针对修建在高寒区的隧道衬砌存在的所处环境恶劣、冻害频发、衬砌图像干扰因素多、冻害目标尺度不一致及传统人工目视检测方法效率低下且成本昂贵等问题,提出了基于HRNetV2的高寒区隧道衬砌冻害检测方法。首先以HRNetV2为基础模型,提出...针对修建在高寒区的隧道衬砌存在的所处环境恶劣、冻害频发、衬砌图像干扰因素多、冻害目标尺度不一致及传统人工目视检测方法效率低下且成本昂贵等问题,提出了基于HRNetV2的高寒区隧道衬砌冻害检测方法。首先以HRNetV2为基础模型,提出改进模型,在主干特征提取网络结合迁移学习的知识,在结构中引入注意力机制以加强模型对于冻害特征的学习能力,并使用Focalloss作为损失函数以解决类别不平衡问题。为验证改进后模型的性能,使用高清摄像头采集高寒区隧道衬砌冻害图像,经过裁剪及数据增强等手段,建立一个包含2800张图像的冻害数据集。实验结果表明,改进后的模型在冻害数据集上的平均交并比(mean intersection over union,mIoU)可达到89.05%,相比原始模型提升了5.41%,在面对复杂形态冻害时展现出较好的鲁棒性,可直接应用于高分辨率原图;且在综合性能上优于DeeplabV3+、U-Net、PSPNet三种模型。所提方法可准确、安全地实现衬砌冻害智能检测,可为高寒区隧道智能化运维提供一定技术支持。展开更多
隧道衬砌内部空洞等病害检测已经成为隧道检修人员的主要工作之一。本文提出一种将探地雷达与深度学习相结合的隧道衬砌空洞检测方法,通过雷达探测和仿真模拟,得到大量衬砌雷达图像,并对图像进行标注和制作数据集。基于YOLOv5(You Only ...隧道衬砌内部空洞等病害检测已经成为隧道检修人员的主要工作之一。本文提出一种将探地雷达与深度学习相结合的隧道衬砌空洞检测方法,通过雷达探测和仿真模拟,得到大量衬砌雷达图像,并对图像进行标注和制作数据集。基于YOLOv5(You Only Look Once version 5)目标检测模型,结合数据集目标特征,提出一种检测衬砌空洞的算法,引入特征融合模块提高网络感受野,并采用K-means聚类算法提高检测准确率。通过现场检测,本文的检测方法准确率达到了97.7%,准确可靠,可在工程中进行应用。展开更多
文摘针对修建在高寒区的隧道衬砌存在的所处环境恶劣、冻害频发、衬砌图像干扰因素多、冻害目标尺度不一致及传统人工目视检测方法效率低下且成本昂贵等问题,提出了基于HRNetV2的高寒区隧道衬砌冻害检测方法。首先以HRNetV2为基础模型,提出改进模型,在主干特征提取网络结合迁移学习的知识,在结构中引入注意力机制以加强模型对于冻害特征的学习能力,并使用Focalloss作为损失函数以解决类别不平衡问题。为验证改进后模型的性能,使用高清摄像头采集高寒区隧道衬砌冻害图像,经过裁剪及数据增强等手段,建立一个包含2800张图像的冻害数据集。实验结果表明,改进后的模型在冻害数据集上的平均交并比(mean intersection over union,mIoU)可达到89.05%,相比原始模型提升了5.41%,在面对复杂形态冻害时展现出较好的鲁棒性,可直接应用于高分辨率原图;且在综合性能上优于DeeplabV3+、U-Net、PSPNet三种模型。所提方法可准确、安全地实现衬砌冻害智能检测,可为高寒区隧道智能化运维提供一定技术支持。
文摘隧道衬砌内部空洞等病害检测已经成为隧道检修人员的主要工作之一。本文提出一种将探地雷达与深度学习相结合的隧道衬砌空洞检测方法,通过雷达探测和仿真模拟,得到大量衬砌雷达图像,并对图像进行标注和制作数据集。基于YOLOv5(You Only Look Once version 5)目标检测模型,结合数据集目标特征,提出一种检测衬砌空洞的算法,引入特征融合模块提高网络感受野,并采用K-means聚类算法提高检测准确率。通过现场检测,本文的检测方法准确率达到了97.7%,准确可靠,可在工程中进行应用。
