本發(fā)明涉及圖像處理，具體涉及一種基于深度學(xué)習(xí)的隧道病害識(shí)別方法、設(shè)備及介質(zhì)。

背景技術(shù)：

1、隧道作為一種重要的地下巖土工程，其在漫長(zhǎng)運(yùn)行期內(nèi)始終處于多種復(fù)雜環(huán)境因素的影響之下。相關(guān)環(huán)境因素包括圍巖壓力、鄰近施工干擾、溫度影響及地下水侵入等。這些因素的共同作用會(huì)導(dǎo)致隧道襯砌出現(xiàn)各種病害，常見(jiàn)表觀病害包括裂縫、滲漏水、防火涂層脫落。隧道病害不僅會(huì)減少隧道使用壽命，還會(huì)對(duì)隧道的結(jié)構(gòu)穩(wěn)定性和安全運(yùn)行造成嚴(yán)重影響，進(jìn)而可能危及公眾的生命和財(cái)產(chǎn)安全。

2、目前，隧道外觀病害的檢測(cè)采用先進(jìn)技術(shù)手段主要有：

3、一篇申請(qǐng)?zhí)枮?02410332734?.3的中國(guó)發(fā)明，名稱為一種基于深度學(xué)習(xí)的公路隧道表觀裂縫檢測(cè)方法，屬于圖像數(shù)據(jù)處理技術(shù)領(lǐng)域，包括構(gòu)造數(shù)據(jù)集；構(gòu)造包含lka層、sca層的s-lka網(wǎng)絡(luò)；選取一目標(biāo)檢測(cè)網(wǎng)絡(luò)，用s-lka網(wǎng)絡(luò)替換骨干網(wǎng)絡(luò)中的c3模塊，得到一基于s-lka注意力的目標(biāo)檢測(cè)網(wǎng)絡(luò)，并用數(shù)據(jù)集訓(xùn)練得到目標(biāo)識(shí)別模型；從公路和隧道表面獲取待識(shí)別的裂縫圖像，輸入目標(biāo)識(shí)別模型中進(jìn)行目標(biāo)識(shí)別。

4、但是該發(fā)明的技術(shù)方案不能充分利用上下文信息以捕獲隧道病害的全局特征，導(dǎo)致病害圖像的識(shí)別準(zhǔn)確率難以進(jìn)一步提高，且該算法推理時(shí)間較長(zhǎng)、檢測(cè)速度較慢。

5、綜上所述，急需一種基于深度學(xué)習(xí)的隧道病害識(shí)別方法、設(shè)備及介質(zhì)解決現(xiàn)有技術(shù)中的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的在于提供一種基于深度學(xué)習(xí)的隧道病害識(shí)別方法、設(shè)備及介質(zhì)，具體技術(shù)方案如下：

2、一種基于深度學(xué)習(xí)的隧道病害識(shí)別方法，包括如下步驟：

3、s1：構(gòu)造數(shù)據(jù)集，獲取隧道表面包含病害的圖像，并對(duì)其中病害進(jìn)行標(biāo)注，所有帶標(biāo)注的病害的圖像構(gòu)成數(shù)據(jù)集；

4、s2：構(gòu)造目標(biāo)檢測(cè)網(wǎng)絡(luò)，選取yolox作為基礎(chǔ)識(shí)別網(wǎng)絡(luò)，yolox包括骨干網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)和檢測(cè)頭，采用輕量視覺(jué)變換網(wǎng)絡(luò)替換yolox中的骨干網(wǎng)絡(luò)，采用幻影融合結(jié)構(gòu)替換yolox網(wǎng)絡(luò)中的跨階段局部網(wǎng)絡(luò)結(jié)構(gòu)，在特征融合網(wǎng)絡(luò)中，在上采樣后以及在下采樣后加入通道空間混合注意力模塊，得到目標(biāo)檢測(cè)網(wǎng)絡(luò)；

