本發(fā)明屬于隧道病害檢測(cè)，尤其涉及基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法及系統(tǒng)。

背景技術(shù)：

1、隧道是現(xiàn)代交通建設(shè)中必不可少的重要組成部分，其安全穩(wěn)定運(yùn)行是保障道路交通暢通和人民生命財(cái)產(chǎn)安全的重要任務(wù)。然而，隧道在長(zhǎng)期使用過(guò)程中，由于各種因素的影響，如地質(zhì)構(gòu)造、氣候條件、車流量等，會(huì)出現(xiàn)各種病害，如滲水、開(kāi)裂、坍塌等。這些病害的存在不僅會(huì)對(duì)隧道的安全穩(wěn)定運(yùn)行造成威脅，還會(huì)影響交通的正常通行，給人們的出行帶來(lái)不便。因此，如何及早、準(zhǔn)確地識(shí)別隧道病害，對(duì)于保障隧道的安全穩(wěn)定運(yùn)行和人民的出行安全至關(guān)重要。

2、目前，隧道病害的檢測(cè)和識(shí)別主要依賴于人工巡檢和儀器設(shè)備輔助檢測(cè)兩種方法。人工巡檢雖然能夠?qū)λ淼啦『M(jìn)行有效的觀察和記錄，但是其效率低、成本高、易受主觀因素影響等問(wèn)題制約著其應(yīng)用范圍和效果。而儀器設(shè)備輔助檢測(cè)雖然能夠提高檢測(cè)效率和精度，但是設(shè)備本身價(jià)格昂貴，而且對(duì)于部分隱蔽的病害難以準(zhǔn)確檢測(cè)和識(shí)別，因此也存在一定的局限性。

3、計(jì)算機(jī)視覺(jué)技術(shù)逐漸成為了隧道病害檢測(cè)和識(shí)別的一種新的有效手段，通過(guò)利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)隧道內(nèi)部圖像進(jìn)行分析和處理，能夠自動(dòng)識(shí)別和判別隧道內(nèi)部的病害類型和程度，不僅能夠提高檢測(cè)效率和準(zhǔn)確度，而且能夠有效避免人為因素的影響，降低檢測(cè)成本。

4、然而，發(fā)明人發(fā)現(xiàn)，現(xiàn)有技術(shù)中仍存在以下技術(shù)問(wèn)題：

5、(1)基于隧道中拍攝圖像角度及距離的不同，在應(yīng)用計(jì)算機(jī)視覺(jué)技術(shù)提取特征時(shí)，如果不能很好的應(yīng)對(duì)物體的尺寸變化以及各種各樣的形變，將無(wú)法準(zhǔn)確提取隧道病害的特征，導(dǎo)致影響后期對(duì)隧道病害的識(shí)別精度；

6、(2)由于隧道環(huán)境的特殊性，采集的圖像往往邊界較為模糊，在針對(duì)特征復(fù)雜、邊界模糊的目標(biāo)特征進(jìn)行提取時(shí)，目標(biāo)圖像特征的提取能力和多尺度目標(biāo)自適應(yīng)能力不高時(shí)，將影響對(duì)隧道災(zāi)害的識(shí)別準(zhǔn)確率；

7、(3)對(duì)目標(biāo)檢測(cè)時(shí)，模型的損失函數(shù)將影響目標(biāo)框的定位準(zhǔn)確度和模型整體的收斂速度，現(xiàn)有技術(shù)中往往忽略了目標(biāo)框的準(zhǔn)確度和置信度，難以更準(zhǔn)確地評(píng)估目標(biāo)檢測(cè)模型的性能。

技術(shù)實(shí)現(xiàn)思路

1、為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法及系統(tǒng)，在fcos模型中引入了可變形卷積層，改善骨干網(wǎng)絡(luò)的特征提取能力，使算法可以更好的應(yīng)對(duì)目標(biāo)檢測(cè)任務(wù)中的各種尺寸變化以及形變；引入了bifpn模塊，可以動(dòng)態(tài)地調(diào)整特征圖的權(quán)重和比例，以更好地適應(yīng)不同的目標(biāo)尺度和形狀，提升了目標(biāo)檢測(cè)的性能；使用eiou損失函數(shù)，提高了模型的準(zhǔn)確度和穩(wěn)定性。

2、為實(shí)現(xiàn)上述目的，本發(fā)明的一個(gè)或多個(gè)實(shí)施例提供了如下技術(shù)方案：

3、本發(fā)明第一方面提供了基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法。

4、基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法，包括以下步驟：

5、獲取隧道病害圖片數(shù)據(jù)集，對(duì)圖片進(jìn)行標(biāo)注；

6、以focs模型為基礎(chǔ)，使用可變形卷積層分別代替focs模型主干網(wǎng)絡(luò)的第三和第四階段的卷積、以及兩個(gè)head分支的前四個(gè)卷積，使用bifpn結(jié)構(gòu)替換focs模型中的fpn結(jié)構(gòu)，搭建db-focs網(wǎng)絡(luò)模型；

7、利用標(biāo)注后的隧道病害圖片對(duì)db-focs網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的db-focs網(wǎng)絡(luò)模型；

8、將待識(shí)別的隧道病害圖片輸入至訓(xùn)練好的db-focs網(wǎng)絡(luò)模型中，利用可變形卷積層提取特征并生成變形的偏移量，使用變形的偏移量分別修正提取的特征，得到多層特征圖；將多層特征圖輸入至bifpn結(jié)構(gòu)中，進(jìn)行跨層特征融合，得到跨層特征圖；將跨層特征圖輸入至head分支中，再次利用可變形卷積層提取特征，最終得到病害識(shí)別結(jié)果。

