【技術實現步驟摘要】
本申請涉及目標分類、機器視覺和智能識別領域，尤其涉及一種隧道病害的快速智能識別方法、設備及介質。
技術介紹
1、隧道襯砌，作為隧道結構的核心組成部分，主要由混凝土構建，并輔以鋼筋與鋼拱架以增強其穩固性。然而，這類結構常面臨脫空、密實度不足、裂縫擴展及滲漏水等典型病害，嚴重威脅著隧道的安全與耐久性。因此，從建設期至運營期，對隧道襯砌質量的持續監測顯得尤為關鍵。鑒于無損檢測技術的非破壞性優勢，其在隧道襯砌質量檢測中占據了重要地位，其中，探地雷達(gpr)技術憑借其高效精準的掃描能力，成為主流選擇。gpr通過捕捉并分析襯砌內部的電磁波反射信號，繪制詳盡的雷達圖像，以直觀反映襯砌的健康狀況。
2、然而，面對長隧道產生的海量gpr數據，傳統的人工解讀方法不僅耗時費力，且其準確性高度依賴于專家的經驗與技能，難以保證高效與客觀。為克服這一瓶頸，自動化、智能化的病害識別技術應運而生，尤其是基于深度學習的方法，展現了巨大潛力。
3、近年來，神經網絡、支持向量機及聚類算法等機器學習技術雖有所應用，但在處理復雜gpr數據時仍顯不足。相比之下，深度學習，特別是卷積神經網絡(cnn)，以其強大的特征提取能力，在gpr隧道襯砌病害檢測中脫穎而出。使用深度學習方法對gpr數據進行隧道襯砌病害檢測是完全可行的。然而，在實際工作中仍然存在一些問題：
4、(1)隧道襯砌的探地雷達檢測數據大多是不含病害的。
5、(2)對病害樣本的標注需要大量的時間成本。
6、(3)將網絡(例如，使用imagenet數據集進
技術實現思路
1、本專利技術的目的在于：為了解決現有的基于深度學習方法的隧道襯砌病害檢測技術應對復雜環境下的病害識別時，往往由于樣本數據有限或數據質量參差不齊，導致模型的存在檢測準確度低的問題，提供一種隧道病害的快速智能識別方法、設備及介質。
2、本申請的上述目的是通過以下技術方案得以實現的：
3、s1：獲取無標簽的探地雷達圖像并進行預處理，構建樣本庫；
4、s2：構建基于自監督的drcnn模型；所述drcnn模型包括：自監督對比學習網絡以及病害檢測網絡；通過樣本庫訓練自監督對比學習網絡，提取樣本庫中的探地雷達圖像的隧道探地雷達波特征，得到特征提取網絡參數；
5、s3：將特征提取網絡參數遷移至病害檢測網絡的主干特征模塊；
6、s4：篩選樣本庫中的病害雷達響應數據并進行標記，構建隧道病害探地雷達圖像集；
7、根據隧道病害探地雷達圖像集，對病害檢測網絡進行訓練；
8、s5：獲取待檢測隧道病害探地雷達圖像并輸入至訓練后的病害檢測網絡，識別出待檢測隧道病害探地雷達圖像中的隧道病害結果。
9、可選的，步驟s1包括：
10、s11：對探地雷達圖像進行預處理，預處理包括：去直達波、濾波和增益；
11、s12：通過滑動窗口，將預處理后的探地雷達圖像裁剪為預設尺寸的數據塊，構建樣本庫。
12、可選的，所述自監督對比學習網絡：主干特征提取模塊、第一全局投影頭、第二全局投影頭、第一稠密投影頭和第二稠密投影頭；所述主干特征提取模塊采用殘差網絡結構resnet50，包括：第一主干特征提取支路以及第二主干特征提取支路。
13、可選的，所述第一全局投影頭以及第一稠密投影頭并行連接第一主干特征提取支路；
14、第二全局投影頭以及第二稠密投影頭并行連接第二主干特征提取支路；
15、第一全局投影頭以及第二全局投影頭設置為全連接層，第一稠密投影頭以及第二稠密投影頭設置為1×1的卷積層。
16、可選的，所述自監督對比學習網絡的損失函數包括：全局對比損失函數以及稠密對比損失函數；所述全局對比損失函數用于計算第一全局投影頭與第二全局投影頭的輸出值損失；所述稠密對比損失函數用于計算第一稠密投影頭與第二稠密投影頭的輸出值損失。
17、可選的，步驟s3包括：
18、所述病害檢測網絡包括：主干特征模塊、候選框生成模塊prn、roi?align?pooling模塊、全連接模塊fc1、全連接模塊fc2、全連接模塊fc3、全連接模塊fc4；
19、所述主干特征模塊采用殘差網絡結構resnet50；
20、所述候選框生成模塊prn采用region?proposal?network網絡結構；
