地铁隧道复杂裂缝病害的图像识别算法研究

地铁隧道复杂裂缝病害的图像识别算法研究我国城市轨道交通快速发展的同时,地铁隧道基础设施的安全检测,急需自动化、智能化的理论与技术研发。地铁隧道衬砌环境恶劣,存在大量噪声和光照不匀等现象,纹理特征复杂,传统的人工和图像检测识别方法已逐步被更加智能有效的深度学习算法所替代。

因此本文提出了一种结合图像处理和深度卷积网络的地铁隧道衬砌图像识别检测算法,建立了地铁隧道病害目标图像样本库,其能够快速准确的区分裂缝图像与非裂缝图像,并能实现复杂图像中目标智能搜索和类别标注。本文构建了包含图像预处理算法、基于连通区域的图像多级特征分析算法、特征纹理连通域外接矩形提取的像素级浅层图像处理理论模型,能较大程度地滤除背景噪点,划分裂缝区域检测对象,并构造了四种初步分类的裂缝图像样本库。

结合图像处理和深度卷积神经网络的分类识别算法,利用改进的Alexnet深度卷积网络对该样本库中不同区域进行特征分析和提取,以实现裂缝图像与非裂缝图像的分类检测。并与SVM等传统分类识别算法进行了详细对比分析。

为实现更加精准的病害智能检测,本文设计了一种基于深度卷积网络的目标检测算法,无需任何像素处理操作,并构造了地铁隧道衬砌图像目标标注数据库。利用改进的SSD全卷积网络结构完成裂缝等目标的智能识别和类别标记。

基于深度学习的裂缝图像与非裂缝图像分类识别检测算法训练准确率高达98.6%,测试准确率高达97.8%,优于传统分类识别算法。且结合像素级浅层图像处理和连通域外接矩形提取构造的数据库分类效果最佳。

基于深度学习的复杂图像目标检测算法mAP值达0.531,裂缝和渗漏水纹理的AP值分别为0.424和0.718,检出率高达93.08%和94.10%。在实际地铁隧道

病害智能识别中有一定的运用价值,为后续深度学习在地铁隧道病害检测中的应用提供了技术支撑和研究思路。