基于视觉感知的隧道病害智能检测识别方法及系统

本发明属于隧道病害检测，尤其涉及基于视觉感知的隧道病害智能检测识别方法及系统。

背景技术：

1、隧道是现代交通建设中必不可少的重要组成部分，其安全稳定运行是保障道路交通畅通和人民生命财产安全的重要任务。然而，隧道在长期使用过程中，由于各种因素的影响，如地质构造、气候条件、车流量等，会出现各种病害，如渗水、开裂、坍塌等。这些病害的存在不仅会对隧道的安全稳定运行造成威胁，还会影响交通的正常通行，给人们的出行带来不便。因此，如何及早、准确地识别隧道病害，对于保障隧道的安全稳定运行和人民的出行安全至关重要。

2、目前，隧道病害的检测和识别主要依赖于人工巡检和仪器设备辅助检测两种方法。人工巡检虽然能够对隧道病害进行有效的观察和记录，但是其效率低、成本高、易受主观因素影响等问题制约着其应用范围和效果。而仪器设备辅助检测虽然能够提高检测效率和精度，但是设备本身价格昂贵，而且对于部分隐蔽的病害难以准确检测和识别，因此也存在一定的局限性。

3、计算机视觉技术逐渐成为了隧道病害检测和识别的一种新的有效手段，通过利用计算机视觉技术对隧道内部图像进行分析和处理，能够自动识别和判别隧道内部的病害类型和程度，不仅能够提高检测效率和准确度，而且能够有效避免人为因素的影响，降低检测成本。

4、然而，发明人发现，现有技术中仍存在以下技术问题：

5、(1)基于隧道中拍摄图像角度及距离的不同，在应用计算机视觉技术提取特征时，如果不能很好的应对物体的尺寸变化以及各种各样的形变，将无法准确提取隧道病害的特征，导致影响后期对隧道病害的识别精度；

6、(2)由于隧道环境的特殊性，采集的图像往往边界较为模糊，在针对特征复杂、边界模糊的目标特征进行提取时，目标图像特征的提取能力和多尺度目标自适应能力不高时，将影响对隧道灾害的识别准确率；

7、(3)对目标检测时，模型的损失函数将影响目标框的定位准确度和模型整体的收敛速度，现有技术中往往忽略了目标框的准确度和置信度，难以更准确地评估目标检测模型的性能。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了基于视觉感知的隧道病害智能检测识别方法及系统，在fcos模型中引入了可变形卷积层，改善骨干网络的特征提取能力，使算法可以更好的应对目标检测任务中的各种尺寸变化以及形变；引入了bifpn模块，可以动态地调整特征图的权重和比例，以更好地适应不同的目标尺度和形状，提升了目标检测的性能；使用eiou损失函数，提高了模型的准确度和稳定性。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了基于视觉感知的隧道病害智能检测识别方法。

4、基于视觉感知的隧道病害智能检测识别方法，包括以下步骤：

5、获取隧道病害图片数据集，对图片进行标注；

6、以focs模型为基础，使用可变形卷积层分别代替focs模型主干网络的第三和第四阶段的卷积、以及两个head分支的前四个卷积，使用bifpn结构替换focs模型中的fpn结构，搭建db-focs网络模型；

7、利用标注后的隧道病害图片对db-focs网络模型进行训练，得到训练好的db-focs网络模型；

8、将待识别的隧道病害图片输入至训练好的db-focs网络模型中，利用可变形卷积层提取特征并生成变形的偏移量，使用变形的偏移量分别修正提取的特征，得到多层特征图；将多层特征图输入至bifpn结构中，进行跨层特征融合，得到跨层特征图；将跨层特征图输入至head分支中，再次利用可变形卷积层提取特征，最终得到病害识别结果。

9、本发明第二方面提供了基于视觉感知的隧道病害智能检测识别系统。

10、基于视觉感知的隧道病害智能检测识别系统，包括：

11、数据集获取模块，被配置为：获取隧道病害图片数据集，对图片进行标注；

12、模型搭建模块，被配置为：以focs模型为基础，使用可变形卷积层分别代替focs模型主干网络的第三和第四阶段的卷积、以及两个head分支的前四个卷积，使用bifpn结构替换focs模型中的fpn结构，搭建db-focs网络模型；

