申请/专利权人：复旦大学

申请日：2020-09-15

公开（公告）日：2024-04-02

公开（公告）号：CN114266716B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/764;G06V10/82;G06T7/10;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.04.19#实质审查的生效;2022.04.01#公开

摘要：本发明提供一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，用于根据拍摄盾构隧道墙面得到的检测图像进行盾构隧道墙面渗漏水风险检测，包括：将检测图像通过分类模型进行分类类别判断，得出包含无风险、有风险已处理以及有风险未处理的分类类别，并对分类类别为有风险未处理的检测图像进行定位并上色从而得到上色标签图，将上色标签图输出从而提供警示作用并实现对所警示的监测图像的自动化定位，并根据隧道墙面分类数据集以及隧道墙面分割数据集进行训练。因此，能够减缓针对急剧增加的隧道养护需求，通过发出相关警示并自动化定位从而满足实际工程对渗漏水病害图像识别自动化并且批量化处理的需求，隧道墙面渗漏水检测更加准确高效。

主权项：1.一种基于深度学习的盾构隧道墙面渗漏水风险检测的方法，用于根据拍摄盾构隧道墙面得到的检测图像进行盾构隧道墙面渗漏水风险检测，其特征在于，包括：步骤1-1，将所述检测图像通过预先训练的分类模型进行分类得到对应所述检测图像的分类类别，所述分类类别包括无风险、有风险已处理以及有风险未处理；步骤1-2，对所述分类类别进行判定；步骤1-3，当所述分类类别被判定为无风险以及有风险已处理时，输出无风险结果；步骤1-4，当所述分类类别被判定为有风险未处理时，通过预先训练的分割模型对所述分类类别为有风险未处理的所述检测图像进行渗漏水定位并对检测图像进行处理得到上色标签图；步骤1-5，输出所述上色标签图从而进行预警，其中，所述分类模型以及所述分割模型的训练过程包括以下步骤：步骤2-1，将预先采集的隧道墙面光学图像通过降采样到统一尺寸制作成隧道墙面分类数据集；步骤2-2，将所述隧道墙面分类数据集分别拆分成包含有风险未处理、有风险已处理和无风险的隧道墙面分类数据集，并将其中有风险未处理的部分通过分割标注工具进行关于有无风险的标记，进一步并将标记部分作为隧道墙面分割数据集；步骤2-3，基于所述隧道墙面分类数据集训练得到所述分类模型；步骤2-4，基于所述隧道墙面分割数据集训练得到所述分割模型。

全文数据：

权利要求：

百度查询： 复旦大学 基于深度学习的盾构隧道墙面渗漏水风险检测的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD