第40卷第3期太原科技大学学报Vol.40No.3 2019年6月JOURNAL OF TAIYUAN UNIVERSITY OF SCIENCE AND TECHNOLOGY Jun.2019
文章编号：1973-2257(2219)03-0195-04
zigbee组网吴贺贺，王安红，王海东
(太原科技大学电子信息工程学院，太原030024)
摘要：近几年，随着城市隧道建设力度加大，隧道已进入中年期，其健康问题不容忽视。目前，基于图像处理技术的隧道裂缝检测已成为一种便捷的检测手段。然而，由于隧道图像存在对比度低、光照
不均匀、噪声多等问题，对传统图像处理方法造成较多挑战，对此提出了一种基于深度学习网络Faster
R-CNN的隧道图像裂缝检测方法。首先利用大量隧道裂缝图像训练产生裂缝模型，然后用此模型对隧
道图像进行裂缝检测。实验结果表明，该方法能够弱化隧道图像质量问题，实现了对隧道图像裂缝的快 速检测和准确定位与标注。
关键词：深度学习；Faster R-CNN；隧道图像裂缝检测
中图分类号:U457文献标志码：A doi：10.3969/j.issn.1673-2057.2019.03.001网络收集
近几年，由于隧道建设的加大，城市轨道交通快速发展，为人们生活提供了极大便利。然而，随着隧道进入中年期，其自身的健康问题倍受关注，也是轨道交通安全运营的重中之重。
裂缝是一种常见的隧道病害，隧道表面的裂缝往往能够预见其内部受力不均、变形等潜在危险。传统的隧道表面裂缝检测多以人工观测为主，受人为因素影响大。目前，利用摄像机对隧道进行定期的巡检拍照、然后用图像处理技术进行裂缝图像检测已成为一种隧道病灾检测的便捷方法，文献U］提出了一种基于图像处理的地铁隧道表面裂缝检测和宽度测量方法；文献［2］用图像增强和阈值分割算法进行裂缝图像分割，然后根据裂缝尺寸进行裂缝检测；文献［3］根据隧道裂缝图像的特点对二维最大类间方差快速迭代算法进行改进，采用局部阈值代替全局阈值，并增加修正因子以及阈值，改进后的算法能够解决背景灰度不均的影响，准确地将细小隧道裂缝分离出来。然而，这些方法的缺点在于，仅仅侧重图像的预处理，对图像的依赖性强，泛化能力弱。同时，隧道裂缝图像由于拍摄条件差，存在对比度低、光照不均匀和噪声多等问题，用现有的方法很难克服这些问题。塑料挂钩
目前，随着GPU的处理能力大幅度提升以及大量图像数据库的公开(如：PASCAL VOC图像集包含20类每类19000张带标签图像,ImageNet［0］约有22000类共1570万张带标签高分辨率图像)基于深度学
对时网
习的图像检测技术发展迅速，识别速度与精度大幅度提升。卷积神经网络(Convolutional neural network,CNN)是目前常用的深度神经网络，能通过捕获可视化特征进行图像的分类、识别、检测和分割。基于区域的卷积神经网络(Regionbased convolutional network,R-CNN)将CNN应用到候选区域、自底向上训练定位图像的目标物［7］0 2219年和2219年，Ross Girshick等提出对R-CNN 改进的方案：SPP-Net(Spatial pyramiC pooling nei-work)⑷将原图中的候选区域仅映射到最后卷积层的特征图上，对每张图片只需进行一次卷积特征提取，因此比较R-CNN在图像中提取候选区域，速度
收稿日期：2217-12-14
基金项目：国家自然科学基金项目(61672373)；山西省科技创新培育团队项目；山西省1331工程重点创新团队(OHl)
USB重定向太阳能玻璃作者简介：吴贺贺(1993-)，男，硕士研究生，主要研究方向是数字媒体处理与网络传输。
