隧道隐蔽结构内在病害图像分类方法和装置

摘要

本申请提供一种隧道隐蔽结构内在病害图像分类方法和装置，方法包括：获取隧道隐蔽结构的内在病害形状特征数据，生成仿真雷达图像；获取实际雷达图像，对实际雷达图像和仿真雷达图像进行标注，生成实际图像数据集和仿真图像数据集；根据仿真图像数据集对第一图像目标检测网络进行训练，确定第一图像目标检测网络的初始模型权重；根据实际图像数据集和初始模型权重对第一图像目标检测网络进行迁移学习，得到第二图像目标检测网络；将待识别雷达图像输入第二图像目标检测网络，确定雷达图像中异常局部位置并输入孪生神经网络，得到病害分类结果。本申请利用仿真生成的仿真雷达图像进行模型训练，解决病害图像样本少，图像分类方法准确率下降的缺陷。

权利要求

1.一种隧道隐蔽结构内在病害图像分类方法，其特征在于，包括：获取隧道隐蔽结构的内在病害形状特征数据，根据所述内在病害形状特征数据，生成所述隧道隐蔽结构的仿真雷达图像；

获取实际雷达图像，分别对所述实际雷达图像和所述仿真雷达图像进行标注，生成实际图像数据集和仿真图像数据集；

根据所述仿真图像数据集对第一图像目标检测网络进行训练，确定所述第一图像目标检测网络的初始模型权重；

根据所述实际图像数据集和上述初始模型权重对所述第一图像目标检测网络进行迁移学习，得到第二图像目标检测网络；

将待识别雷达图像输入所述第二图像目标检测网络，确定雷达图像中异常局部位置，将局部异常位置图像输入孪生神经网络，得到病害分类结果；

其中，第一图像目标检测网络采用Yolo v3神经网络；

在Yolo v3神经网络结构里，选择darknet‑53作为Backbone主干网络提取特征，网络中加入残差模块以解决深层次网络的梯度问题；Neck部分融合不同尺寸特征图的特征信息，转换为坐标、类别；Head部分对大中小三种尺度的特征图进行综合检测；

其中，预加载ImageNet权重，冻结Yolo v3神经网络前185层，加载仿真雷达图像，训练Yolo v3神经网络模型，保存模型权重，加载实际图像数据集，冻结Yolo v3神经网络模型部分网络，对冻结后的Yolo v3神经网络模型进行训练，放开冻结网络后再次训练，得到最终模型权重。

2.根据权利要求1所述的隧道隐蔽结构内在病害图像分类方法，其特征在于，所述根据所述内在病害形状特征数据，生成所述隧道隐蔽结构的仿真雷达图像，包括：根据所述内在病害形状特征数据，得到内在病害在目标条件下的仿真工况；

生成与所述仿真工况相对应的所述隧道隐蔽结构的仿真雷达图像。

3.根据权利要求2所述的隧道隐蔽结构内在病害图像分类方法，其特征在于，所述生成与所述仿真工况相对应的所述隧道隐蔽结构的仿真雷达图像，包括：根据所述内在病害的特性信息生成几何模型；

对所述几何模型进行空间离散化处理，并确定所述几何模型的条件和激励源；

根据所述条件和所述激励源，对PML单元进行设计，确定边界条件；

根据所述边界条件，求解得到所述仿真雷达图像。

4.根据权利要求1所述的隧道隐蔽结构内在病害图像分类方法，其特征在于，所述根据所述实际图像数据集和上述初始模型权重对第一图像目标检测网络进行迁移学习，得到第二图像目标检测网络，包括：将所述实际图像数据集中的图像输入至所述第一图像目标检测网络；

将所述第一图像目标检测网络的目标网络冻结；

对所述第一图像目标检测网络进行训练；

解除对所述目标网络的冻结，再次对所述第一图像目标检测网络进行训练，调整所述初始模型权重，根据调整后的所述初始模型权重，得到第二图像目标检测网络。

5.根据权利要求4所述的隧道隐蔽结构内在病害图像分类方法，其特征在于，还包括：基于平均AP值评价模型质量。

6.根据权利要求1所述的隧道隐蔽结构内在病害图像分类方法，其特征在于，所述将局部异常位置图像输入孪生神经网络，得到病害分类结果，包括：将局部异常位置图像和实际病害图像输入至所述孪生神经网络，确定图像相似度；

