[发明专利]一种地铁隧道表面病害图像顶层语义特征增强方法

说明书

本发明公开了一种地铁隧道表面病害图像顶层语义特征增强方法。该方法包括：构建金字塔结构模型，以提取图像的多层原始特征图；对于该金字塔结构模型提取到的原顶层特征图，利用通道自注意力机制增强顶层语义特征并利用样本标记真值图增强顶层语义特征，获得语义特征增强的顶层特征图；用所述语义特征增强的顶层特征图替换原顶层特征图，并进行自顶向下的层间特征融合，进而将经过层间特征融合的特征作为深度学习网络输出的预测目标特征图进行训练，获得隧道表面病害深度学习检测与识别模型。本发明能够减小在金字塔特征融合中渗漏水整体区域特征信息的丢失，提升病害识别准确性。

技术领域

本发明涉及图像检测和识别技术领域，更具体地，涉及一种地铁隧道表面病害图像顶层语义特征增强方法。

背景技术

地铁隧道表面渗漏水、裂缝等病害的检测与识别是既有地铁隧道巡检中的重要内容。由于人工检查存在主观性强、效率低等缺点，近年来基于机器视觉的隧道表面病害检测与识别成为行业发展的新趋势，主要包括传统图像处理方法与深度学习方法。传统图像处理方法包括阈值分割、边缘检测、形态学分析等，虽然算法计算复杂度低、算法硬件计算需求也不高，但是难以克服地铁隧道表面病害对比度低、光照不均、背景噪声污染严重等干扰。

与传统图像处理方法相比，深度学习方法利用多层神经网络从海量图像数据信息中挖掘图像多层特征并将其不断汇集到网络模型中，再通过训练特定的网络模型，完成对输入图像数据的分类、定位、分割等任务。由于深度学习方法表现出优良的泛化能力和鲁棒性，近几年被广泛应用于隧道衬砌表面病害图像检测与识别领域。例如，专利申请CN201910348834.4公开了一种基于深度学习的地铁盾构隧道病害检测方法，通过对采集到的盾构隧道图像利用CrackNet深度学习模型进行病害检测，在一定程度上解决了环境因素对损伤识别的干扰问题。专利申请201810843204.X公开了一种隧道结构表观病害检测装置及方法，通过所研制检测装置对地铁隧道表面进行拍摄，并对拍摄图像利用基于区域建议候选框的全卷积神经网络(R-FCN)完成病害的检测与识别。

尽管上述方法借助深度学习网络强大的特征提取与模式分类能力，取得了比传统图像处理方法更准确的实验效果，但将其应用于实际地铁隧道表面病害巡检，仍存在以下问题：1)诸如渗漏水等块状病害，由于其边界存在明显的渗流变化规律，导致该类病害的边界不明显，进而导致在病害检测时易出现边界丢失问题，降低了病害检测精度；2)随着深度学习网络层数不断增加，顶层特征图中包含的语义特征信息不断丰富。然而为了实现自顶向下的层间特征交叉融合，需对顶层特征图的特征通道数进行降维，而由于顶层特征图包含最丰富的语义信息且具有最多的通道数，其会在通道降维时丢失大量有利于病害检测与识别的特征信息，从而严重影响最终的病害检测与识别精度。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种地铁隧道表面病害图像顶层语义特征增强方法。

根据本发明的第一方面，提供一种地铁隧道表面病害图像顶层语义特征增强方法。该方法包括以下步骤：

步骤S1，构建金字塔结构模型，以提取图像的多层原始特征图；

步骤S2，对于该金字塔结构模型提取到的原顶层特征图，利用通道自注意力机制增强顶层语义特征并利用样本标记真值图增强顶层语义特征，获得语义特征增强的顶层特征图；

步骤S3，用所述语义特征增强的顶层特征图替换原顶层特征图，并进行自顶向下的层间特征融合，进而将经过层间特征融合的特征作为深度学习网络输出的预测目标特征图进行训练，获得隧道表面病害深度学习检测与识别模型。

根据本发明的第二方面，提供一种地铁隧道表面病害检测方法，该方法包括：

采集待检测的地铁隧道表面图像，输入根据本发明上述获得的隧道表面病害深度学习检测与识别模型，以识别地铁隧道表面病害。