許敏娟，陳瑩瑩，劉 浩

(1.昆明地鐵運(yùn)營有限公司，云南 昆明 650021；2.上海同巖土木工程科技股份有限公司，上海 200092；3.上海地下基礎(chǔ)設(shè)施安全檢測與養(yǎng)護(hù)裝備工程技術(shù)研究中心，上海 200092；4.濟(jì)南軌道交通集團(tuán)有限公司，山東 濟(jì)南 250000；5.北京交通大學(xué) 交通運(yùn)輸學(xué)院，北京 100044)

滲漏水是常見的隧道病害之一[1-2],如不及時(shí)進(jìn)行處理,會(huì)導(dǎo)致隧道內(nèi)部的鋼筋、螺栓金屬腐蝕,嚴(yán)重的引起隧道管片開裂、變形,對隧道的安全運(yùn)營構(gòu)成威脅[3]。

傳統(tǒng)人工檢測效率低、主觀因素影響大、成本高,且對交通運(yùn)營產(chǎn)生干擾,已無法滿足病害檢測的需求。近些年基于機(jī)器視覺的自動(dòng)化檢測技術(shù)獲得快速發(fā)展,主要包括激光掃描技術(shù)及攝影測量技術(shù)[4]。國內(nèi)外廠家通過研制隧道病害快速檢測專用裝備,對隧道襯砌表觀圖像進(jìn)行采集,如何實(shí)現(xiàn)基于圖像的病害自動(dòng)、準(zhǔn)確識別成為解決問題的關(guān)鍵。

黃永杰等[5]基于數(shù)字圖像算法完成盾構(gòu)隧道滲漏水自動(dòng)檢測。彭斌等[6]基于圖像分割相關(guān)處理技術(shù),通過圖像灰度轉(zhuǎn)換、選擇分割閾值、二值圖像的開閉運(yùn)算等對全景圖像的滲水區(qū)域進(jìn)行識別與修正。Protopapadakis等[7-8]通過對圖像提取熵、紋理、灰度、邊緣等多種低級特征,再輸入卷積神經(jīng)網(wǎng)絡(luò)以獲取高級特征,最后通過多層感知機(jī)對隧道病害進(jìn)行識別,但是構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)框架較簡陋。黃宏偉等[9]提出一種基于全卷積網(wǎng)絡(luò)的盾構(gòu)隧道滲漏水檢測算法,消除干擾物帶來的影響。薛亞東等[10]改進(jìn)CNN模型的inception模塊以及網(wǎng)絡(luò)結(jié)構(gòu),構(gòu)建了隧道襯砌特征圖像的分類系統(tǒng)。薛亞東等[11]通過數(shù)據(jù)統(tǒng)計(jì)和聚類算法K-means對襯砌病害幾何特征分析,優(yōu)化VGG-16網(wǎng)絡(luò)模型,基于卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN進(jìn)行病害自動(dòng)檢測。湯一平等[12]對獲取的全景圖像展開,基于圖像預(yù)處理和二值化分割處理等對疑似病害區(qū)域提取,使用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)檢測病害。

上述成果表明,利用深度學(xué)習(xí)方法進(jìn)行隧道滲漏水病害自動(dòng)識別已成為新的發(fā)展趨勢[13-14],但現(xiàn)有研究大多基于單張局部原始圖像,難以體現(xiàn)滲漏水完整的形態(tài),基于隧道全景圖像,可展示出滲漏水完整的形態(tài),使深度網(wǎng)絡(luò)可充分獲取滲漏水特征,同時(shí)也便于獲取工程中所需的病害面積等幾何特征。

隧道背景中存在螺栓、襯砌修補(bǔ)、污痕、管線等干擾,若隧道光照不均勻易導(dǎo)致采集的圖像明暗不均勻,都可造成滲漏水病害的誤識別;滲漏水形態(tài)復(fù)雜多樣,樣本不平衡可導(dǎo)致漏識別。為解決以上問題,提出基于全景圖像的隧道滲漏水病害識別方法?；诓杉娜皥D像構(gòu)建滲漏水樣本庫,使用RetinaNet目標(biāo)檢測網(wǎng)絡(luò)實(shí)現(xiàn)滲漏水區(qū)域初步定位,改進(jìn)DeepLab V3+網(wǎng)絡(luò)提高分割精度,并提出方向區(qū)域搜索算法實(shí)現(xiàn)鄰近斷開滲漏水區(qū)域的連接,算法能快速精準(zhǔn)檢測、分割滲漏水區(qū)域。

