技术摘要：
本发明公开了一种基于卷积神经网络的隧道表面缺陷检测方法，获取隧道图像数据；对获取的图像数据进行预处理，并将数据集划分为测试数据集以及训练和验证数据集；搭建全卷积缺陷检测网络，进行网络模型训练，将隧道表面图像输入到卷积神经网络，输出预测的类别与缺陷的  全部
背景技术：
隧道是重要的铁路设施，其状态好坏直接影响铁路行车安全及运输效能。随着我 国铁路提速战略的实施，对列车的安全性提出了更高要求，同时，运行速度的提高和重载列 车的开行，对轨道破坏作用加大，导致轨道状态的恶化加剧。因此，定期检测隧道，及早发现 损坏并及时维修，避免事故发生，已成为铁路工作中的一项基础工作。 目前隧道表面缺陷检测技术手段主要有人工目测法、磁粉法和电涡流法，这些方 法各自存在劣势。目测法劳动强度大、危险性高、费事费力、效率低且测量结果受主观影响 大；磁粉法则有较高的操作成本，同时分类准确度低，检测速度低；电涡流法由于存在高频 激励信号，使系统结构及信号处理较为复杂，而且检测效率比较低。因此，开发一种高精度， 高效的隧道表面缺陷检测技术显得尤为重要。
技术实现要素：
本发明所要解决的技术问题是提供一种基于卷积神经网络的隧道表面缺陷检测 方法，其提高了隧道表面缺陷检测的精度和效率。 为解决上述技术问题，本发明所采用的技术方案是： 一种基于卷积神经网络的隧道表面缺陷检测方法，其特征在于包含以下步骤： 步骤一：获取隧道图像数据； 步骤二：对获取的图像数据进行预处理，并将数据集划分为测试数据集以及训练 和验证数据集； 步骤三：搭建全卷积缺陷检测网络，利用深度卷积神经网络从预处理后的隧道表 面图像提取特征，利用解码网络和带标签数据集预测缺陷类型及缺陷位置； 步骤四：进行网络模型训练，初始化网络参数，设置初始学习率，将训练和验证数 据集成批次输入深度卷积神经网络，每批次更新网络参数，设置训练停止条件，满足条件时 停止训练，得到最终模型； 步骤五：隧道图像数据测试，将隧道表面图像输入到卷积神经网络，输出预测的类 别与缺陷的区域。 进一步地，所述步骤一具体为利用工业相机获取待测隧道表面的图像数据。图像 采集过程全面，包括隧道不同区域的样本图片，亦包括含缺陷图片及无缺陷图片，隧道表面 缺陷包括：渗水，裂缝，脱落，缺损等 进一步地，所述步骤二具体为对步骤一获取的原始图像进行图像去噪和图像增强 预处理操作，使得预处理后的图像中的缺陷更易于被网络识别；在步骤一的基础上，采用滑 动分割法将原始图像分割为若干小块，利用人工监测对这些小块进行缺陷标注，获得带标 4 CN 111612758 A 说　明　书 2/4 页 签的数据集，从中选取20％作为测试数据集，剩余80％作为训练和验证数据集。 进一步地，所述图像去燥采用联合双边滤波算法，对原始裂缝图像进行光滑处理， 滤除干扰噪声的同时，保护图像的边缘及结构，其中，采取双边滤波的窗口大小为7X7,其中 参数sigma_C为0.1.sigma_S为25；图像增强采用旋转、缩放、切割方法对图像进行扩充和增 强，增加学习数据的数量，提升数据的鲁棒性。具体地，采用向左旋转30度，60度，70度，90度 角度的方式扩展数据集，采用向缩小1倍度，2倍，3倍的方式扩展数据集。 进一步地，所述带标签的数据集的每张图像包含若干网格，每个网格产生N个有一 定概率P包含缺陷的矩形框，每个训练图像数据的缺陷参数包括：含有缺陷的矩形框相对于 其源网格的位置偏移量x和y，矩形框的长w和宽h，该矩形框含有缺陷的置信度P。 进一步地，所述步骤三中深度卷积神经网络包括特征提取和上采样部分，具体结 构为第一至四层均由大小为3*3的卷积核、非线性激活函数及最大池化层构成，第五至八层 由3*3的卷积核、非线性激活函数和上采样层构成，其中第八层包含1*1卷积层以融合多个 通道输出识别结果；编码层利用最大池化操作实现分级特征提取，而解码层由上采样实现， 编码层与尺度对应的解码层通过切割、复制和合并实现跳接。 进一步地，所述非线性激活函数为Relu函数，其表达式为f(x)＝max(0,x)，其中x 代表上级网络的输入向量。 进一步地，所述步骤四中，通过Xavier参数初始化方法初始化网络，经过前向传播 后逐像素计算Softmax分类的损失，采用随机梯度下降法和反向传播算法进行权重的迭代 更新，直到全卷积神经网络模型的损失值趋向于收敛时，停止训练，得到卷积深度学习模 型。 进一步地，训练过程中，建立基于Pytorch深度学习库搭建的损失函数和优化器； 使用交叉熵函数作为损失函数，所述损失函数为 其中i 表示图像中的像素点，n表示图像像素点的总数，ytrue表示像素点i的期望输出，ypred表示像 素点i的实际输出；使用Adam作为网络权重优化方法，预设最大迭代轮数800轮，每轮遍历训 练集所有图像。 本发明与现有技术相比，具有以下优点和效果：本发明提供了一种基于卷积神经 网络的图像缺陷检测方法，设计了一种新型的基于深度学习的全卷积神经网络，可快速判 断隧道表面图像是否有缺陷，并给出缺陷类别和缺陷所在的位置，完成对隧道表面图像中 缺陷的自动分析，节省人力成本并排除人为主观因素的干扰，具有效率高，准确率高，实用 性强的优点。 附图说明 图1是本发明的一种基于卷积神经网络的图像缺陷检测方法的流程图。 图2是本发明的实施例的获取的隧道表面图像的示意图。 图3是本发明的实施例的预处理后的图像示意图。 图4是本发明的一种基于卷积神经网络的图像缺陷检测方法的全卷积神经网络结 构示意图。 图5是本发明的实施例的输出结果示意图。 5 CN 111612758 A 说　明　书 3/4 页