目前我國的隧道滲漏水常規(guī)檢測(cè)主要依靠人工,但其具有檢測(cè)效率低、主觀性強(qiáng)、準(zhǔn)確性不夠高、人工成本高、環(huán)境惡劣等缺點(diǎn),無法適應(yīng)我國隧道工程建設(shè)的快速發(fā)展。本論文提出利用深度學(xué)習(xí)算法和常規(guī)的圖像處理技術(shù)實(shí)現(xiàn)對(duì)隧道滲漏水的識(shí)別。首先,分析了點(diǎn)狀、線狀和大面積三種滲漏的成因及相應(yīng)的處理措施,根據(jù)電纜隧道襯砌上滲水區(qū)與非滲水區(qū)的溫度差異,利用紅外熱像儀捕獲溫度特征,并經(jīng)過歸一化處理將溫度分布矩陣轉(zhuǎn)換成數(shù)字圖像;針對(duì)數(shù)據(jù)量少的特點(diǎn),利用旋轉(zhuǎn)、直方圖均衡化、雙邊濾波等傳統(tǒng)圖像處理技術(shù)并結(jié)合當(dāng)下熱門的生成對(duì)抗網(wǎng)絡(luò)技術(shù)來實(shí)現(xiàn)對(duì)數(shù)據(jù)的豐富。然后,從深度、寬度以及注意力三個(gè)層面對(duì)深度學(xué)習(xí)中幾種典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了研究。深度方面主要研究了AlexNet5、VGG16和ResNet34三種網(wǎng)絡(luò)結(jié)構(gòu);寬度方面主要研究了GoogLeNet21;注意力方面主要研究了Attention Module。結(jié)合實(shí)驗(yàn)設(shè)備條件,設(shè)計(jì)出AM-VGG16結(jié)構(gòu)和AM-ResNet34結(jié)構(gòu)的算法,并通過對(duì)比在測(cè)試集上的測(cè)試誤差和在訓(xùn)練集上的訓(xùn)練損失,選擇錯(cuò)誤率為1.94%、損失值為0.06的AM-VGG16結(jié)構(gòu)來進(jìn)行滲漏水的特征識(shí)... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

幾種隧道滲漏水情況

D ( m , n )表示轉(zhuǎn)換后的數(shù)值圖像位于坐標(biāo)( m , n )處的像素值， T ( m , n )表示原溫度矩陣中位于 ( m , n )處的溫度值， min(T (i , j ))表示原溫度矩陣中的最小溫度值，max(T (i , j ))表示原溫度矩陣中的最大溫度值。轉(zhuǎn)換前后的數(shù)字圖如圖 2.4 (a)所示，從圖片中很容易發(fā)現(xiàn)，通過這種線性變換的圖片很難識(shí)別出滲漏水圖片的低溫特性，不利于神經(jīng)網(wǎng)絡(luò)對(duì)滲漏水與非滲漏水區(qū)域差異特征的學(xué)習(xí)。因此本文采用了非線性變換如公式（2.2）：minmin maxmin min maxT'1 1( )1 1TT Tm mT T T Tm me eDe e (2.2)其中，'D 和T 分別表示非線性變換后的數(shù)字圖像數(shù)據(jù)和原始紅外熱像儀獲得的溫度矩陣，minT 和maxT 分別表示溫度矩陣中的最小值和最大值，m 為縮放因子，其大小為 1000非線性變換后的圖片如圖 2.4 (b)所示，與 2.4 (a)圖相比低溫區(qū)域很容易被識(shí)別出。

2.2.1 基于傳統(tǒng)圖像處理方法對(duì)電纜隧道數(shù)據(jù)擴(kuò)充深度學(xué)習(xí)模型結(jié)構(gòu)中包含大量參數(shù)，需要足夠多的數(shù)據(jù)來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，否則會(huì)出現(xiàn)過擬合現(xiàn)象。過擬合：訓(xùn)練器學(xué)習(xí)能力過強(qiáng)，將自身一些特點(diǎn)誤以為所有樣本都具備的一般特點(diǎn)，從而導(dǎo)致模型的泛化能力下降（訓(xùn)練集上表現(xiàn)好，測(cè)試集上結(jié)果不好，偏差高）。過擬合問題雖然無法完全避免，但可以通過增加訓(xùn)練數(shù)據(jù)集的數(shù)量、降低隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)（dropout 策略）、L1/L2 范數(shù)（其中 L1 范數(shù)可以起到稀疏參數(shù)作用，L2 范數(shù)還可以使優(yōu)化求解變得更加快速穩(wěn)定）、去掉稀疏特征等技巧緩解過擬合。本論文中主要采用幾何變換、對(duì)比度增強(qiáng)、圖像平滑技術(shù)、形態(tài)學(xué)處理技術(shù)以及生成對(duì)抗網(wǎng)絡(luò)來進(jìn)行數(shù)據(jù)的擴(kuò)增�？紤]到圖像的幾何尺寸保持不變，在幾何變換中采用旋轉(zhuǎn) 180°（如果旋轉(zhuǎn) 90°、270°或者其它任意角度的旋轉(zhuǎn)都會(huì)改變寬高值）和翻轉(zhuǎn)，如圖 2.5 和圖 2.6 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于紅外熱成像的地鐵隧道滲漏水提取[J]. 吳杭彬,于鵬飛,劉春,許正文.  工程勘察. 2019(02)
[2]基于數(shù)字圖像的隧道表觀病害識(shí)別方法研究[J]. 何國華,劉新根,陳瑩瑩,楊俊,鐘北.  重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(03)
[3]地鐵隧道滲漏水的激光掃描檢測(cè)方法及應(yīng)用[J]. 吳昌睿,黃宏偉.  自然災(zāi)害學(xué)報(bào). 2018(04)
[4]基于生成對(duì)抗網(wǎng)絡(luò)的遮擋圖像修復(fù)算法[J]. 曹志義,牛少彰,張繼威.  北京郵電大學(xué)學(xué)報(bào). 2018(03)
[5]生成式對(duì)抗網(wǎng)絡(luò)在抑郁癥分類中的應(yīng)用[J]. 劉寧,楊劍.  計(jì)算機(jī)應(yīng)用與軟件. 2018(06)
[6]基于小波變換的隧道滲漏水自動(dòng)識(shí)別[J]. 陳瑩瑩,朱愛璽,張平.  電子技術(shù)與軟件工程. 2018(09)
[7]基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的語音生成技術(shù)[J]. 朱純,王翰林,魏天遠(yuǎn),王偉.  儀表技術(shù). 2018(02)
[8]公路隧道滲漏水病害分級(jí)方法優(yōu)化思考[J]. 丁浩,江星宏.  公路交通技術(shù). 2017(06)
[9]鐵路隧道滲漏水的原因與防治方法[J]. 梁爾斌.  中華建設(shè). 2017(11)
[10]武漢軌道交通地下結(jié)構(gòu)滲漏水治理綜述[J]. 姚春橋.  隧道與軌道交通. 2017(S1)



本文編號(hào)：3063952