利用轻量级高分辨率特征的隧道裂缝检测方法.pdf
《利用轻量级高分辨率特征的隧道裂缝检测方法.pdf》由会员分享,可在线阅读,更多相关《利用轻量级高分辨率特征的隧道裂缝检测方法.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷第期年月计算技术与自动化C o m p u t i n gT e c h n o l o g ya n dA u t o m a t i o nV o l ,N o J u n 收稿日期:基金项目:国家自然基金面上资助项目();陕西省教育厅专项科研计划(J K )作者简介:刘宏伟(),男,辽宁锦州人,本科,高级工程师,研究方向:高速公路运营管理,高速公路信息与智能化.通信联系人,E m a i l:x z c c o m文章编号:()D O I:/j c n k i j s j s y z d h 利用轻量级高分辨率特征的隧道裂缝检测方法刘宏伟,杜晓兵,徐政超,李伟,师昕(陕西交通控股集
2、团有限公司宝鸡分公司,陕西 宝鸡 ;西安工程大学 计算机科学学院,陕西 西安 ;长安大学 信息工程学院,陕西 西安 )摘要:针对现有隧道检测车采集图像成像质量不佳,且洞壁存在大量病害相似物干扰的问题,提出了一种基于轻量化的HR(h i g hr e s o l u t i o n)N e t框架的隧道病害检测算法T C(t u n n e l c r a c k)HR N e t.该算法保留了HR N e t的主干语义特征交换子网框架,移除其他分支子网络以降低模型体积.此外,为弥补“剪枝”操作导致的特征损失,在子网分支末端加入了S E模块,对特征的每一通道进行权重划分,以增强特征抽象水平.通过
3、在与精细化标注隧道病害图像数据集上进行验证,本算法的m I o U指标分别达到 与 ,高于其他对比算法,并接近HR N e t的检测结果,但是耗时比后者减少了.关键词:隧道裂缝检测;语义分割;隧道检测车图像;轻量级HR N e t;语义特征提取中图分类号:T P 文献标识码:AT u n n e lC r a c kD e t e c t i o nM e t h o dU s i n gL i g h t w e i g h tH i g h r e s o l u t i o nF e a t u r e sL I U H o n g w e i,DUX i a o b i n g,XUZ
4、 h e n g c h a o,L IW e i,S H IX i n(B a o j iB r a n c ho fS h a a n x iT r a n s p o r t a t i o nH o l d i n gG r o u pC o,L T D,B a o j i,S h a a n x i ,C h i n a;S c h o o l o fC o m p u t e rS c i e n c e,X ia nP o l y t e c h n i cU n i v e r s i t y,X ia n,S h a a n x i ,C h i n a;C h a n ga
5、 nU n i v e r s i t y,S c h o o l o f I n f o r m a t i o nE n g i n e e r i n g,X ia n,S h a a n x i ,C h i n a)A b s t r a c t:T oa d d r e s s t h ep r o b l e mo fp o o r i m a g eq u a l i t yo f t h e e x i s t i n g t u n n e l i n s p e c t i o nv e h i c l e s a n dt h e i n t e r f e r e n
6、 c eo fa l a r g en u m b e ro f d i s e a s ea n a l o g u e so nt h ec a v ew a l l,a t u n n e l d i s e a s ed e t e c t i o na l g o r i t h mT C(t u n n e l c r a c k)HR N e t i sp r o p o s e db a s e do na l i g h t w e i g h tHR(h i g hr e s o l u t i o n)N e t f r a m e w o r k I na d d i
7、t i o n,t oc o m p e n s a t e f o r t h e l o s so f f e a t u r e sd u e t ot h e“p r u n i n g”o p e r a t i o n,a nS Em o d u l e i sa d d e da t t h ee n do f t h e s u b n e tb r a n c ht ow e i g h t e a c hc h a n n e l o f t h e f e a t u r e t oe n h a n c e t h e l e v e l o f f e a t u r
