本申請涉及于隧道檢測，特別是涉及一種隧道滲漏水的檢測方法。

背景技術：

1、目前，全球眾多城市的地鐵系統(tǒng)已經(jīng)從早期的大規(guī)模建設階段過渡到了以維護和管理為核心的新時期。隧道滲漏水作為地鐵隧道缺陷的主要形式之一，極易引起混凝土襯砌變形、腐蝕、剝落、風化等情況。這不僅影響隧道結構安全，還可能破壞電氣設備，甚至影響整個地鐵系統(tǒng)的平穩(wěn)運行。因此，定期對地鐵進行檢查和維護是延長其服役壽命和預防災難性風險的重要前提。

2、隧道滲漏水檢測多依賴于人工巡檢，人工巡檢的效率低。因此，亟需一種自動化高效的隧道滲漏水檢測手段。

技術實現(xiàn)思路

1、基于此，有必要針對上述技術問題，提供一種隧道滲漏水的檢測方法。

2、第一方面，提供了一種隧道滲漏水的檢測方法，所述方法包括：

3、建立滲漏水數(shù)據(jù)集；

4、構建初始滲漏水語義分割模型，所述初始滲漏水語義分割模型的主干網(wǎng)絡為基于efficientnet-b0網(wǎng)絡改進的自適應調(diào)節(jié)主干網(wǎng)絡，所述自適應調(diào)節(jié)主干網(wǎng)絡中mbconv1模塊的注意力機制為scse注意力機制，第六個mbconv6模塊的卷積核為1×1；

5、基于所述滲漏水數(shù)據(jù)集，對所述初始滲漏水語義分割模型進行模型訓練，保存訓練后的優(yōu)化滲漏水語義分割模型；

6、將待檢測隧道圖像數(shù)據(jù)輸入至所述優(yōu)化滲漏水語義分割模型中進行隧道滲漏水檢測。

7、作為一種可選的實施方式，所述建立滲漏水數(shù)據(jù)集，包括：

8、獲取隧道滲漏水圖像；

9、對所述隧道滲漏水圖像進行滲漏水區(qū)域標注，確定滲漏水數(shù)據(jù)；

10、對所述滲漏水數(shù)據(jù)進行數(shù)據(jù)增強。

11、作為一種可選的實施方式，所述對所述滲漏水數(shù)據(jù)進行數(shù)據(jù)增強，包括：

12、對所述滲漏水數(shù)據(jù)進行數(shù)據(jù)擴增，所述數(shù)據(jù)擴增方式包括隨機角度旋轉(zhuǎn)、裁剪、鏡像和縮放；

13、對所述滲漏水數(shù)據(jù)進行降噪處理；

14、對所述滲漏水數(shù)據(jù)進行均衡處理。

15、作為一種可選的實施方式，所述初始滲漏水語義分割模型還包括特征增強模塊，所述特征增強模塊包括空洞空間卷積池化金字塔和cbam注意力機制。

16、作為一種可選的實施方式，所述方法還包括：

17、對所述滲漏水數(shù)據(jù)集按比例隨機分配，確定訓練集和驗證集。

18、作為一種可選的實施方式，所述基于所述滲漏水數(shù)據(jù)集，對所述初始滲漏水語義分割模型進行模型訓練，保存訓練后的優(yōu)化滲漏水語義分割模型，包括：

19、設置訓練參數(shù)，所述訓練參數(shù)包括最大學習率、最小學習率、動量參數(shù)、學習率調(diào)度方法、迭代次數(shù)、迭代批量和優(yōu)化器；

20、定義損失函數(shù)；

21、將所述訓練集輸入所述初始滲漏水語義分割模型，基于預設的深度學習框架，按照所述迭代次數(shù)和所述迭代批量進行訓練；

22、針對每次迭代，根據(jù)當前迭代批次輸出的滲漏水區(qū)域預測結果數(shù)據(jù)和所述損失函數(shù)，確定訓練集損失，并根據(jù)所述優(yōu)化器對應的優(yōu)化規(guī)則調(diào)整所述初始滲漏水語義分割模型的參數(shù)；

23、達到所述迭代次數(shù)時，結束訓練，保存訓練后的優(yōu)化滲漏水語義分割模型。

24、作為一種可選的實施方式，所述損失函數(shù)為基于diceloss損失函數(shù)和focalloss損失函數(shù)的平衡類別權重的dfloss損失函數(shù)。

25、作為一種可選的實施方式，所述預設的深度學習框架為pytorch2.0.1深度學習框架。

26、作為一種可選的實施方式，所述按照所述迭代次數(shù)和所述迭代批量進行訓練，包括：

27、按照所述迭代次數(shù)和所述迭代批量，通過所述自適應調(diào)節(jié)主干網(wǎng)絡的編碼器進行所述訓練集的特征提??；

28、通過所述自適應調(diào)節(jié)主干網(wǎng)絡的解碼器對提取到的特征進行處理，輸出所述滲漏水區(qū)域預測結果數(shù)據(jù)。

29、作為一種可選的實施方式，所述基于所述滲漏水數(shù)據(jù)集，對所述初始滲漏水語義分割模型進行模型訓練，保存訓練后的優(yōu)化滲漏水語義分割模型之后，所述方法還包括：

