基于深度学习的隧道渗漏水特征识别算法研究
发布时间：2021-03-04 21:27
目前我国的隧道渗漏水常规检测主要依靠人工,但其具有检测效率低、主观性强、准确性不够高、人工成本高、环境恶劣等缺点,无法适应我国隧道工程建设的快速发展。本论文提出利用深度学习算法和常规的图像处理技术实现对隧道渗漏水的识别。首先,分析了点状、线状和大面积三种渗漏的成因及相应的处理措施,根据电缆隧道衬砌上渗水区与非渗水区的温度差异,利用红外热像仪捕获温度特征,并经过归一化处理将温度分布矩阵转换成数字图像;针对数据量少的特点,利用旋转、直方图均衡化、双边滤波等传统图像处理技术并结合当下热门的生成对抗网络技术来实现对数据的丰富。然后,从深度、宽度以及注意力三个层面对深度学习中几种典型的卷积神经网络结构进行了研究。深度方面主要研究了AlexNet5、VGG16和ResNet34三种网络结构;宽度方面主要研究了GoogLeNet21;注意力方面主要研究了Attention Module。结合实验设备条件,设计出AM-VGG16结构和AM-ResNet34结构的算法,并通过对比在测试集上的测试误差和在训练集上的训练损失,选择错误率为1.94%、损失值为0.06的AM-VGG16结构来进行渗漏水的特征识...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
几种隧道渗漏水情况
D ( m , n )表示转换后的数值图像位于坐标( m , n )处的像素值， T ( m , n )表示原温度矩阵中位于 ( m , n )处的温度值， min(T (i , j ))表示原温度矩阵中的最小温度值，max(T (i , j ))表示原温度矩阵中的最大温度值。转换前后的数字图如图 2.4 (a)所示，从图片中很容易发现，通过这种线性变换的图片很难识别出渗漏水图片的低温特性，不利于神经网络对渗漏水与非渗漏水区域差异特征的学习。因此本文采用了非线性变换如公式（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 分别表示非线性变换后的数字图像数据和原始红外热像仪获得的温度矩阵，minT 和maxT 分别表示温度矩阵中的最小值和最大值，m 为缩放因子，其大小为 1000非线性变换后的图片如图 2.4 (b)所示，与 2.4 (a)图相比低温区域很容易被识别出。
2.2.1 基于传统图像处理方法对电缆隧道数据扩充深度学习模型结构中包含大量参数，需要足够多的数据来训练卷积神经网络，否则会出现过拟合现象。过拟合：训练器学习能力过强，将自身一些特点误以为所有样本都具备的一般特点，从而导致模型的泛化能力下降（训练集上表现好，测试集上结果不好，偏差高）。过拟合问题虽然无法完全避免，但可以通过增加训练数据集的数量、降低隐藏层神经元节点数（dropout 策略）、L1/L2 范数（其中 L1 范数可以起到稀疏参数作用，L2 范数还可以使优化求解变得更加快速稳定）、去掉稀疏特征等技巧缓解过拟合。本论文中主要采用几何变换、对比度增强、图像平滑技术、形态学处理技术以及生成对抗网络来进行数据的扩增。考虑到图像的几何尺寸保持不变，在几何变换中采用旋转 180°（如果旋转 90°、270°或者其它任意角度的旋转都会改变宽高值）和翻转，如图 2.5 和图 2.6 所示。
【参考文献】：
期刊论文
[1]基于红外热成像的地铁隧道渗漏水提取[J]. 吴杭彬,于鹏飞,刘春,许正文. 工程勘察. 2019(02)
[2]基于数字图像的隧道表观病害识别方法研究[J]. 何国华,刘新根,陈莹莹,杨俊,钟北. 重庆交通大学学报(自然科学版). 2019(03)
[3]地铁隧道渗漏水的激光扫描检测方法及应用[J]. 吴昌睿,黄宏伟. 自然灾害学报. 2018(04)
[4]基于生成对抗网络的遮挡图像修复算法[J]. 曹志义,牛少彰,张继威. 北京邮电大学学报. 2018(03)
[5]生成式对抗网络在抑郁症分类中的应用[J]. 刘宁,杨剑. 计算机应用与软件. 2018(06)
