一种基于特征输入增强的渗漏水病害深度学习检测方法

1.一种基于特征输入增强的渗漏水病害深度学习检测方法，包括以下步骤：S1，渗漏水图像方向滤波抑制：隧道表面拼缝、管线在相机采集图像视野中呈现出明显的方向特征，为此利用多方向、多尺度Gabor滤波器与待检测渗漏水图像进行卷积，如下式：式中，z＝(x,y)为像素坐标； 为卷积算子；u∈{0,1,2,3,4,5,6,7}为Gabor滤波器选定的8个方向角 v∈{1,2,3,4,5}为Gabor滤波器选定的5个不同尺度；O u,v (z)为利用方向u、尺度v时的Gabor滤波器与渗漏水图像的卷积结果；采用卷积结果O u,v (z)的幅值响应作为滤波输出结果，如下式：将滤波输出结果与原始图像相减操作得到方向滤波特征图，将方向滤波特征图作为后续深度神经网络输入图像特征通道的第一部分；S2，渗漏水区域信号分割增强处理：采用图像信号大津阈值分割法对隧道巡检图像数据进行分割预处理，设隧道某一图像区域经大津阈值分割法处理后得到检测结果的真值图为矩阵B，定义如下式：再利用图像空域滤波器对矩阵B进行平滑处理，生成连续可微的特征输入增强权重矩阵Q，具体公式如下：上式中，(x,y)为像素坐标； 为卷积算子；s为一个归一化的5×5尺寸的平均滤波器，其生成方式为：s＝ones(5,5)/25，将经过图像空域滤波后的特征输入增强权重矩阵Q与原始图像进行相乘，得到图像信号分割处理特征图，将图像信号分割处理特征图作为后续深度神经网络输入图像特征通道的第二部分；S3，建立渗漏水病害检测与识别模型：将原始图像、方向滤波特征图和图像信号分割处理特征图在通道方向上进行并连，并作为后续深度神经网络的特征输入；基于特征增强后的输入样本数据，后续深度神经网络利用VGG16+FCN全卷积网络建立渗漏水病害检测与识别模型。