基于改进Mask R-CNN的地铁隧道点云图像渗水检测.pdfVIP

分类号： TP391 密级：公开 学校代码：11065 学号：2019025990 专业硕士学位论文 （统招全日制） 基于改进Mask R-CNN 的地铁隧道点云图像渗水检测 作者姓名 周文妍 指导教师 高鹏翔 教授 专业领域 软件工程 培养单位 计算机科学技术学院 答辩日期 2022 6 4 年 月 日 万方数据 摘要 地铁隧道内壁渗水问题非常常见，它对地铁的安全正常运行易产生严重危害。 因此，对于渗水病害的识别检测意义重大。人工智能发展速度使人震撼，其中，深 度学习已经被广泛且成熟应用。它已实现了更高效、更准确地识别检测。与传统识 别检测方法相比，其精确度高，泛化能力强。同时，深度学习能够减少人工成本， 降低由于人工识别主观性所造成的误差。对于地铁隧道内壁渗水问题，本文旨在用 深度学习相关算法识别渗水。使用技术成熟的Mask R-CNN神经网络模型作为基础， 提出了一种新CNN模型，即改进的MaskR-CNN 的地铁内壁渗水识别检测算法，并对 其进行深入研究。本文工作如下: （1）本文使用三维激光扫描仪采集地铁隧道内壁的点云数据，该方法与传统方 法进行对比，分析了该设备采集数据的优势。 （2）对点云数据进行预处理及应用处理。先对点云数据进行简单分析后对其进 行去噪、增采样、投影等处理操作。 （3）将3D平面点云二维图像化;并利用OpenCV对图像进行去噪、锐化等操作, 突出特征,提高识别准确性。使用LabelMe软件工具对图片中的渗水进行手动标注。 （4）本文研究对比了卷积神经网络中多种模型的结构及其工作原理，包括：CNN、 R-CNN、Fast R-CNN、Faster R-CNN 以及Mask R-CNN。通过研究对比其网络发展进 程，清晰了MaskR-CNN 网络结构在目标检测中的优势。因此，本文采用了MaskR-CNN 网络对处理好的隧道内壁渗水图像中的渗水进行训练识别，实现了渗水的自动识别。 利用测试集测试得到原始的Mask R-CNN识别的平均准确率mAP为91%。 （5）对Mask R-CNN 网络模型进行改进得到S-Mask R-CNN，实现新模型的平均 准确率mAP达到97%。与原始Mask R-CNN识别方法相比，S-Mask R-CNN结构清晰， 特征学习能力更强，准确率更高。 关键词：深度学习；隧道渗水；三维激光扫描；点云处理；Mask R-CNN 万方数据 Abstract The problem of water seepage in the inner wall of subway tunnel is very common, which will do serious harm to the safe and normal operation of subway. Hence, identification and detection of water seepage disease is of vita