根据所述图像相似度，得到病害分类结果。

7.根据权利要求6所述的隧道隐蔽结构内在病害图像分类方法，其特征在于，所述孪生神经网络包括：特征提取网络，基于残差网络提取所述局部异常位置图像和实际病害图像的图像特征；

比较网络，对两个所述图像特征进行比较，输出所述图像相似度。

8.一种隧道隐蔽结构内在病害图像分类装置，其特征在于，包括：仿真模块，用于获取隧道隐蔽结构的内在病害形状特征数据，根据所述内在病害形状特征数据，生成所述隧道隐蔽结构的仿真雷达图像；

标注模块，用于获取实际雷达图像，分别对所述实际雷达图像和所述仿真雷达图像进行标注，生成实际图像数据集和仿真图像数据集；

训练模块，用于根据所述仿真图像数据集对第一图像目标检测网络进行训练，确定所述第一图像目标检测网络的初始模型权重；

迁移学习模块，用于根据所述实际图像数据集和上述初始模型权重对所述第一图像目标检测网络进行迁移学习，得到第二图像目标检测网络；

分类模块，用于将待识别雷达图像输入所述第二图像目标检测网络，确定雷达图像中异常局部位置，将局部异常位置图像输入孪生神经网络，得到病害分类结果；

其中，第一图像目标检测网络采用Yolo v3神经网络；

在Yolo v3神经网络结构里，选择darknet‑53作为Backbone主干网络提取特征，网络中加入残差模块以解决深层次网络的梯度问题；Neck部分融合不同尺寸特征图的特征信息，转换为坐标、类别；Head部分对大中小三种尺度的特征图进行综合检测；

其中，预加载ImageNet权重，冻结Yolo v3神经网络前185层，加载仿真雷达图像，训练Yolo v3神经网络模型，保存模型权重，加载实际图像数据集，冻结Yolo v3神经网络模型部分网络，对冻结后的Yolo v3神经网络模型进行训练，放开冻结网络后再次训练，得到最终模型权重。

9.一种电子设备，其特征在于，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1‑7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1‑7任一项所述的方法。

说明书

隧道隐蔽结构内在病害图像分类方法和装置

技术领域

[0001] 本申请涉及衬砌病害分类，尤其涉及一种隧道隐蔽结构内在病害图像分类方法和装置。

背景技术

[0002] 随着隧道使用时长的增加，隧道结构安全变得越来越重要。现有的隧道结构病害检测方法主要有人工检测方法和基于图像识别的图像分类方法。人工检测方法的效率低，
而且主观性更强，所以大多采用基于图像识别技术的图像分类方法检测隧道结构病害。