[6]基于小波变换的隧道渗漏水自动识别[J]. 陈莹莹,朱爱玺,张平. 电子技术与软件工程. 2018(09)
[7]基于深度卷积生成对抗网络的语音生成技术[J]. 朱纯,王翰林,魏天远,王伟. 仪表技术. 2018(02)
[8]公路隧道渗漏水病害分级方法优化思考[J]. 丁浩,江星宏. 公路交通技术. 2017(06)
[9]铁路隧道渗漏水的原因与防治方法[J]. 梁尔斌. 中华建设. 2017(11)
[10]武汉轨道交通地下结构渗漏水治理综述[J]. 姚春桥. 隧道与轨道交通. 2017(S1)
本文编号：3063952
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
几种隧道渗漏水情况
D ( m , n )表示转换后的数值图像位于坐标( m , n )处的像素值， T ( m , n )表示原温度矩阵中位于 ( m , n )处的温度值， min(T (i , j ))表示原温度矩阵中的最小温度值，max(T (i , j ))表示原温度矩阵中的最大温度值。转换前后的数字图如图 2.4 (a)所示，从图片中很容易发现，通过这种线性变换的图片很难识别出渗漏水图片的低温特性，不利于神经网络对渗漏水与非渗漏水区域差异特征的学习。因此本文采用了非线性变换如公式（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 分别表示非线性变换后的数字图像数据和原始红外热像仪获得的温度矩阵，minT 和maxT 分别表示温度矩阵中的最小值和最大值，m 为缩放因子，其大小为 1000非线性变换后的图片如图 2.4 (b)所示，与 2.4 (a)图相比低温区域很容易被识别出。
2.2.1 基于传统图像处理方法对电缆隧道数据扩充深度学习模型结构中包含大量参数，需要足够多的数据来训练卷积神经网络，否则会出现过拟合现象。过拟合：训练器学习能力过强，将自身一些特点误以为所有样本都具备的一般特点，从而导致模型的泛化能力下降（训练集上表现好，测试集上结果不好，偏差高）。过拟合问题虽然无法完全避免，但可以通过增加训练数据集的数量、降低隐藏层神经元节点数（dropout 策略）、L1/L2 范数（其中 L1 范数可以起到稀疏参数作用，L2 范数还可以使优化求解变得更加快速稳定）、去掉稀疏特征等技巧缓解过拟合。本论文中主要采用几何变换、对比度增强、图像平滑技术、形态学处理技术以及生成对抗网络来进行数据的扩增。考虑到图像的几何尺寸保持不变，在几何变换中采用旋转 180°（如果旋转 90°、270°或者其它任意角度的旋转都会改变宽高值）和翻转，如图 2.5 和图 2.6 所示。
【参考文献】：
期刊论文
[1]基于红外热成像的地铁隧道渗漏水提取[J]. 吴杭彬,于鹏飞,刘春,许正文. 工程勘察. 2019(02)
[2]基于数字图像的隧道表观病害识别方法研究[J]. 何国华,刘新根,陈莹莹,杨俊,钟北. 重庆交通大学学报(自然科学版). 2019(03)
[3]地铁隧道渗漏水的激光扫描检测方法及应用[J]. 吴昌睿,黄宏伟. 自然灾害学报. 2018(04)
[4]基于生成对抗网络的遮挡图像修复算法[J]. 曹志义,牛少彰,张继威. 北京邮电大学学报. 2018(03)
[5]生成式对抗网络在抑郁症分类中的应用[J]. 刘宁,杨剑. 计算机应用与软件. 2018(06)
[6]基于小波变换的隧道渗漏水自动识别[J]. 陈莹莹,朱爱玺,张平. 电子技术与软件工程. 2018(09)
[7]基于深度卷积生成对抗网络的语音生成技术[J]. 朱纯,王翰林,魏天远,王伟. 仪表技术. 2018(02)
[8]公路隧道渗漏水病害分级方法优化思考[J]. 丁浩,江星宏. 公路交通技术. 2017(06)
[9]铁路隧道渗漏水的原因与防治方法[J]. 梁尔斌. 中华建设. 2017(11)
[10]武汉轨道交通地下结构渗漏水治理综述[J]. 姚春桥. 隧道与轨道交通. 2017(S1)
本文编号：3063952
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3063952.html