5、所述輕量視覺(jué)變換網(wǎng)絡(luò)包括輕量可視化結(jié)構(gòu)和倒殘差瓶頸結(jié)構(gòu)；

6、所述輕量可視化結(jié)構(gòu)包括依次設(shè)置的第一卷積層、第二卷積層、展開(kāi)結(jié)構(gòu)層、transformer層以及堆疊結(jié)構(gòu)層；

7、所述倒殘差瓶頸結(jié)構(gòu)包括兩個(gè)第三卷積層和一個(gè)第四卷積層，依次設(shè)置為第三卷積層、第四卷積層和第三卷積層；

8、所述幻影融合結(jié)構(gòu)包括兩個(gè)部分，一部分通過(guò)幻影卷積后直接輸出特征層，另一部分通過(guò)幻影卷積后，再經(jīng)過(guò)多次疊加處理，且每次疊加處理后均會(huì)輸出特征層；兩個(gè)部分的卷積結(jié)束后，幻影融合結(jié)構(gòu)通過(guò)一次幻影卷積將上述得到的特征層進(jìn)行特征融合，得到最后的有效特征層；

9、所述混合注意力模塊包括通道注意力模塊和空間注意力模塊；

10、s3：采用數(shù)據(jù)集訓(xùn)練所述目標(biāo)檢測(cè)網(wǎng)絡(luò)，得到目標(biāo)識(shí)別模型；

11、s4：從隧道表面獲取待檢測(cè)的病害圖像，輸入目標(biāo)識(shí)別模型中進(jìn)行目標(biāo)識(shí)別。

12、優(yōu)選的，在輕量可視化結(jié)構(gòu)中，所述第一卷積層為3×3卷積層或者3×3的逐層卷積，所述第二卷積層為1×1卷積層；

13、所述第一卷積層和第二卷積層用于對(duì)輸入圖像進(jìn)行局部特征提取，所述展開(kāi)結(jié)構(gòu)層用于將特征層劃分為多個(gè)2×2大小的像素塊，并將每個(gè)像素塊中對(duì)應(yīng)位置的像素關(guān)聯(lián)起來(lái)；transformer層用于進(jìn)行自注意力操作，實(shí)現(xiàn)特征提取；堆疊結(jié)構(gòu)層用于還原特征層的大小。

14、優(yōu)選的，在倒殘差瓶頸結(jié)構(gòu)中，所述第三卷積層為1×1卷積層，所述第四卷積層為3×3的深度可分離卷積；

15、通過(guò)一個(gè)第三卷積層擴(kuò)大通道數(shù)，然后采用第四卷積層進(jìn)行特征提取，最后采用另外一個(gè)第三卷積層還原通道數(shù)，實(shí)現(xiàn)深度可分離卷積。

16、優(yōu)選的，所述幻影卷積的過(guò)程如下：

17、首先采用一個(gè)1×1卷積進(jìn)行特征整合，生成特征層的特征濃縮，整合特征層通道數(shù)為最終輸出通道數(shù)的一半，然后利用逐層卷積得到特征濃縮的相似特征圖，再將這些相似特征圖和特征濃縮進(jìn)行疊加，最終得到幻影卷積的輸出特征層。

18、優(yōu)選的，在混合注意力模塊中，通道注意力模塊的過(guò)程如下：

19、原始特征層輸入后，首先通過(guò)一個(gè)5×5的卷積核進(jìn)行特征提取，得到第一特征層，然后分別通過(guò)不同大小的卷積核進(jìn)行特征提取，得到不同尺度上的特征信息，進(jìn)而得到第二特征層、第三特征層和第四特征層，再將第一特征層、第二特征層、第三特征層和第四特征層進(jìn)行相加，并利用一個(gè)1×1的卷積進(jìn)行特征整合，得到第五特征層，將第五特征層與原始特征層進(jìn)行相乘得到基于通道注意力的輸出特征層。

