本发明涉及一种基于深度学习的隧道漏水检测方法及智能检测系统。
背景技术：
1、由于隧道施工条件复杂，需要考虑地质条件、周围环境等等，隧道中会经常出现衬砌各种缺陷问题，对隧道安全问题造成严重影响，隧道漏水是隧道衬砌出现各种问题的初期表现。原有的人工隧道漏水检测的方法，不仅耗时耗力甚至会出现人身安全问题，因此隧道漏水智能化检测至关重要。传统的机器学习图像识别，区域选择策略没有针对性，时间复杂度高，窗口冗余手工设计的特征对于多样性的变化并没有很好的鲁棒性。近几年卷积神经网络发展，使得深度学习图像识别快速发展。因此需要有个自动化、效果好于传统机器学习图像识别的检测技术，从而能够及时的检测隧道漏水，发现病害并进行养护，避免造成损失。
技术实现思路
1、本发明针对之前隧道智能检测所遇到的问题，提供一种基于深度学习的隧道漏水检测方法及系统，可以自动识别隧道漏水，提高隧道漏水检测效率和获得更好的鲁棒性。
2、一种基于深度学习的隧道漏水检测方法，包括以下步骤：
3、s1：预处理隧道当前漏水的图片得到预测集，预处理隧道历史漏水的图片得到训练集；
4、s2：构建包括cascade mask r-cnn、第一检测器和第二检测器的网络模型，使用所述训练集训练所述网络模型；
5、s3：将所述预测集输入所述训练后的网络模型得到隧道漏水检测结果。
6、进一步地，所述网络模型为卷积神经网络模型。
7、进一步地，所在使用所述训练集训练该网络模型前，使用基于大型可视化数据库的骨干网络进行预训练。
8、进一步地，使用所述训练集训练所述网络模型时，优化训练效果使用的方法包括：
9、采用由一系列经过iou阈值训练的检测器组成的级联策略模型，使用当前检测器的输出作为下一个检测器的训练集，对检测器进行顺序训练。
10、进一步地，所所述cascade mask r-cnn包括mask r-cnn、区域建议网络(rpn)、颈部网络、头部网络；其中，所述区域建议网络用于生成多个候选区域，颈部网络对所述候选区域采用双线性插值法进行特征提取，所述头部网络对特征区域通过三个同级输出层分类、检测和分割，选择相应的信道进行掩码。
11、进一步地，所所述的第一检测器是对于cascade mask r-cnn输出检测结果进一步检测，当目标隧道分割效果iou达到0.6时输出结果。
12、进一步地，所所述第二检测器是对于第一检测器输出检测结果进一步检测，当目标隧道分割效果iou达到0.7时输出结果。
13、进一步地，所将所述预测集输入所述训练后的网络模型得到隧道漏水检测结果，具体为：
14、将所述预测集输入所述cascade mask r-cnn，所述mask r-cnn根据所述预测集中的隧道漏水图像，将自下而上路径输出的特征图以及自上而下路径输出的特征图相加，得到第一特征图；其中，所述mask r-cnn包括特征金字塔网络和深度残差网络；
15、区域建议网络根据多种不同尺度的所述第一特征图的种类数，激活相应个数的区域候选网络，各个所述区域候选网络根据所述第一特征图的尺度生成对应大小的基础锚框，将所述基础锚框分别用于相同尺度的所述第一特征图，得到对应个数的区域建议特征图；
16、将所述第一特征图及区域建议特征图输入所述颈部网络，获取特征区域的特征值；
17、将经过颈部网络处理的所述第一特征图及区域建议特征图输入头部网络，通过卷积层进行分割，通过全连接层进行检测分类，最后输出区域建议特征图中有分割漏水的图片。
18、本发明还提供了一种基于深度学习的隧道漏水检测系统，包括隧道数据采集和隧道智能检测系统；
19、所述的数据采集为采集所测隧道的照片；
20、所述的隧道智能检测系统为根据所采集的目标隧道的漏水图片；
21、作为优选的，所述数据采集包括图像拍摄、图像存储、图像传输处理；
22、所述图像拍摄包括面阵相机和线阵相机，用于采集目标隧道内部图像；
23、所述图像存储用于将拍摄得到的隧道内部图像实时存储到计算机；
24、所述图像传输处理用于将计算机内的实时隧道内部图像发送到隧道智能检测系统中。
25、本发明的上述技术方案相比现有技术具有以下优点；
26、本发明通过构建包括cascade mask r-cnn、检测器a和检测器b模型的深度卷积神经网络对目标隧道漏水进行检测，可以实现隧道漏水的自动识别，提高隧道漏水检测效率和获得更好的鲁棒性。
1.一种基于深度学习的隧道漏水检测方法，包括以下步骤：
2.根据权利要求1所述的基于深度学习的隧道漏水检测方法，其方法的特点在于：所述网络模型为卷积神经网络模型。
3.根据权利要求1所述的基于深度学习的隧道漏水检测方法，其特征在于：在使用所述训练集训练该网络模型前，使用基于大型可视化数据库的骨干网络进行预训练。
4.根据权利要求1所述的基于深度学习的隧道漏水检测方法，其特征在于：使用所述训练集训练所述网络模型时，优化训练效果使用的方法包括：
5.根据权利要求1所述的基于深度学习的隧道漏水检测方法，其特征在于：所述cascade mask r-cnn包括mask r-cnn、区域建议网络(rpn)、颈部网络、头部网络；其中，所述区域建议网络用于生成多个候选区域，颈部网络对所述候选区域采用双线性插值法进行特征提取，所述头部网络对特征区域通过三个同级输出层分类、检测和分割，选择相应的信道进行掩码。
6.根据权利要求4所述的基于深度学习的隧道漏水检测方法，其特征在于：所述的第一检测器是对于cascade mask r-cnn输出检测结果进一步检测，当目标隧道分割效果iou达到0.6时输出结果。
7.根据权利要求6所述的基于深度学习的隧道漏水检测方法，其特征在于：所述第二检测器是对于第一检测器输出检测结果进一步检测，当目标隧道分割效果iou达到0.7时输出结果。
8.根据权利要求5所述的基于深度学习的隧道漏水检测方法，其特征在于：将所述预测集输入所述训练后的网络模型得到隧道漏水检测结果，具体为：
9.一种基于深度学习的隧道漏水检测系统，其特征在于：包括隧道数据采集和隧道智能检测系统，所述的数据采集为采集所测隧道的照片；所述的隧道智能检测系统为根据所采集的目标隧道的漏水图片，使用如上述权利要求的1-8任一项所述的方法来进行基于深度学习的隧道漏水检测过程，最终得到隧道漏水分割图像。
10.根据权利要求9所述的基于深度学习的隧道漏水检测系统，其特征在于：所述数据采集包括图像拍摄、图像存储、图像传输处理，所述图像拍摄包括面阵相机和线阵相机，用于采集目标隧道内部图像；所述图像存储用于将拍摄得到的隧道内部图像实时存储到计算机；所述图像传输处理用于将计算机内的实时隧道内部图像发送到隧道智能检测系统中。
