基于改进YOLOv4的隧道衬砌裂缝检测算法.pdf
《基于改进YOLOv4的隧道衬砌裂缝检测算法.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv4的隧道衬砌裂缝检测算法.pdf(9页珍藏版)》请在咨信网上搜索。
1、第卷第期 年 月铁 道 学 报 文章编号:()基于改进 的隧道衬砌裂缝检测算法周 中,张俊杰,鲁四平(中南大学 土木工程学院,湖南 长沙)摘 要:针对传统隧道衬砌裂缝检测手段中存在的检测精度低、泛化能力差、检测速度慢的问题,对 目标检测算法进行改进:引入 数据增强技术对输入图片数据进行预处理;采用轻量级网络 取代 作为 神经网络的主干特征提取网络;将 网络中卷积核大小为 的标准卷积替换为深度可分离卷积。为验证改进后算法的有效性和可靠性,采用、四种算法进行对比验证分析,结果表明:该算法在检测性能方面表现优异,测试集的平均精度为 ,精确率以及召回率的加权调和平均值为 ,均高于其余四种算法。在模型大
2、小方面,该算法模型的大小仅为 ,相对于原始 模型压缩了 ,且远小于、模型。此外,该算法的单张图片的检测时间为 ,每秒帧数为 帧,很好地满足了隧道衬砌裂缝进行实时检测时移动设备对帧率的要求。且算法泛化能力良好,能够较为准确的对不同光照和复杂背景条件下的裂缝进行检测并标记。基于提出的改进 算法构建隧道衬砌裂缝检测平台,实现对实际隧道工程中衬砌裂缝的准确、快速、智能化识别。关键词:隧道工程;衬砌裂缝;目标检测;深度学习;神经网络中图分类号:文献标志码:收稿日期:;修回日期:基金项目:国家自然科学基金();湖南省自然科学基金()作者简介:周 中(),男,河南汝南人,副教授,博士。:,(,):,:;第
3、期周 中等:基于改进 的隧道衬砌裂缝检测算法 近年来,随着隧道工程数量的不断增多,隧道衬砌病害的治理问题逐渐成为了社会关注的热点,由于大多数隧道的设计使用年限较长,受到长期循环荷载、地下水等多种外界作用的影响,隧道在运营期间难以避免的会出现各类衬砌病害。其中,裂缝是隧道衬砌表面中最为常见的病害,裂缝一旦形成不仅会使得衬砌的承载力下降,还会成为地下水的通道,进而引发隧道结构的渗漏水问题,对于隧道的安全施工以及运营极为不利,因此有必要定期对隧道内的衬砌裂缝进行检测,掌握裂缝的数量和具体位置,并采取相应的措施进行治理。目前国内隧道对于裂缝的检测大多还停留在人为巡检的方式,检测人员沿着隧道线行走,并对
4、沿途衬砌出现的裂缝进行记录,但是隧道中光线比较暗,对于拱顶、拱腰这些较高的位置,仅仅凭借肉眼难以准确的判别是否存在裂缝,经常出现漏检、错检的现象,不仅耗费大量时间,检测的准确率也不高。近年来,随着计算机的快速发展,图像处理算法凭借其高精度、自动化、远距离等优势逐渐被应用于裂缝的检测当中,图像处理算法主要分为数学图像处理算法和深度学习目标检测算法两类。其中,数学图像算法虽然能够快速识别裂缝,但是其识别精度受到光线明暗的严重干扰,对于隧道裂缝的识别准确度仍有待提高。而深度学习目标检测算法相对来说具有更好的泛用性,更加适合隧道衬砌裂缝的检测。目前被广泛应用于各个领域的目标检测算法主要有以、系列为代表
5、的单阶段神经网络以及以、为代表的双阶段神经网络。单阶段网络相比双阶段网络结构更加简单,因此在运算速度上具有较为明显的优势,但是其算法的目标识别精度一般不如双阶段网络。隧道衬砌裂缝的自动化识别是隧道裂缝检测的发展趋势,采用无人机或者检测台车沿隧道线路进行实时的裂缝目标检测对算法的检测速度有较高的要求,如果采用双阶段网络结构不可避免地会存在一定的延迟。因此运算速度以及检测精度方面综合表现较为优秀的 单阶段神经网络更加适用于隧道衬砌裂缝的检测任务。但是在实际的应用中,该网络仍然存在以下不足:模型参数量较大,难以嵌入到计算能力较差的移动设备当中;对不同的光照以及复杂背景条件下的衬砌裂缝的识别效果不理想
6、。基于此,本文对 算法进行改进,提出一种用于隧道衬砌裂缝检测的改进 算法,并与、四种算法进行对比分析,验证了本文提出的改进算法的可靠性。隧道衬砌裂缝检测算法 隧道衬砌裂缝检测算法 隧道衬砌裂缝检测算法原理如图 所示,其 主 要 由 四 个 模 块 组 成,分 别 是 输 入 模 块()、特征提取模块()、空间金字塔池化()和路径聚合网络()共同组成的加强特征提取网络()模块以及预测模块()。图 隧道衬砌裂缝检测算法原理铁 道 学 报第 卷首先,待检测的隧道衬砌裂缝图片被输入至 模块,尺寸大小被统一调整为 后被输入进 主干特征提取网络中,经过 以及残差结构 的多次卷积操作,输出得到三个有效特征层