8、 e a b s t r a c t i o n V a l i d a t e do nb o t hn o r m a l a n d f i n e l ya n n o t a t e d t u n n e l d i s e a s e i m a g ed a t a s e t s,t h em I o Um e t r i c so f t h i sp a p e r a r e a n d h i g h e r t h a no t h e r c o m p a r a t i v e a l g o r i t h m s,a n dc l o s e t o t
9、h ed e t e c t i o nr e s u l t s o fHR N e t,b u tw i t h l e s s t i m ec o n s u m p t i o n K e yw o r d s:t u n n e l d i s e a s ed e t e c t i o n;s e m a n t i c s e g m e n t a t i o n;t u n n e l i n s p e c t i o nv e h i c l e i m a g e s;l i g h t w e i g h tHR N e t;s e m a n t i c f e
10、 a t u r ee x t r a c t i o n我国的高速公路建设一直处于稳步前进的状态,目前总里程已位居世界第一,在 年交通运输行业发展统计公报 公布的数据中,我国公路总里程数达到 万公里,其中包含公路隧道第 卷第期刘宏伟,等:利用轻量级高分辨率特征的隧道裂缝检测方法 处、万延米,公路养护里程占总里程的,为 万公里.传统的人工裂缝检测已经不能满足如此庞大的养护里程需求,基于检测车采集图像的自动化的裂缝检测技术作为现代公路养护过程中的重要一环已被广泛使用.但是,公路隧道的裂缝检测,大部分仍然需要人工进行观察并标记,自动化检测算法并不能取得很好的准确率.其主要原因有:()隧道内部光照条
11、件有限,导致成像效果不佳;()隧道裂缝中主要的裂缝类型为线性裂缝,其中大部分为细小裂缝,不易被检测;()隧道的衬砌上存在施工接缝,容易被误检为裂缝.目前也有很多学者在进行隧道裂缝的自动化检测算法研究,张振海等利用C a n n y检测算法结合O t s u分割算法,对隧道裂缝进行分割;周丽军等使用基于分数阶F F T算法降低隧道裂缝周围的污渍干扰,并使用连通域方法进行裂缝检测;D a n g等人基于U N e t结合R e s n e t 设计了T u n n e l UR e s网络,并在高分辨率的隧道裂缝图像上取得了较高的检测准确率,但其检测对象为相机拍摄图像;高新闻等人提出了残差融合模块
12、网络(R e s f m n e t),实现了视频中的隧道裂缝检测,但检测结果采用的是检测框的形式,并不满足实际的工程需求;常惠等人通过引入挤压和激励模块S E对U N e t进行修改,以获取更精细的隧道裂缝的分割结果,但是实验对象都是开裂程度较严重且光照条件良好的高质量隧道裂缝图像,并不具有普适性.通过上述的研究可以发现,目前基于深度学习的隧道裂缝检测算法主要存在以下三个问题:()受限于隧道图像质量,针对隧道检测车采集图像为研究对象的检测算法较少;()少数基于检测车图像的检测算法的检测标的物为检测框,并不能详细地反映出裂缝的形态学特征;()现有的像素级别的裂缝检测算法即裂缝的语义分割算法,绝
13、大多数采用的是e n c o d e r d e c o d e r结构,如U N e t、F C N、D e e pL a bV V ,在进行抽象语义特征提取的池化运算以及下采样环节时容易丢失裂缝的细节特征.针对上述问题,采用HR N e t作为特征提取的骨架网络,该种网络结构可以同时保持高分辨率特征输出以及多尺度的特征交换与融合,将人体姿态估计的准确率提升到新高,但是该网络的参数较多,在进行特征交换时存在大量冗余信息.本文将HR N e t进行轻量化设计,去掉了冗余信息交换的环节,降低了参数数量,提升了网络整体的运算效率;同时针对隧道图像中裂缝像素占比较少的特点,重新设计了损失函数.实验表
14、明,提出的轻量化检 测 网 络,检 测 时 间 比 原 始HR N e t减 少 了,但是检测准确率与m I o U等指标并没有特别明显的下降.隧道裂缝检测网络(T C H R N e t)H R N e t的特征提取与特征融合H R N e t是 由W a n g J i n g d o n g等 人 于c v p r 年提出的全新的特征提取的骨架网络,它不同 于传统的R e s N e t、VG GN e t、I n c e p t i o n N e t 的骨架网络通过一支串联的多个深层的卷积层和池化层特征流去提取高度抽象的语义特征,在HR N e t中共有四支并联的由高到低不同分辨率的
