科研之友
微信
新浪微博
Facebook
分享链接
摘要
隧道裂缝严重损害隧道的使用寿命以及行车安全，而传统人工检测方法无法对长隧道中的大量裂缝进行高效精确识别。提出了一种隧道表面裂缝实时检测算法，该方法创新性地将用于文本学习、信号分析的门控循环单元(GRU)模型应用于图像分类中，用于提升隧道裂缝检测速度并保证检测精度。为提高训练效率，首先对裂缝进行预处理将其转换至频域中提取隧道裂缝的关键信息并矩阵重构为一维向量，再利用一维卷积神经网络提取一维向量的深度特征并输入循环神经网络学习深度特征中的序列依存关系，最终实现对隧道裂缝的检测。测试结果表明该模型不仅能降低模型训练参数量和硬件配置需求，同时该模型在精度上能达到99.0%,检测单张图片速度能达到2.1 s,相较于主流的分类检测模型其准确率保持不变，训练时间和预测速度显著提升。最后针对大尺寸隧道裂缝图像开发了检测框架，可实现对大尺寸图像中裂缝信息的有效提取。
- 单位