7、矩阵、,矩阵大小分别为、。其中特征矩阵 经过三次卷积操作后被输入 网络结构,该网络结构由池化核大小为、的三个最大池化层以及一个短接层组成,通过该网络能够将有效特征层的局部特征和全局特征相融合,从而加强特征层的表达能力,当待检测目标大小差异较大时,也能够进行较为准确地检测。经过 结构处理后得到新的有效特征层,该特征层将与 和 一同被输入至 网络结构中,通过卷积、上采样()、下采样()以及特征层相互融合()等操作,最终输出得到三个加强有效特征层,相对于处理前的特征层,相互融合后的特征层能够更好地提取裂缝特征。最后,再将这些特征层输入至 模块,经过卷积核大小为 和 的两次卷积操作,对每个特征层预先设
8、置的三个先验框进行判别,判断其内部是否包含目标以及目标的种类,并通过非极大抑制处理和先验框调整等操作获得最终的预测框。值得说明的是,为了提高对图片中不同大小的衬砌裂缝目标的检测能力,不同大小的特征层采用的先验框大小也是不同的,特征层尺寸越大,先验框尺寸也会相应的增大,能够检测的裂缝目标也 就越大。三种不同大小的特征层所采用的先验框示意见图。图 不同大小先验框示意 改进 隧道衬砌裂缝检测算法本文提出的改进 算法将从三个方面进行优化:在输入模块中采用 数据增强技术对图片进行预处理;采用轻量级网络 取代 作为 神经网络的主干特征提取网络;采用深度可分离卷积替换 网络结构中的卷积核大小为 的标准卷积。
9、数据增强 数据增强就是在图片输入至主干特征提取网络之前,从数据集每一个 的图片中随机选取 张,通过对 张图片进行随机的裁剪、缩放、拼接获得一张新的图片,再将该图片输入至网络中进行训练。数据增强过程见图。采用 数据增强技术能够有效地丰富检测背景,解决数据集中目标尺度单一的问题,并且由于一张新图片中实际上包含了 张图片的数据,因此训练过程中的 不用设置得很大,单 也能实现较好的训练效果。图 数据增强 主干特征提取网络采 用代 替作 为 主干特征提取网络,是 年谷歌提出的一种轻量化网络,该网络继承了 的深度可分离卷积和 的逆残差结构,不仅能够有效地降低主干提取网络的参数量,还能够使得特征提取的过程在
10、高维度上进行,从而获取更多有效的特征信息。此外,还引入了 注意力模块。该模块会得到一个与特征通道数量相同的一维向量,此向量与特征通道相乘会使得有效的特征通道的权重增大,而无效或者效果很小的特征通道权重减小,有助于模型在目标检测过程中更好地区分出目标与背景,从而解决复杂背景条件下隧道衬砌裂缝的特征难以提取的问题。深度可分离卷积 网络的参数量占 网络的参数总量的比例不足 ,仅仅对主干特征提取网络进行轻量化是不够的。基于此,将 网络中卷积核大小为 的标准卷积替换为深度可分离卷积,两种卷积过程见图。由图()可知,标准卷积操作就是将输入的特征通道经过 的卷积核的卷积运算后输出新的特征通道,卷积部分的参数
11、量 为 ()第 期周 中等:基于改进 的隧道衬砌裂缝检测算法图 标准卷积与深度可分离卷积对比图式中:、分别为输入特征通道数、输出特征通道数。深度可分离卷积则是将标准卷积结构中的一步卷积拆分为卷积核大小为 的深度卷积和卷积核大小为 的逐点卷积,深度卷积对每个输入通道进行卷积运算,然后逐点卷积在深度方向上对生成的特征层进行加权和组合,从而创建新的特征层。卷积部分的参数量 为 ()标准卷积与深度可分离卷积的卷积部分参数量比值为 ()由式()可知,采用深度可分离卷积的计算量远远小于标准卷积,该方法能够有效减少 网络的参数量,从而大幅度提高裂缝目标的检测效率。总损失函数 的总损失函数 一共由三部分组成,
12、分别是目标位置误差、分类误差、置信误差,总损失函数的计算式为 ()其中目标位置误差 采用 损失函数进行计算,计算过程为 (,)()()()()()式中:为预测框;为真实框;、分别为预测框、真实框的中心点位置;(,)为预测框与真实框的中心点位置的欧式距离;为能够同时完全包含预测框和真实框的最小封闭矩形区域的对角线距离;为预测框和实际框的交集区域和并集区域面积的比值;、为真实框的宽和高;、分别为预测框的宽、高。分类误差 计算公式为 ,()()()()()式中:为输入特征层的网格数量;,为第 个网格的第 个预测框中含有物体;为真实框中目标物体类别的概率;为预测框中目标物体类别的概率;为识别目标物体的
13、类别。置信误差 计算式为 ,()()(),()()()()式中:为类别数;为误差权重参数;,为第 个网格的第 个预测框中不包含物体;为真实置信度;为预测置信度。隧道衬砌裂缝数据集构建 数据集处理本文通过对近十年课题组在多个隧道进行病害检测过程中拍照收集的隧道衬砌裂缝图像进行汇总,构建了包含 张裂缝图像的初始数据集,裂缝图像的分辨率范围为 ,部分裂缝图像见图。由图 可知,本文构建的的裂缝数据集光照条件多变、背景丰富、裂缝的形状多样,能够较好地反映出实际隧道衬砌裂缝所处的环境以及裂缝的形状特征。为了进一步扩充数据集并丰富背景,在初始数据集的基础上,本文采用旋转、水平及垂直翻转、光照、模糊等多种方式
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv4 隧道 衬砌 裂缝 检测 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。