15、特征流去进行特征提取,其中高分辨率(/输入图像尺寸)的特征流保留图像的低层语义信息,网络中其他三支融较低分辨率(/、/、/输入图像尺寸)的特征流依次提取不同尺度的高层语义信息.轻量化的H R N e t结构(l i t e H R)虽然HR N e t提取的特征准确性较高,但是其网络结构十分庞大,参数较多,为了得到强泛化能力的检测模型,往往需要大量数据的训练以及强大的硬件计算资源,效率较低.其内部主要的参数与计算损耗都集中在数据交换的分支内,为了避免在特征提取时丢失有意义的语义特征(大量的重复计算与冗余信息).为提升运算效率与硬件资源使用效率,本研究中去除了低分辨率(/输入图像尺寸)的分支,只
16、使用了/、/、/输入图像尺寸三个分支,如图所示,其中虚线区域就是HR N e t经过轻量化处理后留下的特征提取骨架网络模块l i t e HR.对比原始的HR N e t,本文提出的网络保留了原网络的并行分支结构与特征交换的模式,去除了小分辨的特征提取分支,减少了特征提取的卷积次数,大幅度降低了网络的参数数量.计算技术与自动化 年月图T CHR N e t网络结构图 改进的语义特征融合由于减少了一个分支的高级别特征融合,为了保证网络的特征抽象能力,同时为减少裂缝像素远低于背景像素的样本不均衡问题,本研究在HR N e t的特征融合之前加入了S E(s q u e e z ea n de x c
17、 i t a t i o n)模块对裂缝特征进行增强,以提升裂缝特征的权重,降低背景特征的权重.S E模块由H u等人 于C V P R 提出,结构如图所示,可增强原始输入特征图的通道注意力.隧道裂缝图像中的样本不均衡问题,可以利用此注意力机制进行目标像素的强化和非目标像素的弱化.如图所示,在T CHR N e t中,S E模块被放置在每一个特征分支的尾部,以增强该分支提取特征的语义.图S E模块结构实验内容 实验环境T CHR N e t网络结构基于P y T o r c h深度学习框架搭建,运行的软、硬件环境为U b u n t u 操作者系统、C P U:I n t e lX e o n
18、 GH z、内存 G以及张NV I D I AR T X 显卡(显存G).实验数据有监督的检测模型训练,需要大量标注的图像数据,如公开数据集C O C O、P A S C A LVO C等,但目前鲜有基于隧道检测车所拍摄的隧道裂缝图像数据集.本研究基于隧道检测车图像数据,结合“标注精灵”标注软件创建了实验数据集.具体标注过程见图,首先进行裂缝图像人工初筛,然后由专门的标注人员将初筛后图像中的裂缝用接近裂缝宽度的画笔进行描绘.由于数据集的图像尺寸()过长,为了保证训练时提取的裂缝特征不产生几何畸变,同时降低显存的消耗,本研究将原始图像裁剪至 .裁剪后的图像数量为 张,按照的比例分别划分为训练集、
19、验证集以及测试集.第 卷第期刘宏伟,等:利用轻量级高分辨率特征的隧道裂缝检测方法图建立隧道裂缝数据集 损失函数像素级别的隧道裂缝检测算法的本质是裂缝像素和背景像素的二分类问题,故损失函数适用B C E(b i n a r yc r o s se n t r o p y)交叉熵损失函数,函数表达式如下:LB c eNNiyil gpi(yi)l g(pi)()式中,N为图像中像素的总数;yi为第i个像素的真实值;pi为第i个像素的网络预测值.此外,本研究检测对象为正负样本分布不均衡的隧道裂缝图像,故额外引入了D i c e损失函数来调节正负样本不均衡的问题,它聚焦于个轮廓区域(真实/预测)的相似
20、度,函数定义为:D i c e L o s sxyxy()式中,x为标注的G T(g r o u n dt r u t h)图像;y为预测图像.在本研究中具体为:LD i c e(Niyipis m o o t h)(Ni(yipi)s m o o t h)()其中,s m o o t h为平滑系数,为防止分母为,在本研究中取值为.本研究将两个损失函数进行加权组合,使得检测模型更加关注裂缝显著特征的提取,而不受到负样本数量的影响,网络的整体损失函数表达式如下:LT C LB c eLD i c e()通过多 次 训 练 结 果 比 较,本 研 究 中取 值为.实验方法与参数设定为验证算法的效率
21、,本研究基于第 节中提及的隧道裂缝数据集进行了验证性实验,同时使用了三个语义分割网络(U N e t、HR N e t、D AN e t)与T CHR N e t进行对比.实验分为常规的标注数据与精细标注数据的语义分割任务,其中后者为较困难的任务,在该任务中,用于数据标注的画笔宽度仅为个像素,而常规的是个像素宽度,因此第二个任务更能说明网络对图像细节特征的提取能力.训练的实验参数设置如下:优化器使用A d a m,初始学习率设置为 ,b a t c hs i z e根据图像尺寸、模型尺寸与显存大小设置为,迭代次数设置为 次.实验结果 评价指标在结果评价中,本研究采用了语义分割常用的个指标,像素
- 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:
- 利用 轻量级 高分辨率 特征 隧道 裂缝 检测 方法
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。