30、對所述優(yōu)化滲漏水語義分割模型進行精度指標評價和效率指標評價。

31、作為一種可選的實施方式，所述精度指標包括平均交并比，平均像素準確率和f1指數(shù)，所述效率指標包括模型參數(shù)、圖像處理速度和浮點數(shù)。

32、本申請?zhí)峁┝艘环N隧道滲漏水的檢測方法，本申請的實施例提供的技術方案至少帶來以下有益效果：所述方法包括：建立滲漏水數(shù)據(jù)集；構建初始滲漏水語義分割模型，所述初始滲漏水語義分割模型的主干網(wǎng)絡為基于efficientnet-b0網(wǎng)絡改進的自適應調(diào)節(jié)主干網(wǎng)絡，所述自適應調(diào)節(jié)主干網(wǎng)絡中mbconv1模塊的注意力機制為scse注意力機制，第六個mbconv6模塊的卷積核為1×1；基于所述滲漏水數(shù)據(jù)集，對所述初始滲漏水語義分割模型進行模型訓練，保存訓練后的優(yōu)化滲漏水語義分割模型；將待檢測隧道圖像數(shù)據(jù)輸入至所述優(yōu)化滲漏水語義分割模型中進行隧道滲漏水檢測。本申請實施例可以根據(jù)數(shù)據(jù)集的特征動態(tài)調(diào)整網(wǎng)絡結構，在保證檢測性能的同時，顯著降低模型參數(shù)量和計算成本。通過特征增強模塊的引入，增強特征提取能力，考慮全局上下文信息并強化關鍵特征的提取，并且通過優(yōu)化損失函數(shù)，提出了dfloss，能夠使類別不平衡問題得到緩解，提升滲漏水檢測的準確度，尤其是對小樣本和特征不明顯的區(qū)域。在解碼器設計上，采用逐步上采樣策略，實現(xiàn)多尺度特征的有效融合，促進梯度在網(wǎng)絡中的流動，提高模型的局部優(yōu)化能力，從而提升推理速度，滿足實時檢測的需求。通過語義分割技術可以為每個像素分類，這意味著可以精確地定位和識別滲漏水區(qū)域的具體形狀和邊界。對于隧道滲漏水這種需要明確定位和全面覆蓋的問題，語義分割提供了更加詳細和精確的檢測結果。

33、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本申請。

技術特征：

1.一種隧道滲漏水的檢測方法，其特征在于，所述方法包括：

2.根據(jù)權利要求1所述的方法，其特征在于，所述建立滲漏水數(shù)據(jù)集，包括：

3.根據(jù)權利要求2所述的方法，其特征在于，所述對所述滲漏水數(shù)據(jù)進行數(shù)據(jù)增強，包括：

4.根據(jù)權利要求1所述的方法，其特征在于，所述初始滲漏水語義分割模型還包括特征增強模塊，所述特征增強模塊包括空洞空間卷積池化金字塔和cbam注意力機制。

5.根據(jù)權利要求1所述的方法，其特征在于，所述方法還包括：

6.根據(jù)權利要求5所述的方法，其特征在于，所述基于所述滲漏水數(shù)據(jù)集，對所述初始滲漏水語義分割模型進行模型訓練，保存訓練后的優(yōu)化滲漏水語義分割模型，包括：

7.根據(jù)權利要求6所述的方法，其特征在于，所述損失函數(shù)為基于diceloss損失函數(shù)和focalloss損失函數(shù)的平衡類別權重的dfloss損失函數(shù)。

8.根據(jù)權利要求6所述的方法，其特征在于，所述預設的深度學習框架為pytorch2.0.1深度學習框架。

9.根據(jù)權利要求6所述的方法，其特征在于，所述按照所述迭代次數(shù)和所述迭代批量進行訓練，包括：

10.根據(jù)權利要求5所述的方法，其特征在于，所述基于所述滲漏水數(shù)據(jù)集，對所述初始滲漏水語義分割模型進行模型訓練，保存訓練后的優(yōu)化滲漏水語義分割模型之后，所述方法還包括：

11.根據(jù)權利要求10所述的方法，其特征在于，所述精度指標包括平均交并比，平均像素準確率和f1指數(shù)，所述效率指標包括模型參數(shù)、圖像處理速度和浮點數(shù)。

技術總結
本申請涉及一種隧道滲漏水的檢測方法，涉及隧道檢測技術領域，方法包括：建立滲漏水數(shù)據(jù)集；構建初始滲漏水語義分割模型，所述初始滲漏水語義分割模型的主干網(wǎng)絡為基于EfficientNet?B0網(wǎng)絡改進的自適應調(diào)節(jié)主干網(wǎng)絡，所述自適應調(diào)節(jié)主干網(wǎng)絡中MBconv1模塊的注意力機制為scSE注意力機制，第六個MBconv6模塊的卷積核為1×1；基于所述滲漏水數(shù)據(jù)集，對所述初始滲漏水語義分割模型進行模型訓練，保存訓練后的優(yōu)化滲漏水語義分割模型；將待檢測隧道圖像數(shù)據(jù)輸入至所述優(yōu)化滲漏水語義分割模型中進行隧道滲漏水檢測。采用本申請可以檢測隧道滲漏水。

技術研發(fā)人員：侯公羽,王丹丹,陳欽煌,張欣怡,李唯伊,孫曉榮,符歡歡
受保護的技術使用者：中國礦業(yè)大學（北京）
技術研發(fā)日：
技術公布日：2024/10/21