(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210164296.5 (22)申请日 2022.02.22 (71)申请人 西安建筑科技大 学 地址 710055 陕西省西安市碑林区雁塔路 13号 (72)发明人 赵亮　李可心　马嘉豪　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 马贵香 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于深度学习的在役隧道衬砌结构缺陷识 别方法及系统 (57)摘要 基于深度学习的在役隧道衬砌结构缺陷识 别方法及系统， 包括： 获取隧道衬砌原始数据； 对 隧道衬砌探地雷达数据进行预处理， 对预处理后 的图像中的钢筋网、 钢拱架以及空洞三类信号进 行分类标记； 获得与仿真模型相对应的雷达仿真 图； 将获取的若干衬砌结构图像按比例分为训练 集和验证集； 构建病害目标识别模型， 利用目标 识别训练集对病害目标识别模型进行训练； 将测 试集病害图像输入训练后的病害目标识别模型； 训练后的病害目标识别网络输出目标识别结果， 获取隧道衬砌病害类型与区域大小。 本发明对病 害数据进行模拟仿真以扩增数据集， 有效解决空 洞病害占比小， 样本不均衡导致的网络无法对隧 道衬砌病害特 征进行有效识别的问题。 权利要求书2页 说明书5页 附图2页 CN 114548278 A 2022.05.27 CN 114548278 A 1.基于深度学习的在役隧道衬砌结构缺陷识别方法， 其特 征在于， 包括： 在隧道进行现场采集， 获取隧道衬砌原 始数据； 对隧道衬砌探地雷达数据进行 预处理， 并进行 数据存储； 对预处理后的图像中的钢筋网、 钢拱架以及空洞三类信号进行分类标记， 将矩形框中 对应的标注信息以txt格式存 储； 矩形框是对三类特 征进行标注时用到的标注框形式； 根据不同介质的相对介电常数不同采用数值模拟随机生成不同的仿真模型， 采用时域 有限差分FDTD方法正演出与仿 真模型相对应的雷达仿 真数据， 最 终获得与仿 真模型相对应 的雷达仿真图， 用作训练集 来扩充数据集； 将获取的若干衬砌结构图像按比例分为训练集和验证集； 比例为7： 3； 其中7为训练集， 3为测试集； 构建病害目标识别模型， 利用目标识别训练集对病害目标识别模型进行训练； 将测试集病 害图像输入训练后的病 害目标识别模型； 训练后的病 害目标识别网络输出 目标识别结果， 获取隧道衬砌病害类型与区域大小。 2.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法， 其特征在 于， 采用探地雷达在隧道进 行现场采集： 在隧道拱顶、 左右拱腰以及左右边墙部位布置若干 条纵向雷达测线 进行探地雷达无损检测， 获取隧道衬砌原 始数据。 3.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法， 其特征在 于， 分类标记采用Label lmg软件， 具体为： YOLO模型要求输入图像的大小是32像素的倍数， 捕获320*320像素的图像； 利用矩形框 在衬砌结构和病害区域位置标记， 盒子的标签信息以txt格式存储在一个文件中， 并且包括 沿着矩形盒子对角线的两个点的坐标。 4.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法， 其特征在 于， 预处理具体为： 包括零点校正、 背 景去除、 频率域滤波、 空间中值滤波、 增益放大、 修剪时 间窗口处理， 压制随机的和规则的干扰， 以最大可能的分辨率在图像剖面上显示反射波， 提 取反射波的有效参数和信息 。 5.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法， 其特征在 于， 构建病害目标识别模型， 其中包括Input、 Backbone、 Neck、 Output四部分； Input： 输入 端； Backbo ne： 主干网络； Neck： 提取的特殊特 征； Outpu： 输出端。 6.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法， 其特征在 于， 目标识别训练集对病害目标识别模型进行训练： 输入端对标记好的衬砌结构病害图像 经过Mosaic数据增强， 同时随机用缩放、 裁剪、 排布的方式对样本进行拼接， 自动计算数据 集的最佳锚框值； 病害样本数据从Focus结构进入主干网络， Focus结构包含4次切 片操作和1次32个卷积 核的卷积操作将原始608 ×608×3的图像变成304 ×304×32的特征图， CSPNet仿照 Densenet密集跨层跳层连接的思想， 进行局 部跨层融合， 利用不同层的特征信息来获得更 为丰富的病害特征图； CSPNet： Cro ss Stage Partial Network； 跨阶段部分网络； Den sent： 密集连接卷积网络； 自顶向下将高层的病害特征信息与不同层CSP模块的输出特征进行聚合， 再通过自底 向上路径聚合结构聚合浅层特 征， 从而充分融合了不同层的图像特 征。权　利　要　求　书 1/2 页 2 CN 114548278 A 27.根据权利要求5所述的基于深度学习的在役隧道衬砌结构缺陷识别方法， 其特征在 于， Backbone包含Focus结构和跨阶段局部融合网络CSPNet； Neck包含了PANet和FPN模块； PANet： Path  Aggregation； 路径聚合网络； FPN： Feature  Pyramid Networks ‑‑特征金字塔 网络。 8.根据权利要求1所述的基于深度学习的在役隧道衬砌结构缺陷识别方法， 其特征在 于， 将测试集病害图像输入训练后的病害目标识别模型 具体包括： 输出层输出3个尺度的特征图， 76 ×76×25、 38×38×255、 19×19×255的网格， 用于检 测小、 中、 大病害目标， 每个网格包含3个预测框， 预测框含有病害目标的置信度和的区域位 置信息； 采用非极大值抑制NMS方法， 删除高度冗余的bboxes， 即将过滤重复检测的预测框， 保 留置信度最高的预测框信息； 计算预测边界框与真实边界框之间的损失， 得到在LOSS取得最小值情况下每个锚框的 类别得分和坐标偏移量， 然后用锚框的坐标偏移量去微调先验框得到预测框， 使得预测框 不断接近真实框返回边框检测结果， 采用GI oU损失函数计算损失， 公式如下： LG： GIoU损失函数； D： 包围真实框与预测框的最小矩形面积； B： 预测框； Bg： 真实框； 利用损失函数判断是否达到预定义阈值， 通过阈值控制进一步调优直至收敛， 直至所 述结果的准确率达 到预设阈值。 9.基于深度学习的在役隧道衬砌结构缺陷识别系统， 其特 征在于， 包括： 数据采集模块， 用于在隧道进行现场采集， 获取隧道衬砌原 始数据； 预处理模块， 用于对隧道衬砌探地雷达数据进行 预处理， 并进行 数据存储； 分类模块， 用于对图像 中的钢筋网、 钢拱架以及空洞三类信号进行分类标记， 将矩形框 中对应的标注信息以txt格式存 储； 仿真模型建立模块， 用于根据不同介质的相对介电常数不同采用数值模拟随机生成不 同的仿真模型， 采用时域有限差分FDTD方法正演出与仿真模型相对应的雷达仿真数据， 最 终获得与仿真模型相对应的雷达 仿真图； 病害目标识别模型构件模块， 用于将 获取的若干衬砌结构图像按比例分为训练集和验 证集； 构建病害目标识别模型， 利用目标识别训练集对病害目标识别模型进行训练； 识别模块， 用于将测试集病害图像输入训练后的病害目标识别模型； 训练后的病害目 标识别网络 输出目标识别结果， 获取隧道衬砌病害类型与区域大小。权　利　要　求　书 2/2 页 3 CN 114548278 A 3