1 樣本庫建立

深度學(xué)習(xí)網(wǎng)絡(luò)模型的訓(xùn)練需要大量數(shù)據(jù)樣本[15],首先,基于二維伽馬自適應(yīng)校正算法調(diào)整全景圖像亮度,以解決圖像光照不均勻問題,效果見圖1,調(diào)整后的亮度均勻性明顯提高。然后,對處理后的全景圖像進(jìn)行人工篩選、標(biāo)注、裁剪等操作,構(gòu)建樣本庫,見圖2。

圖1 圖像預(yù)處理

圖2 滲漏水示例

滲漏水病害的灰度多樣性體現(xiàn)為:既存在噴射、涌流造成的暗黑色區(qū)域,見圖2(a);又存在滴漏、浸滲結(jié)構(gòu)腐蝕造成的白色結(jié)晶物區(qū)域,見圖2(b)。共分2個(gè)類別進(jìn)行標(biāo)注,標(biāo)簽命名為“S1”“S2”,標(biāo)注區(qū)域需大于50×50像素。樣本標(biāo)注步驟為:

Step1采用labelme軟件進(jìn)行全景圖像分割標(biāo)注,見圖3(a);對標(biāo)注獲得的分割標(biāo)簽圖擴(kuò)充區(qū)域進(jìn)行原圖裁剪,見圖3(b)。

圖3 標(biāo)注與裁剪示意

裁剪區(qū)域擴(kuò)充為Wc×Hc像素,裁剪區(qū)域左上角坐標(biāo)為

xc=xr-(Wc-Wr)/2

yc=yr-(Hc-Hr)/2

( 1 )

式中:裁剪區(qū)域?qū)?、高分別為Wc=2 560像素、Hc=2 048像素,(xr,yr)為滲漏水輪廓最小外接矩形左上角坐標(biāo)點(diǎn);Wr為矩形的寬度;Hr為矩形的高度。

Step2選用LabelImg軟件進(jìn)行滲漏水區(qū)域定位檢測標(biāo)注,見圖4。

圖4 定位檢測標(biāo)注示例

共構(gòu)建66 552張2 560×2 048像素滲漏水定位檢測數(shù)據(jù)集和66 552張2 560×2 048像素分割數(shù)據(jù)集,其中,類別S1共39 931張,類別S2共26 621,兩個(gè)類別樣本比例未達(dá)1∶1,即白色結(jié)晶物區(qū)域滲漏水樣本不平衡,易造成漏識別。

2 滲漏水識別方法

基于構(gòu)建的樣本庫進(jìn)行滲漏水識別,主要步驟包括:①區(qū)域定位檢測;②滲漏水分割;③鄰近斷開區(qū)域連接以解決因窗口滑動(dòng)預(yù)測方式而造成滲漏水分割斷裂的情況,實(shí)現(xiàn)滲漏水的精準(zhǔn)識別,流程見圖5。

圖5 滲漏水識別方法流程

2.1 滲漏水區(qū)域定位

隧道背景中存在螺栓、修補(bǔ)、污痕、管線等干擾,易造成誤識別,通過搭建RetinaNet網(wǎng)絡(luò),實(shí)現(xiàn)滲漏水區(qū)域的定位檢測,降低誤識別,以便后續(xù)基于準(zhǔn)確檢測到的滲漏水區(qū)域進(jìn)行分割處理。

RetinaNet網(wǎng)絡(luò)由骨干網(wǎng)絡(luò)、分類和邊界回歸子網(wǎng)絡(luò)構(gòu)成,用于特征提取的骨干網(wǎng)絡(luò)可選擇VGG、殘差網(wǎng)絡(luò)ResNet、密集連接卷積神經(jīng)網(wǎng)絡(luò)DenseNet[16],本文采用ResNet50。通過骨干網(wǎng)絡(luò)對高層語義特征進(jìn)行提取映射,使用FPN提取相同維度的多種尺度的特征進(jìn)行融合,最后將特征送到分類和邊界回歸子網(wǎng)絡(luò)中,見圖6。

