(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210283169.7 (22)申请日 2022.03.22 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 周强　瞿中　鞠芳蓉　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 彭啟强 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种改进U-Net网络结构的隧道表面裂缝检 测方法 (57)摘要 本发明涉及裂缝检测技术领域， 具体涉及一 种改进U‑Net网络结构的隧道表面裂缝检测方 法， 包括采集隧道表面图像集； 对图像集进行筛 选， 得到数据集； 将数据集分解为训练集和测试 集， 并对训练集和测试集进行标注； 使用隧道表 面裂缝数据集来训练改进U ‑Net网络模型， 得到 裂缝检测网络模 型； 将裂缝检测网络模型加载在 训练集上， 得到参数权重； 使用裂缝检测 网络模 型基于参数权重在标注的测试集上进行测试， 得 到预测结果； 通过预测结果对裂缝检测网络模型 进行评估， 通过评估合格的裂缝检测网络模型使 用基于连通域标记分类算法对图像集中的裂缝 进行分类和严重程度评估， 解决数字图像处理技 术对裂缝检测的准确率较低的问题。 权利要求书1页 说明书5页 附图3页 CN 114581780 A 2022.06.03 CN 114581780 A 1.一种改进 U‑Net网络结构的隧道 表面裂缝检测方法， 其特 征在于， 包括以下步骤： S1采集隧道 表面图像集； S2对所述图像集进行筛 选， 得到数据集； S3将所述数据集分解 为训练集和 测试集， 并对所述训练集和所述测试集进行 标注； S4使用隧道 表面裂缝 数据集来训练改进 U‑Net网络模型， 得到裂缝检测网络模型； S5将所述裂缝检测网络模型加载在所述训练集上， 得到参数权 重； S6使用所述裂缝检测网络模型基于所述参数权重在标注的所述测试集上进行测试， 得 到预测结果； S7通过所述预测结果对所述裂缝检测网络模型进行评估， 评估合格， 执行步骤S8， 评估 不合格， 返回步骤S4； S8通过所述裂缝检测网络模型使用基于连通域标记分类算法对所述图像集中的裂缝 进行分类和严重程度评估。 2.如权利要求1所述的改进 U‑Net网络结构的隧道 表面裂缝检测方法， 其特 征在于， 所述使用隧道表面裂缝数据集来训练改进U ‑Net网络模型， 得到裂缝检测网络模型的 具体方式为： S41在U‑Net网络模型中添加空洞卷积和 侧边网络， 得到改进 U‑Net网络模型； S42将多尺度空洞卷积模块融入到编码器最后阶段， 并为所述编码器设置不同的空洞 率， 得到改进编码器； S43在解码器和所述改进编码器阶段采用跳层连接； S44所述解码器通过所述改进编码器提取隧道表面裂缝数据集特征， 并对所述特征进 行侧边输出 预测， 得到多个侧边输出； S45使用多尺度特 征融合模块对多个所述侧边输出进行融合， 得到最终预测图； S46使用所述最终预测图对所述改进U ‑Net网络模型进行训练， 得到裂缝检测网络模 型。 3.如权利要求2所述的改进 U‑Net网络结构的隧道 表面裂缝检测方法， 其特 征在于， 所述编码器的空洞率分别为6、 12、 18和24。 4.如权利要求2所述的改进 U‑Net网络结构的隧道 表面裂缝检测方法， 其特 征在于， 所述编码器具有5个卷积块， 每一所述卷积块采用连续的3个卷积层， 所述编码器的通 道数依次为64、 128、 25 6和1024， 所述 解码器的通道数依次为1024、 25 6、 128和64。 5.如权利要求2所述的改进 U‑Net网络结构的隧道 表面裂缝检测方法， 其特 征在于， 所述使用所述最终预测图对所述改进U ‑Net网络模型进行训练， 得到裂缝检测网络模 型的具体方式为： S461将所述改进 U‑Net网络模型导入学习库； S462通过 所述学习库设置所述改进 U‑Net网络的模型参数； S463为所述改进 U‑Net网络配置服 务器； S464将所述最终预测图输入所述改进U ‑Net网络后在所述服务器上进行实验， 得到实 验结果； S465基于所述实验结果对所述模型参数进行调整； S466重复步骤S462至步骤S46 5， 直至所述实验结果到 达预设值。权　利　要　求　书 1/1 页 2 CN 114581780 A 2一种改进U ‑Net网络结构的隧道表面裂缝检测方 法 技术领域 [0001]本发明涉及裂缝检测技术领域， 尤其涉及一种改进U ‑Net网络结构的隧道表面裂 缝检测方法。 背景技术 [0002]裂缝是隧道表面病害中最常见的表现形式， 能够及 时反映当前隧道的真实状况。 在隧道日常的养护中， 对隧道进行定期检测可以及时发现裂缝并对其进行修复， 减少 裂缝 对隧道安全的影响， 提高公路的使用寿命。 [0003]随着图像处理技术的不断发展， 许多学者开始利用数字图像处理技术进行裂缝检 测， 但是由于裂缝形状复杂的背 景条件， 光照强度的不均匀， 复杂的拓扑环境导致这些检测 方法不能很好的检测出裂缝， 造成裂缝检测的准确率较低。 发明内容 [0004]本发明的目的在于提供一种改进U ‑Net网络结构的隧道表面裂缝检测方法， 旨在 解决数字图像处 理技术对裂缝检测的准确率较低的问题。 [0005]为实现上述目的， 本发明提供了一种改进U ‑Net网络结构的隧道表面裂缝检测方 法， 包括以下步骤： [0006]S1采集隧道 表面图像集； [0007]S2对所述图像集进行筛 选， 得到数据集； [0008]S3将所述数据集分解为训练集和测试集， 并对所述训练集和所述测试集进行标 注； [0009]S4使用隧道 表面裂缝 数据集来训练改进 U‑Net网络模型， 得到裂缝检测网络模型； [0010]S5将所述裂缝检测网络模型加载在所述训练集上， 得到参数权 重； [0011]S6使用所述裂缝检测网络模型基于所述参数权重在标注的所述测试集上进行测 试， 得到预测结果； [0012]S7通过所述预测结果对所述裂缝检测网络模型进行评估， 评估合格， 执行步骤S8， 评估不合格， 返回步骤S4； [0013]S8通过所述裂缝检测网络模型使用基于连通域标记分类算法对所述图像集中的 裂缝进行分类和严重程度评估。 [0014]其中， 所述使用隧道表面裂缝数据集来训练 改进U‑Net网络模型， 得到裂缝检测网 络模型的具体方式为： [0015]S41在U‑Net网络模型中添加空洞卷积和 侧边网络， 得到改进 U‑Net网络模型； [0016]S42将多尺度空洞卷积模块融入到编码器最后阶段， 并为所述编码器设置不 同的 空洞率， 得到改进编码器； [0017]S43在解码器和所述改进编码器阶段采用跳层连接； [0018]S44所述解码器通过所述改进编码器提取 隧道表面裂缝数据集特征， 并对所述特说　明　书 1/5 页 3 CN 114581780 A 3