，被配置为搭建目标位置识别模型，输入所述第一训练集对模型进行训练以得到裂缝位置识别模型，以及对所述裂缝位置识别模型输入第一测试集得到对角边界框数据；

45、阈值分割模块，被配置为基于所述对角边界框数据对图像进行阈值分割得到裂缝样本，基于裂缝识别样本划分得到第二训练集及第二测试集；

46、第二模型搭建模块，被配置为搭建基于迁移学习的裂缝尺寸识别模型，输入所述第二训练集对模型进行训练，以及对训练后的模型输入第二测试集得到二值化图像；

47、裂缝特征计算模块，被配置为基于搭建轮廓处理算法模型对所述二值化图像处理计算得到裂缝宽度及长度的统计数据，基于统计数据得到包括裂缝的平均宽度、最大宽度、最小宽度及裂缝总长度的裂缝检测参数。

48、第三方面，本技术实施例提供一种电子设备，包括：

49、至少一个处理器；以及

50、与所述至少一个处理器通信连接的存储器；其中，

51、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述第一方面任一项实施例所述的基于深度学习的隧道衬砌裂缝检测方法的步骤。

52、第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上述第一方面任一项实施例所述的基于深度学习的隧道衬砌裂缝检测方法的步骤。

53、可以理解的是，上述第二方面、第三方面和第四方面提供技术方案的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

54、本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。