9、本發(fā)明第二方面提供了基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別系統(tǒng)。

10、基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別系統(tǒng)，包括：

11、數(shù)據(jù)集獲取模塊，被配置為：獲取隧道病害圖片數(shù)據(jù)集，對(duì)圖片進(jìn)行標(biāo)注；

12、模型搭建模塊，被配置為：以focs模型為基礎(chǔ)，使用可變形卷積層分別代替focs模型主干網(wǎng)絡(luò)的第三和第四階段的卷積、以及兩個(gè)head分支的前四個(gè)卷積，使用bifpn結(jié)構(gòu)替換focs模型中的fpn結(jié)構(gòu)，搭建db-focs網(wǎng)絡(luò)模型；

13、訓(xùn)練模塊，被配置為：利用標(biāo)注后的隧道病害圖片對(duì)db-focs網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的db-focs網(wǎng)絡(luò)模型；

14、病害識(shí)別模塊，被配置為：將待識(shí)別的隧道病害圖片輸入至訓(xùn)練好的db-focs網(wǎng)絡(luò)模型中，利用可變形卷積層提取特征并生成變形的偏移量，使用變形的偏移量分別修正提取的特征，得到多層特征圖；將多層特征圖輸入至bifpn結(jié)構(gòu)中，進(jìn)行跨層特征融合，得到跨層特征圖；將跨層特征圖輸入至head分支中，再次利用可變形卷積層提取特征，最終得到病害識(shí)別結(jié)果。

15、本發(fā)明第三方面提供了計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法中的步驟。

16、本發(fā)明第四方面提供了電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法中的步驟。

17、以上一個(gè)或多個(gè)技術(shù)方案存在以下有益效果：

18、本發(fā)明提出了一種基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法及系統(tǒng)，使用性能較好的fcos模型進(jìn)行深度學(xué)習(xí)，通過(guò)改進(jìn)邊框位置回歸損失函數(shù)，使用eiou損失函數(shù)，提高了回歸精度，通過(guò)引入移植性強(qiáng)的bifpn模塊和可變形卷積層，改進(jìn)了fcos算法的網(wǎng)絡(luò)結(jié)構(gòu)，在不影響其便捷性的同時(shí)，增強(qiáng)了其針對(duì)特征復(fù)雜、邊界模糊目標(biāo)圖像特征的提取能力和多尺度目標(biāo)自適應(yīng)能力，提升了對(duì)隧道災(zāi)害的識(shí)別準(zhǔn)確率。

19、本發(fā)明在公共數(shù)據(jù)集上進(jìn)行了大量實(shí)驗(yàn)，對(duì)算法的有效性和優(yōu)越性進(jìn)行了分析，經(jīng)與原算法對(duì)比測(cè)試，以精確率、召回率、p-r曲線等作為評(píng)估指標(biāo)，發(fā)現(xiàn)改進(jìn)后的算法總體檢測(cè)準(zhǔn)確率和魯棒性更強(qiáng)。

20、本發(fā)明附加方面的優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

技術(shù)特征：

1.基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法，其特征在于，在可變形卷積層中：

3.如權(quán)利要求2所述的基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法，其特征在于，在對(duì)可變形卷積層進(jìn)行訓(xùn)練時(shí)，用于生成輸出特征的卷積核和用于生成偏移量的卷積核是同步學(xué)習(xí)的，其中，偏移量的學(xué)習(xí)是利用插值算法，通過(guò)反向傳播進(jìn)行的。

4.如權(quán)利要求1所述的基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法，其特征在于，在bifpn結(jié)構(gòu)中：

5.如權(quán)利要求4所述的基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法，其特征在于，在bifpn結(jié)構(gòu)中使用可調(diào)節(jié)的注意力機(jī)制，學(xué)習(xí)可調(diào)節(jié)的權(quán)重來(lái)控制特征圖中的信息流動(dòng)。

6.如權(quán)利要求1所述的基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法，其特征在于，將跨層特征圖輸入至兩個(gè)head分支中：

7.如權(quán)利要求1所述的基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法，其特征在于，所述db-focs網(wǎng)絡(luò)模型使用eiou損失函數(shù)：

8.基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別系統(tǒng)，其特征在于：包括：

9.計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，其特征在于，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法中的步驟。

10.電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法中的步驟。

技術(shù)總結(jié)
本發(fā)明提出基于視覺(jué)感知的隧道病害智能檢測(cè)識(shí)別方法及系統(tǒng)，涉及隧道病害檢測(cè)技術(shù)領(lǐng)域。包括獲取隧道病害圖片數(shù)據(jù)集；搭建DB?FOCS網(wǎng)絡(luò)模型；對(duì)DB?FOCS網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的DB?FOCS網(wǎng)絡(luò)模型；將待識(shí)別的隧道病害圖片輸入至DB?FOCS網(wǎng)絡(luò)模型中，利用可變形卷積層提取特征并生成偏移量，使用偏移量修正提取的特征，得到多層特征圖；將多層特征圖輸入至BiFPN結(jié)構(gòu)中，進(jìn)行跨層特征融合；將跨層特征圖輸入至Head分支中，再次利用可變形卷積層提取特征，得到病害識(shí)別結(jié)果。本發(fā)明使算法更好的應(yīng)對(duì)目標(biāo)檢測(cè)任務(wù)中的各種尺寸變化以及形變，提升了目標(biāo)檢測(cè)的性能，提高模型準(zhǔn)確度和穩(wěn)定性。

技術(shù)研發(fā)人員：李利平,陳澤雨,劉洪亮,姜新波,蔡輝,陳雨雪,屠文鋒,范宏運(yùn),范佳瀅
受保護(hù)的技術(shù)使用者：齊魯工業(yè)大學(xué)（山東省科學(xué)院）
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6