13、训练模块，被配置为：利用标注后的隧道病害图片对db-focs网络模型进行训练，得到训练好的db-focs网络模型；

14、病害识别模块，被配置为：将待识别的隧道病害图片输入至训练好的db-focs网络模型中，利用可变形卷积层提取特征并生成变形的偏移量，使用变形的偏移量分别修正提取的特征，得到多层特征图；将多层特征图输入至bifpn结构中，进行跨层特征融合，得到跨层特征图；将跨层特征图输入至head分支中，再次利用可变形卷积层提取特征，最终得到病害识别结果。

15、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于视觉感知的隧道病害智能检测识别方法中的步骤。

16、本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于视觉感知的隧道病害智能检测识别方法中的步骤。

17、以上一个或多个技术方案存在以下有益效果：

18、本发明提出了一种基于视觉感知的隧道病害智能检测识别方法及系统，使用性能较好的fcos模型进行深度学习，通过改进边框位置回归损失函数，使用eiou损失函数，提高了回归精度，通过引入移植性强的bifpn模块和可变形卷积层，改进了fcos算法的网络结构，在不影响其便捷性的同时，增强了其针对特征复杂、边界模糊目标图像特征的提取能力和多尺度目标自适应能力，提升了对隧道灾害的识别准确率。

19、本发明在公共数据集上进行了大量实验，对算法的有效性和优越性进行了分析，经与原算法对比测试，以精确率、召回率、p-r曲线等作为评估指标，发现改进后的算法总体检测准确率和鲁棒性更强。

20、本发明附加方面的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，或通过本发明的实践了解到。

技术特征：

1.基于视觉感知的隧道病害智能检测识别方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于视觉感知的隧道病害智能检测识别方法，其特征在于，在可变形卷积层中：

3.如权利要求2所述的基于视觉感知的隧道病害智能检测识别方法，其特征在于，在对可变形卷积层进行训练时，用于生成输出特征的卷积核和用于生成偏移量的卷积核是同步学习的，其中，偏移量的学习是利用插值算法，通过反向传播进行的。

4.如权利要求1所述的基于视觉感知的隧道病害智能检测识别方法，其特征在于，在bifpn结构中：

5.如权利要求4所述的基于视觉感知的隧道病害智能检测识别方法，其特征在于，在bifpn结构中使用可调节的注意力机制，学习可调节的权重来控制特征图中的信息流动。

6.如权利要求1所述的基于视觉感知的隧道病害智能检测识别方法，其特征在于，将跨层特征图输入至两个head分支中：

7.如权利要求1所述的基于视觉感知的隧道病害智能检测识别方法，其特征在于，所述db-focs网络模型使用eiou损失函数：

8.基于视觉感知的隧道病害智能检测识别系统，其特征在于：包括：

9.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于视觉感知的隧道病害智能检测识别方法中的步骤。

10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于视觉感知的隧道病害智能检测识别方法中的步骤。

技术总结本发明提出基于视觉感知的隧道病害智能检测识别方法及系统，涉及隧道病害检测技术领域。包括获取隧道病害图片数据集；搭建DB‑FOCS网络模型；对DB‑FOCS网络模型进行训练，得到训练好的DB‑FOCS网络模型；将待识别的隧道病害图片输入至DB‑FOCS网络模型中，利用可变形卷积层提取特征并生成偏移量，使用偏移量修正提取的特征，得到多层特征图；将多层特征图输入至BiFPN结构中，进行跨层特征融合；将跨层特征图输入至Head分支中，再次利用可变形卷积层提取特征，得到病害识别结果。本发明使算法更好的应对目标检测任务中的各种尺寸变化以及形变，提升了目标检测的性能，提高模型准确度和稳定性。技术研发人员：李利平,陈泽雨,刘洪亮,姜新波,蔡辉,陈雨雪,屠文锋,范宏运,范佳滢受保护的技术使用者：齐鲁工业大学（山东省科学院）技术研发日：技术公布日：2025/1/6