一种隧道螺栓锈蚀区域识别方法及系统与流程

本公开涉及隧道安全以及缺陷识别相关，具体地说，是涉及一种隧道螺栓锈蚀区域识别方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。

2、在现代隧道工程中，螺栓作为连接和固定结构件的关键部件，其安全性和稳定性对隧道的整体安全具有至关重要的影响。然而，随着隧道使用年限的增加，螺栓因受到环境因素的侵蚀(如潮湿、腐蚀介质等)，易发生锈蚀现象，导致螺栓性能下降，甚至引发安全隐患。因此，准确、快速地检测隧道螺栓的锈蚀程度，对保障隧道的安全运营具有重要意义。

3、传统的螺栓锈蚀检测方法主要依赖于人工检查和传感器技术。人工检查通常需要专业人员通过目视或使用简单工具对螺栓进行逐一检查，这种方法不仅耗时耗力，而且由于人为主观因素，检测结果的准确性和一致性较低，在短暂的3小时隧道检修窗口期，即使是技术熟练的隧道巡检工人也只能检查近3公里，人工检测效率低、漏检率高、虚警率高。传感器技术则通过安装在螺栓上的传感器监测其腐蚀状态，但这种方法成本高、维护复杂，且传感器本身的可靠性和寿命也可能受到环境影响。

4、随着计算机视觉技术的发展，基于图像处理的螺栓锈蚀检测方法逐渐受到关注。这些方法通常使用摄像采集设备对隧道螺栓进行图像采集，然后通过图像分割、边缘检测和形态学操作等传统图像处理技术对螺栓表面的锈蚀区域进行识别。传统的图像处理算法依赖于手工设计的特征和硬编码算法，它们在光照、方向和视点变化下可能表现出较低的性能，限制了隧道螺栓检测的抗干扰能力。

5、近年来，深度学习在图像处理和计算机视觉领域取得了显著进展，深度学习方法通过构建多层神经网络，可以自动从数据中学习特征，有效克服了传统方法中手工设计特征的局限性。但是基于深度学习的螺栓锈蚀检测存在漏检率和误检率高的问题，当螺栓锈蚀区域很小时，在整幅图像中锈蚀特征占比过小，经过一系列的卷积池化操作后锈蚀区域的特征可能会消失或被忽略；可见，现有的深度学习模型不能识别较小的锈蚀区域，螺栓上的较小的锈蚀缺陷的识别存在问题。

技术实现思路

1、本公开为了解决上述问题，提出了一种隧道螺栓锈蚀区域识别方法及系统，构建的隧道螺栓锈蚀检测模型，能够实现螺栓锈蚀部位的像素级分割，并能够达到较好的预测结果。

2、为了实现上述目的，本公开采用如下技术方案：

3、一个或多个实施例提供了一种隧道螺栓锈蚀区域识别方法，包括如下步骤：

4、获取待识别的螺栓图像；

5、将图像输入至改进后的采用编码器-解码器结构的隧道螺栓锈蚀检测模型，通过编码器骨干网络进行多层次深度特征提取；

6、改进后的隧道螺栓锈蚀检测模型的编码器骨干网络包括cbl块，最大池化层，以及多个依次交替连接的密集连接模块dense block与transition连接块；transition连接块连接两个相邻的密集连接模块dense block，用于控制特征图的大小和通道数；

7、在解码器中引入注意力机制，将提取的多层次深度特征进行上采样，并使用注意力机制动态调整空间和通道特征图的权重，进行加权后得到加权特征图；

8、将加权特征图与编码器对应层输出的深度特征进行特征融合，得到与输入图像尺寸相同的特征图并进行转换，得到螺栓锈蚀区域分割图。

9、一个或多个实施例提供了一种隧道螺栓锈蚀区域识别系统，包括：

10、获取模块：被配置为获取待识别的螺栓图像；

11、特征提取模块：被配置为将图像输入至改进后的采用编码器-解码器结构的隧道螺栓锈蚀检测模型，通过编码器骨干网络进行多层次深度特征提取；

12、改进后的隧道螺栓锈蚀检测模型的编码器骨干网络包括cbl块，最大池化层，以及多个依次交替连接的密集连接模块与transition连接块；transition连接块连接两个相邻的密集连接模块，用于控制特征图的大小和通道数；