[0003] 图像分类方法需要大量的训练样本对模型进行训练，然而现有的隧道隐蔽结构的病害图像数量不足，导致图像分类方法的准确率下降。

发明内容

[0004] 为了解决上述技术缺陷之一，本申请实施例中提供了一种隧道隐蔽结构内在病害图像分类方法和装置。

[0005] 根据本申请实施例的第一个方面，提供了一种隧道隐蔽结构内在病害图像分类方法，包括：

[0006] 获取隧道隐蔽结构的内在病害形状特征数据，根据所述内在病害形状特征数据，生成所述隧道隐蔽结构的仿真雷达图像；

[0007] 获取实际雷达图像，分别对所述实际雷达图像和所述仿真雷达图像进行标注，生成实际图像数据集和仿真图像数据集；

[0008] 根据所述仿真图像数据集对第一图像目标检测网络进行训练，确定所述第一图像目标检测网络第一图像目标检测网络的初始模型权重；

[0009] 根据所述实际图像数据集和上述初始模型权重对所述第一图像目标检测网络第一图像目标检测网络进行迁移学习，得到第二图像目标检测网络；

[0010] 将待识别雷达图像输入所述第二图像目标检测网络，确定雷达图像中异常局部位置，将局部异常位置图像输入孪生神经网络，得到病害分类结果。

[0011] 在一个实施例中，所述根据所述内在病害形状特征数据，生成所述隧道隐蔽结构的仿真雷达图像，包括：

[0012] 根据所述内在病害形状特征数据，得到内在病害在目标条件下的仿真工况；

[0013] 生成与所述仿真工况相对应的所述隧道隐蔽结构的仿真雷达图像。

[0014] 在一个实施例中，所述生成与所述仿真工况相对应的所述隧道隐蔽结构的仿真雷达图像，包括：

[0015] 根据所述内在病害的特性信息生成几何模型；

[0016] 对所述几何模型进行空间离散化处理，并确定所述几何模型的条件和激励源；

[0017] 根据所述条件和所述激励源，对PML单元进行设计，确定边界条件；

[0018] 根据所述边界条件，求解得到所述仿真雷达图像。

[0019] 在一个实施例中，所述根据所述实际图像数据集和上述初始模型权重对第一图像目标检测网络第一图像目标检测网络进行迁移学习，得到第二图像目标检测网络，包括：

[0020] 将所述实际图像数据集中的图像输入至所述第一图像目标检测网络第一图像目标检测网络；

[0021] 将所述第一图像目标检测网络的目标网络冻结；

[0022] 对所述第一图像目标检测网络进行训练；

[0023] 解除对所述目标网络的冻结，再次对所述第一图像目标检测网络进行训练，调整所述初始模型权重，根据调整后的所述初始模型权重，得到图像异常检测模型。

[0024] 在一个实施例中，还包括：

[0025] 基于平均AP值评价模型质量。

[0026] 在一个实施例中，所述将局部异常位置图像输入孪生神经网络，得到病害分类结果，包括：

[0027] 将局部异常位置图像和实际病害图像输入至所述孪生神经网络，确定图像相似度；

[0028] 根据所述图像相似度，得到病害分类结果。

[0029] 在一个实施例中，所述孪生神经网络包括：

[0030] 特征提取网络，基于残差网络提取所述局部异常位置图像和实际病害图像的图像特征；

[0031] 比较网络，对两个所述图像特征进行比较，输出所述图像相似度。

[0032] 根据本申请实施例的第二个方面，提供了一种隧道隐蔽结构内在病害图像分类装置，包括：

[0033] 仿真模块，用于获取隧道隐蔽结构的内在病害形状特征数据，根据所述内在病害形状特征数据，生成所述隧道隐蔽结构的仿真雷达图像；

[0034] 标注模块，用于获取实际雷达图像，分别对所述实际雷达图像和所述仿真雷达图像进行标注，生成实际图像数据集和仿真图像数据集；

[0035] 训练模块，用于根据所述仿真图像数据集对目标检测深度学习网络进行训练，得到第一图像目标检测网络的初始模型权重；

[0036] 迁移学习模块，用于根据所述实际图像数据集和上述初始模型权重对第一图像目标检测网络进行迁移学习，得到第二图像目标检测网络；

[0037] 分类模块，用于将待识别雷达图像输入所述第二图像目标检测网络，确定雷达图像中异常局部位置，将局部异常位置图像输入孪生神经网络，得到病害分类结果。

[0038] 根据本申请实施例的第三个方面，提供了一种电子设备，包括：

[0039] 存储器；

[0040] 处理器；以及

[0041] 计算机程序；

[0042] 其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现所述的隧道隐蔽结构内在病害图像分类方法。

[0043] 根据本申请实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行以实现所述的隧道隐蔽结构内在病害图像分类
方法。

[0044] 采用本申请实施例中提供的隧道隐蔽结构内在病害图像分类方法和装置，利用仿真生成的仿真雷达图像进行模型训练，解决了病害图像样本偏少，导致图像分类方法的准
确率下降的缺陷。

附图说明

[0045] 此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

[0046] 图1为本申请实施例提供的隧道隐蔽结构内在病害图像分类方法的流程示意图；

[0047] 图2是本申请实施例提供的图1中步骤S120的流程示意图；

[0048] 图3是本申请实施例提供的图2中步骤S220的流程示意图；

[0049] 图4是本申请实施例提供的基于迁移学习Yolo v3模型的训练流程示意图；

[0050] 图5是本申请实施例提供的图1中步骤S150的流程示意图；

[0051] 图6是本申请实施例提供的隧道隐蔽结构内在病害图像分类装置的原理框图。

具体实施方式

[0052] 为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施
例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实
施例中的特征可以相互组合。