21、所述roi?align?pooling模塊連接候選框生成模塊prn連接；全連接模塊fc1連接roi?align?pooling模塊；全連接模塊fc1連接全連接模塊fc2；全連接模塊fc3和全連接模塊fc4連接全連接模塊fc2；
22、全連接模塊fc3輸出病害的分類結果及分類正確概率；
23、全連接模塊fc4輸出病害的定位結果；所述隧道病害結果包括：隧道病害定位結果，分類結果以及分類正確概率。
24、一種電子設備，包括處理器、存儲器、用戶接口及網絡接口，所述存儲器用于存儲指令，所述用戶接口和網絡接口用于給其他設備通信，所述處理器用于執行所述存儲器中存儲的指令，以使所述電子設備執行一種隧道病害的快速智能識別方法。
25、一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有指令，當所述指令被執行時，執行一種隧道病害的快速智能識別方法。
26、本申請提供的技術方案帶來的有益效果是：
27、構建基于深度學習技術并結合自監督預訓練模型(drcnn模型)，能夠有效利用大量未經標記的雷達數據，減少人工成本并提高裂縫、脫空、疏松等各種病害檢測準確率。提出了一種自監督預訓練的深度學習模型(densecl?faster-rcnn，drcnn)，由自監督對比學習網絡和病害檢測網絡兩部分構成。該網絡模型具有以下特點：(1)通過自監督預訓練，網絡模型能夠在大量無標簽的探地雷達圖像上學習到隧道襯砌和病害的有效特征表示，從而提升對隧道病害的識別準確率；(2)網絡模型在初始訓練后，通過有標記的病害樣本的探地雷達圖像進一步訓練，能夠快速識別病害且能容易地適應新的病害類型的識別，增強了模型的魯棒性；(3)網絡模型優化了目標區域的特征提取方法，將傳統的roi?pooling替換為roi?align?pooling，使得特征提取過程更加精確，減少了量化誤差，從而進一步提升了模型的病害檢測準確率，實現了隧道襯砌病害的自動化、精準識別。
本文檔來自技高網...【技術保護點】
1.一種隧道病害的快速智能識別方法，其特征在于，方法包括以下步驟：
2.如權利要求1所述的一種隧道病害的快速智能識別方法，其特征在于，步驟S1包括：
3.如權利要求1所述的一種隧道病害的快速智能識別方法，其特征在于，所述自監督對比學習網絡：主干特征提取模塊、第一全局投影頭、第二全局投影頭、第一稠密投影頭和第二稠密投影頭；所述主干特征提取模塊采用殘差網絡結構ResNet50，包括：第一主干特征提取支路以及第二主干特征提取支路。
4.如權利要求3所述的一種隧道病害的快速智能識別方法，其特征在于，所述第一全局投影頭以及第一稠密投影頭并行連接第一主干特征提取支路；
5.如權利要求4所述的一種隧道病害的快速智能識別方法，其特征在于，所述自監督對比學習網絡的損失函數包括：全局對比損失函數以及稠密對比損失函數；所述全局對比損失函數用于計算第一全局投影頭與第二全局投影頭的輸出值損失；所述稠密對比損失函數用于計算第一稠密投影頭與第二稠密投影頭的輸出值損失。
6.如權利要求1所述的一種隧道病害的快速智能識別方法，其特征在于，步驟S3包括：<...
【技術特征摘要】
1.一種隧道病害的快速智能識別方法，其特征在于，方法包括以下步驟：
2.如權利要求1所述的一種隧道病害的快速智能識別方法，其特征在于，步驟s1包括：
3.如權利要求1所述的一種隧道病害的快速智能識別方法，其特征在于，所述自監督對比學習網絡：主干特征提取模塊、第一全局投影頭、第二全局投影頭、第一稠密投影頭和第二稠密投影頭；所述主干特征提取模塊采用殘差網絡結構resnet50，包括：第一主干特征提取支路以及第二主干特征提取支路。
4.如權利要求3所述的一種隧道病害的快速智能識別方法，其特征在于，所述第一全局投影頭以及第一稠密投影頭并行連接第一主干特征提取支路；
5.如權利要求4所述的一種隧道病害的快速智能識別方法，其特征在于，所述自監督對比學習網絡的損失函數包括：全局對比損失函數以及稠密對...
【專利技術屬性】
技術研發人員：徐秋朗，李濤，羅偉斌，劉斌，李創戰，唐江明，姚茂貴，謝子祎，朱培民，
申請(專利權)人：廣西南賓公路建設發展有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。