圖6 RetinaNet結(jié)構(gòu)

RetinaNet網(wǎng)絡(luò)采用新型損失函數(shù)Focal Loss,通過調(diào)制因子,使得網(wǎng)絡(luò)能專注于滲漏水區(qū)域,模型訓(xùn)練過程中,增大困難樣本滲漏水區(qū)域的權(quán)重,減小簡單樣本背景區(qū)域的權(quán)重,實(shí)現(xiàn)滲漏水區(qū)域定位,檢測效果見圖7。

圖7 滲漏水區(qū)域定位

2.2 滲漏水分割

DeepLab[17]系列網(wǎng)絡(luò)是圖像分割領(lǐng)域成熟且主流的網(wǎng)絡(luò),選擇DeepLab V3+進(jìn)行滲漏水分割。但滲漏水是形態(tài)復(fù)雜多樣的非剛性目標(biāo),DeepLab V3+存在一定的不足,網(wǎng)絡(luò)誤識別及漏識別較高,且不能滿足工程自動(dòng)識別速率要求。對此,改進(jìn)DeepLab V3+網(wǎng)絡(luò),在保證分割準(zhǔn)確率的同時(shí),對模型進(jìn)行壓縮,加快運(yùn)行推理速度,網(wǎng)絡(luò)結(jié)構(gòu)見圖8。

圖8 改進(jìn)的DeepLab V3+網(wǎng)絡(luò)結(jié)構(gòu)圖

從骨干網(wǎng)絡(luò)、可變形金字塔、損失函數(shù)三大部分改進(jìn)網(wǎng)絡(luò),并進(jìn)行改進(jìn)效果對比測試。

2.2.1 骨干網(wǎng)絡(luò)

骨干網(wǎng)絡(luò)選用輕量化網(wǎng)絡(luò)MobileNet V2,基于逐點(diǎn)卷積PW和深度卷積DW進(jìn)行特征的提取。DW卷積上層輸入通道的數(shù)量決定了輸出通道的數(shù)量,自身無法改變通道的數(shù)量。若上層輸入通道數(shù)較少,DW僅可以提取較低維度的特征,對此MobileNet V2在DW卷積前構(gòu)建了一個(gè)升維系數(shù)是6的PW,以便提取高維特征。確保不管輸入的通道數(shù)多大,DW都能夠基于逐點(diǎn)卷積在更高的維度提取特征。

2.2.2 可變形金字塔

原始ASPP模塊使用的標(biāo)準(zhǔn)卷積核基于規(guī)則格點(diǎn)采樣,其感受野在同一層中不同位置的大小完全相同,無法依據(jù)檢測目標(biāo)的尺度進(jìn)行調(diào)整。滲漏水這類形態(tài)復(fù)雜的非剛性目標(biāo)在圖中不同位置,對應(yīng)的尺度和形態(tài)也不同,標(biāo)準(zhǔn)卷積核不能很好地適應(yīng)滲漏水特征變化。

為使模型能夠適應(yīng)物體的各種形狀,DeepLab V3+使用數(shù)據(jù)增強(qiáng)處理,通過數(shù)據(jù)集使網(wǎng)絡(luò)適應(yīng)目標(biāo)的形態(tài)變化比較耗時(shí),且對網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)有很高的要求。對此,引入可變形卷積核,將DeepLab V3+中ASPP模塊采用的標(biāo)準(zhǔn)卷積核進(jìn)行替換,可得

( 2 )

式中:Y為輸出特征圖;W為權(quán)重;X為輸入特征圖;p0為特征圖Y上的某一點(diǎn);pn為標(biāo)準(zhǔn)采樣點(diǎn);Δpn為需要增加的位置偏移;R為感受野的尺寸,R={(-1,-1),(-1,0),…,(0,1),(1,1)}。