[0053] 图1为本申请实施例提供的隧道隐蔽结构内在病害图像分类方法的流程示意图，参照图1，本申请提出了一种隧道隐蔽结构内在病害图像分类方法，包括：

[0054] S110，获取隧道隐蔽结构的内在病害形状特征数据，根据所述内在病害形状特征数据，生成所述隧道隐蔽结构的仿真雷达图像。

[0055] S120，获取实际雷达图像，分别对所述实际雷达图像和所述仿真雷达图像进行标注，生成实际图像数据集和仿真图像数据集。

[0056] S130，根据所述仿真图像数据集对目标检测深度学习网络进行训练，得到第一图像目标检测网络的初始模型权重。

[0057] S140，根据所述实际图像数据集和上述初始模型权重对第一图像目标检测网络进行迁移学习，得到第二图像目标检测网络。

[0058] S150，将待识别雷达图像输入所述第二图像目标检测网络，确定雷达图像中异常局部位置，将局部异常位置图像输入孪生神经网络，得到病害分类结果。

[0059] 在步骤S110中，生成所述隧道隐蔽结构的仿真雷达图像可依托时域有限差分方法，可应用时域有限差分软件gprMax生成模拟脱空、空洞、不密实等仿真雷达图像。

[0060] 在步骤S120中，可通过LabelImg图像标注工具分别对实际雷达图像和仿真雷达图像进行标注；生成XML格式的标注文件，包括类别与位置信息。

[0061] LabelImg图像标注工具，采用Python编写的，并将Qt用于其图形界面。标注以PASCAL VOC格式（ImageNet使用的格式）另存为XML文件。

[0062] 在步骤S130中，模型训练过程中采用的是Yolo v3神经网络，即第一图像目标检测网络可采用Yolo v3神经网络。Yolo是“You Only Look Once”的简称，Yolo v3算法使用一
个单独神经网络作用在图像上，将图像划分多个区域并且预测边界框和每个区域的概率，
仅使用卷积层，使其成为一个全卷积网络（FCN）。

[0063] 在步骤S130中，对第一图像目标检测网络进行训练，确定所述第一图像目标检测网络的初始模型权重，使得第一图像目标检测网络具有一定的学习能力。在步骤S140中，对
第一图像目标检测网络进行迁移学习，即对第一图像目标检测网络进行再训练，得到模型
权重不同的第二图像目标检测网络。可知，第一图像目标检测网络和第二图像目标检测网
络均以Yolo v3神经网络为基础，区别在于模型权重不同。

[0064] 可以理解的是，本申请实施例利用仿真生成的仿真雷达图像进行模型训练，解决了病害图像样本偏少，导致图像分类方法的准确率下降的缺陷。

[0065] 在上述实施例的基础上，作为一个优选的实施例，如图2所示，所述根据所述内在病害形状特征数据，生成所述隧道隐蔽结构的仿真雷达图像，包括：

[0066] S210，根据所述内在病害形状特征数据，得到内在病害在目标条件下的仿真工况；

[0067] S220，生成与所述仿真工况相对应的所述隧道隐蔽结构的仿真雷达图像。

[0068] 在步骤S210中，仿真工况包括检测的介质、病害类型、病害填充介质、病害序号等。

[0069] 可选的，如图3所示，所述生成与所述仿真工况相对应的所述隧道隐蔽结构的仿真雷达图像，包括：

[0070] S310，根据所述内在病害的特性信息生成几何模型；本申请实施例以隧道衬砌为例，根据隧道衬砌的介电特性和不均匀特性设计几何模型。

[0071] S320，对所述几何模型进行空间离散化处理，确定网格大小和数量；并确定所述几何模型的条件和激励源；上述确定所述几何模型的条件和激励源包括：根据稳定条件和数
值色散条件，计算空间步长Δx、Δy、Δz，时间步长Δt以及时间窗口；选取激励源，确定激
励源的类型、位置和中心频率等。

[0072] S330，根据所述条件和所述激励源，对PML单元进行设计，设置PML所占Yee单元的数目，在保证PML性能的前提下使花销的计算资源最少，确定边界条件。

