详情

原文传递公路隧道衬砌高噪声裂缝图像精细识别算法研究

论文题名：	公路隧道衬砌高噪声裂缝图像精细识别算法研究
关键词：	裂缝识别;公路隧道;图像处理;语义分割;深度学习;神经网络
摘要：	随着我国公路隧道数量不断增加，对公路隧道的安全检测提出了新的挑战。裂缝是公路隧道最常见也是最重要的病害之一，虽然公路隧道表观图像自动化采集技术已经比较成熟，但是采集的隧道表观图像数据量非常巨大，每公里公路隧道需要采集3万张图像，需要研发基于深度网络技术的隧道裂缝的自动化识别技术以应对海量的隧道图像检测需求。　　由于隧道粗糙的混凝土衬砌表面和隧道运营环境造成的表观污染，以及采集设备本身的局限性，采集到的公路隧道衬砌表观图像存在较高的噪声，图像对比度较低，灰度分布不均衡，对于裂缝的识别和提取造成极大的困难。本文针对公路隧道衬砌高噪声裂缝图像，从图像增强算法、目标检测算法、裂缝分割网络、裂缝参数提取等方面入手，改进了公路隧道表观图像数据增强算法，创新提出了公路隧道裂缝分割和关键点提取网络，并通过对裂缝实际尺度的讨论实现了对公路隧道衬砌高噪声裂缝图像的精细识别和参数计算。论文的主要工作及结论为: 　　1.针对公路隧道衬砌图像质量较低的问题，基于灰度直方图均衡化算法，提出了新的适用于公路隧道衬砌图像的图像增强算法。针对公路隧道衬砌图像数据较少的问题，通过本文提出的图像质量增强算法对训练图像数据进行增强，强化公路隧道裂缝识别网络的准确性，并通过三种不同的裂缝检测网络对该增强算法的效果进行验证实验，实验结果说明提出的图像增强算法通过均衡直方图的方法使直方图的分布更加均衡，可以有效提升公路隧道裂缝识别的准确性，并且基于YOLOv5的裂缝识别模型具有最好的评估指标，可以很好的完成公路隧道裂缝检测任务。　　2.针对公路隧道表观图像裂缝精细化识别难题，基于DeepLabV3语义分割网络，通过修改不同的特征提取骨干网络和不同的损失函数，研究最适合公路隧道裂缝特点的深度网络结构。通过骨干网络实验和损失函数实验说明ResNet101网络在公路隧道特征提取场景下具有一定的优势，而不同的损失函数对网络训练的影响比主干网络的影响更多，并且通过优化使用Focal损失函数和均方误差损失函数可以有效提高裂缝分割的精度。在此基础上，创新性提出了裂缝关键点提取模块，实现了裂缝关键点的提取，辅助裂缝的精细识别，裂缝识别准确度达到90.47。　　3.针对公路隧道裂缝特征提取需求，通过设计图像线段宽度验证实验，对图像像素、相机精度和实际宽度进行讨论。通过实验结果得出了精度较低场景下裂缝在图像中的像素数与裂缝实际宽度的存在线性关系。通过研究骨架提取算法实现对裂缝掩码数据的骨架提取，基于提取的裂缝骨架计算裂缝走向，实现像素尺度下裂缝的宽度、长度的计算，通过像素与宽度的关系对裂缝实际宽度进行纠正，实现了裂缝特征参数的准确提取。
作者：	赵致远
专业：	防灾减灾工程及防护工程
导师：	刘健
授予学位：	硕士
授予学位单位：	山东大学
学位年度：	2023