二維圖像中,每個(gè)像素點(diǎn)在x和y兩個(gè)維度上均有9個(gè)偏置方向。基于單個(gè)通道數(shù)為18的卷積層獲取位置偏移,并將該偏移量加入輸入層固定的采樣區(qū)域,進(jìn)而使原始卷積窗口發(fā)生了不同位置的平移。原始特征圖上沒有與新位置對應(yīng)的像素,因此采用雙線性插值算法生成新的特征圖,且保證分辨率不變。

DeepLab V3+加入可變形卷積,使感受野能夠自適應(yīng)滲漏水尺度的變化,對信息的融合更加靈活,提高分割網(wǎng)絡(luò)對滲漏水形態(tài)變化的學(xué)習(xí)能力。

2.2.3 損失函數(shù)

滲漏水樣本不平衡以致漏識別,為此引入Focal Loss損失函數(shù),并結(jié)合逐像素交叉熵?fù)p失函數(shù),通過對樣本類別占比與判定閾值比較,自適應(yīng)選擇損失函數(shù)訓(xùn)練模型。

Focal Loss損失函數(shù)FL(pt)為

FL(pt)=-α(1-pt)γln(pt)

( 3 )

式中:α和γ為2個(gè)超參數(shù),控制難易檢測不平衡的樣本權(quán)重;pt為模型預(yù)測的概率;α(1-pt)γ為調(diào)制因子。

基于調(diào)制因子獲取不同的損失,簡單樣本的pt較大則減小相應(yīng)權(quán)重,困難不平衡樣本的pt較小則增大相應(yīng)權(quán)重,使模型集中在困難不平衡樣本上進(jìn)行訓(xùn)練。

逐像素交叉熵?fù)p失函數(shù)Lseg為

[1-sgt(c,x,y)]log[1-spred(c,x,y)]}

( 4 )

式中:n為類別的總數(shù);h、w為圖像的長度和寬度;sgt(c,x,y)為像素(x,y)是否屬于類別c;spred(c,x,y)為像素(x,y)預(yù)測屬于類別c的概率;Lseg為每個(gè)像素的預(yù)測spred(c,x,y)與標(biāo)注sgt(c,x,y)誤差損失和的平均值。

當(dāng)訓(xùn)練樣本類別S1∶S2不滿足1∶1時(shí),使用Focal Loss損失函數(shù),當(dāng)類別S1和S2樣本比例平衡時(shí),使用逐像素交叉熵?fù)p失函數(shù)。

2.2.4 改進(jìn)效果

隨機(jī)選取圖像進(jìn)行對比測試:①原始ASPP與引入可變形卷積效果對比見圖9;②原始損失函數(shù)與融合Focal Loss損失函數(shù)效果對比見圖10。

圖9 原始ASPP與引入可變形卷積效果對比

圖10 融合Focal Loss損失函數(shù)效果對比

圖9(a)中原圖存在形狀、尺度大小不一的兩處滲漏水,基于原始ASPP模塊的標(biāo)準(zhǔn)卷積核,感受野未依據(jù)滲漏水的尺度進(jìn)行調(diào)整,僅檢測到紅色框中滲漏水區(qū)域,造成黃色框內(nèi)滲漏水區(qū)域漏識別,引入可變形卷積后,能夠準(zhǔn)確檢測到兩處滲漏水,降低漏檢數(shù);圖10(a)中原圖存在白色結(jié)晶物滲漏水區(qū)域,數(shù)據(jù)集中此類滲漏水樣本比例不平衡,基于原始損失函數(shù)訓(xùn)練的檢測模型難以檢測,造成漏識別,引入Focal Loss損失函數(shù),增大樣本的訓(xùn)練權(quán)重,使模型能夠精準(zhǔn)檢測到此處滲漏水區(qū)域,以降低漏檢數(shù)。

改進(jìn)后的網(wǎng)絡(luò)最終分割效果見圖11。圖11(a)為一張背景復(fù)雜的滲漏水圖像,包含線纜、交通錐、鋁窗、襯砌修補(bǔ)等干擾,圖11(b)為Deeplab v3+分割效果,網(wǎng)絡(luò)將交通錐誤識別為滲漏水區(qū)域,進(jìn)行分割;改進(jìn)后分割效果見圖11(c),算法不僅能避免復(fù)雜背景造成的干擾,正確識別出滲漏水區(qū)域,且對滴漏、浸滲結(jié)構(gòu)腐蝕造成的白色結(jié)晶物區(qū)域這類不平衡樣本,也能夠完整且精準(zhǔn)分割出滲漏水區(qū)域。