13、上采样模块：被配置为在解码器中引入注意力机制，将提取的多层次深度特征进行上采样，并使用注意力机制动态调整空间和通道特征图的权重，进行加权后得到加权特征图；

14、融合识别模块：被配置为将加权特征图与编码器对应层输出的深度特征进行特征融合，得到与输入图像尺寸相同的特征图并进行转换，得到螺栓锈蚀区域分割图。

15、一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述的一种隧道螺栓锈蚀区域识别方法中的步骤。

16、与现有技术相比，本公开的有益效果为：

17、本公开中，构建的隧道螺栓锈蚀检测模型，编码器的骨干网络包括密集连接模块dense block与transition连接块交替连接的结构，基于密集连接模块dense block，对输入的图像进行特征提取，在使用更少的参数的前提下，能够保持较高准确率，同时能够有效地重用特征，能够有效识别较小的缺陷区域，避免了信息和梯度的消失问题，减少过拟合，增加了模型的泛化能力；基于transition连接块能够减少特征图的维度，从而降低计算复杂度；从而提高了特征的提取效果并保持模型系统的运行效率。

18、本公开的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。

技术特征：

1.一种隧道螺栓锈蚀区域识别方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种隧道螺栓锈蚀区域识别方法，其特征在于：编码器的骨干网络用于提取输入图像的多层特征，包括依次连接的一个cbl块，一个最大池化层，多个密集连接模块以及多个transition连接块；密集连接模块之间通过transition连接块连接；多个密集连接模块分别输出深度特征，得到提取的多层次深度特征。

3.如权利要求1所述的一种隧道螺栓锈蚀区域识别方法，其特征在于：

4.如权利要求3所述的一种隧道螺栓锈蚀区域识别方法，其特征在于：dense layer模块包括依次连接的输入层、批量归一化层、relu非线性激活层、1×1卷积层、批量归一化层、3×3卷积层和输出层。

5.如权利要求3所述的一种隧道螺栓锈蚀区域识别方法，其特征在于：每个denselayer模块对输入特征的处理，包括如下步骤：

6.如权利要求1所述的一种隧道螺栓锈蚀区域识别方法，其特征在于：

7.如权利要求6所述的一种隧道螺栓锈蚀区域识别方法，其特征在于，每个上采样模块执行上采样操作，包括如下步骤：

8.如权利要求6所述的一种隧道螺栓锈蚀区域识别方法，其特征在于：

9.一种隧道螺栓锈蚀区域识别系统，其特征在于，包括：

10.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-8任一项所述的一种隧道螺栓锈蚀区域识别方法中的步骤。

技术总结
本公开涉及隧道安全以及缺陷识别技术领域，提出了一种隧道螺栓锈蚀区域识别方法及系统，首先，构建采用编码器‑解码器结构的隧道螺栓锈蚀检测模型，改进后的隧道螺栓锈蚀检测模型的编码器骨干网络包括最大池化层，以及多个依次交替连接的密集连接模块与Transition连接块；Transition连接块连接两个相邻的密集连接模块，用于控制特征图的大小和通道数；在解码器中进行上采样，并基于注意力机制动态调整空间通道特征图权重，将基于权重的特征图与编码器对应层输出的深度特征进行特征融合，得到螺栓锈蚀区域分割图。构建的隧道螺栓锈蚀检测模型，能够实现螺栓锈蚀部位的像素级分割，并能够达到较好的预测结果。

技术研发人员：马千福,杨一帆,赵钦君,章罕,赵康,申涛,房善昌
受保护的技术使用者：济南声远检测技术有限公司
技术研发日：
技术公布日：2024/12/2