[0073] PML（perfectly matched layer，理想匹配层吸收边界条件），在计算区域边界面附近引入虚拟的各向异性有耗媒质，并使得在一定条件下，计算区域空间与虚拟有耗媒质
层完全匹配，计算空间中的外行电磁波可以无反射地进入虚拟有耗媒质，并逐渐衰减，从而
有效吸收外行波。理论上，PML吸收性能与外行波入射角和频率无关，可以在宽频带、大入射
角范围内有效吸收外行波，并使反射误差与色散误差可比拟，甚至更小；而且PML层的计算
公式与Maxwell方程类似，很方便与计算区域衔接。

[0074] S340，根据所述边界条件，求解得到所述仿真雷达图像。加入边界条件求解边界的电场值，得到所述仿真雷达图像。

[0075] 可以理解的是，本申请通过仿真模拟生成仿真雷达图像，制作出模型所需的训练数据集，能够解决病害图像样本偏少，导致图像分类方法的准确率下降的缺陷。

[0076] 在上述实施例的基础上，作为一个优选的实施例，如图4所示，所述根据所述实际图像数据集和上述初始模型权重对第一图像目标检测网络进行迁移学习，得到第二图像目
标检测网络，包括：

[0077] 将所述实际图像数据集中的图像输入至所述第一图像目标检测网络；

[0078] 将所述第一图像目标检测网络的目标网络冻结；

[0079] 对所述第一图像目标检测网络进行训练；

[0080] 解除对所述目标网络的冻结，再次对所述第一图像目标检测网络进行训练，调整所述初始模型权重，根据调整后的所述初始模型权重，得到第二图像目标检测网络。

[0081] 可以理解的是，本申请实施例对Yolo v3神经网络部分冻结进行迁移学习，增强网络性能和泛化能力，提高模型病害识别准确率。

[0082] 可选的，在本申请实施例的基础上，还可基于平均AP值评价模型质量。

[0083] 其中，在Yolo v3神经网络结构里，选择darknet‑53作为Backbone主干网络提取特征，网络中加入残差模块以解决深层次网络的梯度问题；Neck部分融合不同尺寸特征图的
特征信息，转换为坐标、类别；Head部分(y1/y2/y3)对大中小三种尺度的特征图进行综合检
测。

[0084] 可以理解的是，本申请实施例通过平均AP值评价模型质量，增强网络性能和泛化能力，提高模型病害识别准确率。

[0085] 在上述实施例的基础上，作为一个优选的实施例，如图5所示，所述将局部异常位置图像输入孪生神经网络，得到病害分类结果，包括：

[0086] S510，将局部异常位置图像和实际病害图像输入至所述孪生神经网络，确定图像相似度；

[0087] S520，根据所述图像相似度，得到病害分类结果。

[0088] 在步骤S510中，使用孪生神经网络将输入进来的两张图片利用同一个神经网络进行特征提取，从而使其权重共享。图像主干特征提取网络采用残差网络Resnet，解决网络层
数增加产生的梯度消失、爆炸和网络退化问题。

[0089] 利用比较网络对这两个特征进行比较，最终输出一个一维向量，其值在0‑1之间，用于表示输入图片的相似程度，提升快速从少量样本中学习的能力。

[0090] 在步骤S520中，通过计算损失函数的Loss，评价两个输入图像相似度，相似度值越接近1，表示属于同一类的可能性越大。基于以上步骤部署已经训练好的模型，可以在新数
据上进行应用。

[0091] 可选的，所述孪生神经网络包括：

[0092] 特征提取网络，基于残差网络提取所述局部异常位置图像和实际病害图像的图像特征；

[0093] 比较网络，对两个所述图像特征进行比较，输出所述图像相似度。

[0094] 可以理解的是，本发明通过孪生神经网络将输入进来的两张图片利用同一个神经网络进行特征提取，利用比较网络对这两个特征进行比较，最终输出一个一维向量，其值在
0‑1之间，用于表示输入图片的相似程度，提升了快速从少量样本中学习的能力，从而解决
了图像小样本分类问题。

