一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法

1.一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法，其特征在于，包括以下步骤：步骤1：采集隧道洞口图像；步骤2：对图像进行降噪处理及预处理；步骤3：结合GAN模型对处理后的图像数据进行扩充，获得原始数据集；步骤4：对原始数据集中的图像利用标注工具标注出墙体裂缝，建立训练数据集；步骤5：根据墙体裂缝特征在Unet模型中使用YOLOv7重参化模块进行重参化，获得改进Unet模型；获得改进Unet模型的具体过程为：步骤51：将Unet模型的编码器和解码器长连接形式替换为残差连接的形式，在Unet模型的残差分支部分并行添加一个1×1的卷积分支，将Unet模型的下采样、残差分支和添加的卷积分支合并为单条通路，获得RepConvN模块；合并时将1×1的卷积扩充为四周为0的3×3卷积，将线性激活层作为当前通道卷积核参数为1，其余通道卷积核参数为0的带有设定权重的卷积层，为1×1的卷积层，再经过卷积核转换操作得到3×3的卷积层；步骤52：将卷积层与批量归一化层进行融合；卷积层公式为：Conv(x)＝W(x)+b其中，x为输入；W(x)为权重函数；b为偏置参数；批量归一化层公式为：其中，γ和β均为反向传播学习的参数；mean为均值函数；var为方差函数；将卷积层公式代入批量归一化层公式获得的表达式为：展开为：令：则最终的融合结果为：BN(Conv(x))＝W fused (x)+B fused ；步骤53：通过量化操作对卷积层和非线性激活层进行合并；步骤54：将Unet模型的损失函数采用WCE loss损失函数来加速学习进程，如下：其中，N为样本总数；w为正样本的判别系数；r n 表示样本n的标签，正类为1，负类为0；p n 表示样本n预测为正类的概率；获得改进Unet模型；步骤6：利用训练数据集对改进Unet模型进行迭代训练，获得墙体及结构劣化检测模型；步骤7：将待识别的隧道口墙体图像输入所述墙体及结构劣化检测模型中，提取裂纹，并基于四向正交骨架线法计算裂纹宽度和裂纹长度。 2.根据权利要求1所述的一种基于无人机的铁路隧道洞口墙体裂缝定量检测方法，其特征在于，预处理包括基于变换域的模糊增强方法增强图像低频分量，利用非线性增强方法增强图像的高频分量及局部梯度信息。 3.根据权利要求1所述的一种基于无人机的铁路隧道洞口墙体裂缝定量化检测方法，其特征在于，所述步骤3的具体过程为：步骤31：选取图像数据中若干符合墙体裂纹特征的图像，并对裂纹区域进行旋转、裁剪，获得一次扩充图像数据；步骤32：对一次扩充图像数据利用生成式对抗网络进行二次数据扩充，获得原始数据集。 4.根据权利要求1所述的一种基于无人机的铁路隧道洞口墙体裂缝定量化检测方法，其特征在于，所述步骤7中计算裂纹宽度和的具体过程为：步骤71：根据裂纹利用四向正交骨架线算法中的奇异值分解方法计算获得裂纹骨架线；步骤72：根据裂纹骨架线计算裂纹在裂纹骨架线的长度方向上各个位置的法向量；步骤73：根据各个位置的裂纹边缘点和法向量，计算裂纹宽度和裂纹长度。