圖11 滲漏水區(qū)域效果比較

2.3 鄰近斷開區(qū)域連接

實(shí)際工程中檢測圖像為分辨率超過3 000×4 000的隧道全景圖,而網(wǎng)絡(luò)輸入尺寸為513×513,若對原始全景圖進(jìn)行檢測,圖像會(huì)被壓縮,丟失大量信息,因此在全景圖上進(jìn)行窗口滑動(dòng)預(yù)測,但此方法會(huì)造成完整相連的滲漏水區(qū)域被切斷,導(dǎo)致分割結(jié)果不完整。對此,提出方向區(qū)域搜索算法實(shí)現(xiàn)滲漏水鄰近斷開區(qū)域的連接。算法步驟如下:

Step1當(dāng)前滲漏水輪廓區(qū)域A1查找最小外接矩形R,矩形R左上角坐標(biāo)點(diǎn)為Ru(xu,yu)、右下角坐標(biāo)點(diǎn)為Rd(xd,yd)。

Step2對滲漏水輪廓區(qū)域A1進(jìn)行上下左右四方向區(qū)域搜索,以向下搜索滲漏水區(qū)域A2為例,見圖12,限定向下搜索距離為T像素,依據(jù)經(jīng)驗(yàn)值設(shè)T為25,分割圖Is的寬、高分別記為Ws、Hs:

圖12 四方向區(qū)域搜索示意圖

Step2.1行坐標(biāo)遍歷范圍為[ys,ye],列坐標(biāo)遍歷范圍為[xs,xe],設(shè)xl記錄搜索到的左邊列坐標(biāo)最小值,xr記錄右邊列坐標(biāo)最大值。

Step2.2對分割圖Is從上至下逐行遍歷,當(dāng)前行yt從左至右搜索非0像素,一旦搜索到,記錄左邊坐標(biāo)為(xz,yt),同時(shí)從右至左搜索非0像素,一旦搜索到,記錄右邊坐標(biāo)為(xy,yt),當(dāng)滿足條件xzxr,則xr=xy。

Step2.3繼續(xù)遍歷yt+1行,重復(fù)Step2.2中操作,直至遍歷完所有行。若最終未搜索到,則跳轉(zhuǎn)Step2.3,進(jìn)行其他方向搜索。

Step2.4基于分割圖Is截取限定區(qū)域A′2,A′2左上角坐標(biāo)(xl,ys),寬度為WA′2=|xr-xl|,高度為HA′2=|ye-ys|,截取限定區(qū)域A′1,A′1左上角坐標(biāo)為(xu,2yd-ye),寬度為WA′1=|xd-xu|,高度為HA′1=|ye-ys|。

Step2.5提取限定區(qū)域A′2和A′1最左邊指定寬度范圍Dl=10像素區(qū)域內(nèi)邊緣像素坐標(biāo)點(diǎn),考慮分割邊緣存在毛刺拐點(diǎn)的情況,如圖13(b)紅色框放大區(qū)域所示,使用RANSAC[18]算法進(jìn)行多項(xiàng)式曲線擬合,以剔除毛刺拐點(diǎn)帶來的干擾,使擬合的曲線更貼近滲漏水輪廓形態(tài),如圖13(d)藍(lán)色框放大區(qū)域所示,連接A1和A2斷開區(qū)域左邊部分,右邊部分做同樣處理,連接滲漏水鄰近斷開輪廓。

圖13 鄰近斷開區(qū)域連接

Step3其余方向搜索操作處理同Step2。

為使連接的輪廓更平滑,進(jìn)行形態(tài)學(xué)閉運(yùn)算處理,最終效果見圖13。

3 試驗(yàn)與分析

通過上海同巖土木工程科技股份有限公司自主研制的隧道智能檢測車進(jìn)行隧道襯砌表觀病害圖像的快速采集,采集了海量襯砌表觀病害圖像。

基于Visual Studio 2015開發(fā)環(huán)境、OPENCV圖像庫、Tensorflow深度學(xué)習(xí)網(wǎng)絡(luò)框架,在配置有GTX1660 GPU的PC上對采集的圖像進(jìn)行樣本標(biāo)注、模型訓(xùn)練及結(jié)果分析。

