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
脱空和不密实是隧道衬砌最常见的两种病害。在这两种病害长期作用下会导致隧道出现破裂、渗漏水、钢筋锈蚀,最终造成隧道塌方等问题,严重威胁行车安全。采用探地雷达对隧道进行无损探测是发现这些病害或缺陷的常见方式,但大量雷达数据...脱空和不密实是隧道衬砌最常见的两种病害。在这两种病害长期作用下会导致隧道出现破裂、渗漏水、钢筋锈蚀,最终造成隧道塌方等问题,严重威胁行车安全。采用探地雷达对隧道进行无损探测是发现这些病害或缺陷的常见方式,但大量雷达数据的人工识别存在着工作量大、效率低、强烈依赖人员的专业素养等问题。本文提出一种基于深度学习的隧道衬砌缺陷的自动检测方法——自监督多尺度池化区域卷积神经网络方法(Self-monitoring Multi-scale ROI Align Region Convolutional Neural Network,SMR-RCNN),以提高缺陷识别的效率,并减少主观因素的影响。在雷达探测隧道衬砌的实践中,数据量巨大,但缺陷样本却很少,这对训练神经网络是一个相当大的挑战。为此,设计了一种数据增强的方法来增加缺陷的样本数量,且使用一种自监督对比学习的网络模型来提取雷达数据的特征,然后将其迁移到改进后的Faster-RCNN网络模型中;最后,使用有标签的样本对改进的Faster-RCNN网络进行细调训练。实验结果表明,相较于传统的Faster-RCNN方法,本文提出的算法增强了神经网络对脱空和不密实两类缺陷的自动识别能力,在检测精度上得到了显著提高,mAP值提升了12%。展开更多
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。
文摘脱空和不密实是隧道衬砌最常见的两种病害。在这两种病害长期作用下会导致隧道出现破裂、渗漏水、钢筋锈蚀,最终造成隧道塌方等问题,严重威胁行车安全。采用探地雷达对隧道进行无损探测是发现这些病害或缺陷的常见方式,但大量雷达数据的人工识别存在着工作量大、效率低、强烈依赖人员的专业素养等问题。本文提出一种基于深度学习的隧道衬砌缺陷的自动检测方法——自监督多尺度池化区域卷积神经网络方法(Self-monitoring Multi-scale ROI Align Region Convolutional Neural Network,SMR-RCNN),以提高缺陷识别的效率,并减少主观因素的影响。在雷达探测隧道衬砌的实践中,数据量巨大,但缺陷样本却很少,这对训练神经网络是一个相当大的挑战。为此,设计了一种数据增强的方法来增加缺陷的样本数量,且使用一种自监督对比学习的网络模型来提取雷达数据的特征,然后将其迁移到改进后的Faster-RCNN网络模型中;最后,使用有标签的样本对改进的Faster-RCNN网络进行细调训练。实验结果表明,相较于传统的Faster-RCNN方法,本文提出的算法增强了神经网络对脱空和不密实两类缺陷的自动识别能力,在检测精度上得到了显著提高,mAP值提升了12%。