详情

原文传递公路隧道衬砌裂缝图像识别轻量级抗干扰算法研究

论文题名：	公路隧道衬砌裂缝图像识别轻量级抗干扰算法研究
关键词：	公路隧道;衬砌裂缝;图像识别;抗干扰算法
摘要：	我国现阶段运营的公路隧道数量众多，其里程也正处于高速增长过程中。既有公路隧道衬砌普遍存在大量裂缝，传统的衬砌裂缝检测方法难以适应交通运输信息化、智能化的发展需求。因此，开展公路隧道衬砌裂缝的快速自动检测，并提高衬砌裂缝图像识别精度具有相当必要性和较高工程价值。由于隧道衬砌裂缝图像背景复杂，常伴有渗水、阴影、光源不均等因素表现出不利于对其图像识别的强干扰性，使得采用数字图像识别技术来进行隧道衬砌裂缝图像识别难具泛化性。同时，基于深度学习技术的图像识别技术在现阶段普遍存在算法模型参数量大、计算资源消耗多、难以应用于移动端设备的问题。因此，为将图像识别技术应用到隧道衬砌裂缝实时检测，亟需研究同时集轻量性与抗干扰性于一身的图像识别算法。　　本文以公路隧道衬砌裂缝为研究对象，围绕其图像干扰性强的特点，同时考虑其用于实时检测的需要，开展了基于深度学习技术的轻量级抗干扰算法研究，具体工作和所得成果如下：　　（1）针对目前公路隧道衬砌裂缝图像数据集的数量不足及质量较差的问题，以人工实地拍摄的方式收集公路隧道衬砌裂缝图像，进而以多尺度Retinex、双边滤波、高斯高通滤波等方法对阴影或干扰较强的图像进行预处理，最后通过人工标注及扩增数据的方法制作得到了可用于公路隧道衬砌裂缝分类识别和分割识别的高质量数据集，以满足后续研究工作的数据需求。　　（2）为提高公路隧道衬砌裂缝图像识别的分类速度，搭建MobileNetV2轻量级网络来进行裂缝图像分类识别。由于公路隧道衬砌裂缝图像干扰性较强且图像数量有限，为提高图像分类精度，采用迁移学习策略在特征丰富的源数域上获得初始共性特征权重的方式来提升MobileNetV2网络的分类精度，加强了网络对裂缝图像纹理、边缘等共性特征的提取能力，同时一定程度上避免了模型产生过拟合。实验结果表明其在自制的测试集上的准确率为98.77%，其分类精度在只略低于VGG16、Resnet50等对比网络的情况下大幅减少了模型的计算复杂度，能更好地平衡分类精度与计算速度。　　（3）提出一种基于改进金字塔场景解析网络（PSPNet）的隧道衬砌裂缝实时分割模型Mobile-PSPNet，以解决现有语义分割模型因体量大而难以应用于移动端设备的问题。以改进的MobileNetV2轻量级网络替换Resnet50作为主干网络以大幅减少模型复杂度，同时在深层主干网络引入h-swish激活函数补偿因替换主干网络所损失的精度，在浅层主干网络利用卷积注意力机制从通道和空间两个维度提升网络对裂缝特征的关注度从而增强网络抗干扰性。采用了结合Focal损失函数与Dice损失函数的组合损失函数从全局和局部进行损失计算以处理裂缝图像的样本不均衡问题。实验结果表明组合损失函数能更为精准地对裂缝图像进行分割，Mobile-PSPNet在自制数据集上的交并比为73.74%，在GPU上预测单张473×473的图像耗时为26ms。Mobile-PSPNet具有与主流模型相当的精度和更快的分割速度，更适合部署于移动端平台以进行公路隧道衬砌裂缝的实时检测。　　（4）提出利用语义分割所得裂缝二值图像来进一步得到裂缝参数的量化计算方法。以包括开、闭运算的形态学方法对部分二值图像进行预处理，保证裂缝二值图像的连续性，利用OpenCV算法库进行裂缝图像骨架长度提取，实现对裂缝长度、周长及面积等参数的计算，最后使用Canny边缘检测结合最大内切圆的方法检测裂缝最大宽度。实验结果表明该裂缝量化方法具有一定实用性。
作者：	宋益
专业：	交通运输工程
导师：	赵宁雨
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2022