3.1 滲漏水定位檢測

對構(gòu)建的66 552張定位檢測數(shù)據(jù)集,以8∶2的比例隨機(jī)選取圖像作為訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù),初始學(xué)習(xí)率為0.001,批量大小為8,圖像訓(xùn)練輪次500次。通過C++編程語言實(shí)現(xiàn)Retinanet模型的調(diào)用,置信度設(shè)為0.5,對輸入的圖像進(jìn)行滲漏水區(qū)域定位檢測,部分結(jié)果見圖14。

圖14 滲漏水定位檢測

對6 552張裁剪小圖進(jìn)行滲漏水定位批量檢測,以驗(yàn)證模型定位效果。圖像共有6 825處滲漏水,正確檢測到6 376處,定位準(zhǔn)確率可達(dá)93.42%,僅449處檢測錯(cuò)誤,誤檢率為6.58%,模型定位效果可靠。

3.2 目標(biāo)區(qū)域分割

同理,對構(gòu)建的66 552張分割數(shù)據(jù)集,以8∶2的比例隨機(jī)選取訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù),初始學(xué)習(xí)率為0.001,批量大小為16,共進(jìn)行30 000次迭代訓(xùn)練。

前期定位檢測到滲漏水區(qū)域之后,將檢測到的區(qū)域送入改進(jìn)的DeepLab V3+網(wǎng)絡(luò)進(jìn)行分割,部分分割結(jié)果見圖15。

圖15 滲漏水區(qū)域分割

選取Unet、Deeplab V3+算法與本文算法進(jìn)行對比分析,不同算法滲漏水分割效果見圖16,圖16(b)為人工標(biāo)注的滲漏水標(biāo)簽圖,作為各個(gè)算法分割效果對比的標(biāo)準(zhǔn)。

圖16 算法分割效果對比

圖16(a)中①圖的兩處滲漏水位置較接近,Unet[19-20]、Deeplab V3+算法將其作為一個(gè)整體,進(jìn)行分割,本文算法能將兩個(gè)滲漏水區(qū)域獨(dú)立分割出來;對于②圖,Unet、Deeplab V3+算法存在過分割以及分割不完整的情況;對于③圖,Unet算法對滲漏水區(qū)域過度分割,且第二處較小滲漏水區(qū)域漏分割,Deeplab V3+算法對兩處滲漏水均分割不完整;對于④圖,Unet算法存在過度分割問題,Deeplab V3+算法能較好的分割;對于①～④圖,本文算法均能較好的分割,且與標(biāo)簽圖對比,分割結(jié)果更精準(zhǔn);⑤圖相較其他算法,本文分割效果仍是最好的,因此類為多處局部散點(diǎn)滲漏水,無詳實(shí)的滲漏水邊界,導(dǎo)致存在分割不完整的情況;⑥圖中的滲漏水,所有算法均未檢測到,此類是襯砌修補(bǔ)過后的幾處局部點(diǎn)滲漏水,在襯砌修補(bǔ)的痕跡上,滲漏水的特征表現(xiàn)不明顯,以至難以檢測。

為了更客觀的對各種算法進(jìn)行評價(jià),分別從分割精度以及處理速度兩個(gè)方面對比分析,使用分割指標(biāo)平均交并比(MIoU)[21-22]進(jìn)行評估,見表1。

表1 不同算法性能對比

由表1可知,Unet和Deeplab V3+算法的平均交并比分別為83.54%、87.72%,本文算法引進(jìn)可變形卷積以及自適應(yīng)選擇多類別損失函數(shù),將分割指標(biāo)提高3.3%,可更好地適應(yīng)滲漏水形態(tài)變化;“時(shí)間”指平均處理一張2 560×2 048像素圖像的時(shí)間,Unet和Deeplab V3+算法的檢測時(shí)間分別為0.11、0.39 s,本文算法基于Deeplab V3+進(jìn)行改進(jìn),網(wǎng)絡(luò)結(jié)構(gòu)相對Unet較為復(fù)雜,處理時(shí)間也略高于Unet,但使用輕量化網(wǎng)絡(luò)MobileNet V2,在保證分割精度的同時(shí),處理時(shí)間比Deeplab V3+低。