20、優(yōu)選的，在混合注意力模塊中，空間注意力模塊的過(guò)程如下：

21、輸入原始特征圖，所述原始特征圖依次通過(guò)全局最大池化和平均池化沿空間注意力通道方向進(jìn)行特征整合，生成的空間注意力特征層會(huì)在通道維度上進(jìn)行堆疊，所有的空間注意力特征層通過(guò)一個(gè)卷積層生成最終的空間注意力圖，通過(guò)將空間注意力圖與原始特征圖進(jìn)行相乘，得到基于空間注意力的輸出特征層。

22、優(yōu)選的，所述骨干網(wǎng)絡(luò)為五層結(jié)構(gòu)，包括第一層、第二層、第三層、第四層和第五層；

23、第一層包括一個(gè)倒殘差瓶頸結(jié)構(gòu)；

24、第二層包括三個(gè)倒殘差瓶頸結(jié)構(gòu)；

25、第三層包括一個(gè)倒殘差瓶頸結(jié)構(gòu)和兩個(gè)輕量可視化結(jié)構(gòu)；

26、第四層包括一個(gè)倒殘差瓶頸結(jié)構(gòu)和四個(gè)輕量可視化結(jié)構(gòu)；

27、第五層包括一個(gè)倒殘差瓶頸結(jié)構(gòu)和三個(gè)輕量可視化結(jié)構(gòu)。

28、優(yōu)選的，所述標(biāo)注包括位置標(biāo)注和類別標(biāo)注。

29、另外，本發(fā)明還包括一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器；

30、所述存儲(chǔ)器用于存儲(chǔ)可在處理器上運(yùn)行的計(jì)算機(jī)程序；

31、所述處理器用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上述的隧道病害識(shí)別方法的步驟。

32、另外，本發(fā)明還包括一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述的隧道病害識(shí)別方法的步驟。

33、應(yīng)用本發(fā)明的技術(shù)方案，具有以下有益效果：

34、1）本發(fā)明構(gòu)造了輕量視覺(jué)變換網(wǎng)絡(luò)，并用其替換yolox中的主干網(wǎng)絡(luò)，其中的輕量可視化結(jié)構(gòu)和倒殘差瓶頸結(jié)構(gòu)可以有效地融合vit（vision?transformer）的全局感知能力和cnn(convolutional?neural?network)的局部特征提取優(yōu)勢(shì)，能夠同時(shí)捕捉圖像中的細(xì)節(jié)特征和全局上下文，提高了對(duì)復(fù)雜場(chǎng)景的理解能力，從而提高檢測(cè)精度，達(dá)到更好的任務(wù)效果。本發(fā)明解決了現(xiàn)有算法不能充分利用上下文信息以捕獲病害的全局特征，導(dǎo)致病害圖像的識(shí)別準(zhǔn)確率難以進(jìn)一步提高的問(wèn)題。

35、2）本發(fā)明構(gòu)建了幻影融合結(jié)構(gòu)并替換yolox中的csplayer（cross-stage?partialnetwork）結(jié)構(gòu)，有效降低了卷積塊的參數(shù)；另外，采用多次堆疊處理也提高了特征層之間的信息交流。本發(fā)明解決了現(xiàn)有算法網(wǎng)絡(luò)推理時(shí)間較長(zhǎng)、檢測(cè)速度較慢等問(wèn)題。

36、3）本發(fā)明將通道注意力和空間注意力結(jié)合使用構(gòu)建了混合注意力模塊，充分利用兩種注意力機(jī)制的優(yōu)勢(shì)，增強(qiáng)模型對(duì)圖像內(nèi)容的理解，進(jìn)而提高模型的綜合性能。本發(fā)明解決了現(xiàn)有算法的通道注意力機(jī)制可能會(huì)忽略空間維度上的重要信息，空間注意力可能忽視全局信息，影響對(duì)整體特征理解等問(wèn)題。

37、除了上面所描述的目的、特征和優(yōu)點(diǎn)之外，本發(fā)明還有其它的目的、特征和優(yōu)點(diǎn)。下面將參照?qǐng)D，對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。