3.3 鄰近斷開區(qū)域連接處理

實(shí)際工程應(yīng)用中,檢測圖像大小為8 000×5 500像素的隧道全景圖像,為了保證滲漏水檢測識別的效果以及滿足定位檢測、分割網(wǎng)絡(luò)圖像輸入尺寸的要求,

基于全景圖采用窗口滑動(dòng)預(yù)測方式識別滲漏水,滑窗大小設(shè)置為2 560×2 048像素,水平和垂直方向滑動(dòng)步長設(shè)置為1 000像素,示意見圖17。

圖17 窗口滑動(dòng)示意圖(單位:像素)

圖17中,完整的滲漏水區(qū)域會(huì)因窗口滑動(dòng)預(yù)測方式,被切割為上下、左右多個(gè)部分進(jìn)行檢測,部分被割裂的滲漏水區(qū)域易被誤識別為背景進(jìn)而被剔除,造成滲漏水分割不完整,產(chǎn)生斷裂的情況,基于本文提出的方向區(qū)域搜索算法,實(shí)現(xiàn)滲漏水鄰近斷開輪廓的連接,效果見圖18。

圖18 鄰近斷開輪廓后處理

經(jīng)過滑窗檢測的分割方式,獲得圖18(b)輪廓斷開的分割圖;對于原圖①,經(jīng)過向上區(qū)域搜索,實(shí)現(xiàn)斷開輪廓的連接;原圖②、③,分別使用向左、向右區(qū)域搜索算法,連接鄰近區(qū)域;鄰近斷開輪廓連接之后,再經(jīng)過形態(tài)學(xué)閉運(yùn)算處理平滑邊緣,最終效果見圖18(c)。

本算法已集成于同濟(jì)曙光病害自動(dòng)識別軟件中,并進(jìn)行了大量工程應(yīng)用,部分隧道全景圖像滲漏水檢測效果見圖19。

圖19 隧道全景圖像檢測效果

圖19基于提出的隧道滲漏水自動(dòng)識別算法,能夠精準(zhǔn)定位到滲漏水區(qū)域,并完成精細(xì)分割,滿足實(shí)際工程應(yīng)用需求。

4 結(jié)論

基于深度學(xué)習(xí)算法實(shí)現(xiàn)隧道滲漏水自動(dòng)識別,構(gòu)建滲漏水樣本庫,重點(diǎn)分析并改進(jìn)DeepLab V3+分割網(wǎng)絡(luò),并提出了方向區(qū)域搜索算法,實(shí)現(xiàn)鄰近斷開滲漏水區(qū)域的自動(dòng)連接。研究結(jié)果表明:

(1)改進(jìn)DeepLab V3+分割網(wǎng)絡(luò),引入可變形卷積,使感受野自適應(yīng)滲漏水復(fù)雜形態(tài)的尺度變化,并將逐像素交叉熵?fù)p失函數(shù)與Focal Loss損失函數(shù)結(jié)合,基于類別占比自主選擇損失函數(shù),可解決背景復(fù)雜、樣本不平衡帶來的誤識別及漏識別問題。

(2)與分割網(wǎng)絡(luò)UNet、DeepLab V3+進(jìn)行對比,實(shí)驗(yàn)結(jié)果表明本文算法在滲漏水分割的準(zhǔn)確度上有更好的表現(xiàn),結(jié)合提出的方向區(qū)域搜索算法,實(shí)現(xiàn)滲漏水鄰近斷開區(qū)域的連接。

(3)研究成果可應(yīng)用于隧道滲漏水自動(dòng)化檢測,檢測效果更精準(zhǔn)、更高效,已進(jìn)行了工程應(yīng)用。后續(xù)工作需要對滲漏水類別進(jìn)一步細(xì)分,進(jìn)行研究。