[0095] 下面对本发明提供的隧道隐蔽结构内在病害图像分类装置进行描述，下文描述的隧道隐蔽结构内在病害图像分类装置与上文描述的隧道隐蔽结构内在病害图像分类方法
可相互对应参照。

[0096] 图6为本申请实施例提供的隧道隐蔽结构内在病害图像分类装置的流程示意图，参照图6，本申请提供了一种隧道隐蔽结构内在病害图像分类装置，包括：

[0097] 仿真模块610，用于获取隧道隐蔽结构的内在病害形状特征数据，根据所述内在病害形状特征数据，生成所述隧道隐蔽结构的仿真雷达图像；

[0098] 标注模块620，用于获取实际雷达图像，分别对所述实际雷达图像和所述仿真雷达图像进行标注，生成实际图像数据集和仿真图像数据集；

[0099] 训练模块630，用于根据所述仿真图像数据集对第一图像目标检测网络进行训练，确定第一图像目标检测网络的初始模型权重；

[0100] 迁移学习模块640，用于根据所述实际图像数据集和上述初始模型权重对第一图像目标检测网络进行迁移学习，得到第二图像目标检测网络；

[0101] 分类模块650，用于将待识别雷达图像输入所述第二图像目标检测网络，确定雷达图像中异常局部位置，将局部异常位置图像输入孪生神经网络，得到病害分类结果。

[0102] 在一个实施例中，仿真模块610还用于：

[0103] 根据所述内在病害形状特征数据，得到内在病害在目标条件下的仿真工况；

[0104] 生成与所述仿真工况相对应的所述隧道隐蔽结构的仿真雷达图像。

[0105] 在一个实施例中，仿真模块610还用于：

[0106] 根据所述内在病害的特性信息生成几何模型；

[0107] 对所述几何模型进行空间离散化处理，并确定所述几何模型的条件和激励源；

[0108] 根据所述条件和所述激励源，对PML单元进行设计，确定边界条件；

[0109] 根据所述边界条件，求解得到所述仿真雷达图像。

[0110] 在一个实施例中，迁移学习模块640还用于：

[0111] 将所述实际图像数据集中的图像输入至所述第一图像目标检测网络；

[0112] 将所述第一图像目标检测网络的目标网络冻结；

[0113] 对所述第一图像目标检测网络进行训练；

[0114] 解除对所述目标网络的冻结，再次对所述第一图像目标检测网络进行训练，调整所述初始模型权重，根据调整后的所述初始模型权重，得到第二图像目标检测网络。

[0115] 在一个实施例中，迁移学习模块640还用于：

[0116] 基于平均AP值评价模型质量。

[0117] 在一个实施例中，分类模块650还用于：

[0118] 将局部异常位置图像和实际病害图像输入至所述孪生神经网络，确定图像相似度；

[0119] 根据所述图像相似度，得到病害分类结果。

[0120] 在一个实施例中，所述孪生神经网络包括：

[0121] 特征提取网络，基于残差网络提取所述局部异常位置图像和实际病害图像的图像特征；

[0122] 比较网络，对两个所述图像特征进行比较，输出所述图像相似度。

[0123] 本申请还提供了一种电子设备，包括：

[0124] 存储器；

[0125] 处理器；以及

[0126] 计算机程序；

[0127] 其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现所述的隧道隐蔽结构内在病害图像分类方法。

[0128] 上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技
术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品
的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台
计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方
法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read‑Only 
Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程
序代码的介质。

[0129] 本申请还提供了一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行以实现所述的隧道隐蔽结构内在病害图像分类方法，该方法包括：

[0130] 获取隧道隐蔽结构的内在病害形状特征数据，根据所述内在病害形状特征数据，生成所述隧道隐蔽结构的仿真雷达图像；

[0131] 获取实际雷达图像，分别对所述实际雷达图像和所述仿真雷达图像进行标注，生成实际图像数据集和仿真图像数据集；

[0132] 根据所述仿真图像数据集对第一图像目标检测网络进行训练，确定第一图像目标检测网络的初始模型权重；

[0133] 根据所述实际图像数据集和上述初始模型权重对第一图像目标检测网络进行迁移学习，得到第二图像目标检测网络；

[0134] 将待识别雷达图像输入所述第二图像目标检测网络，确定雷达图像中异常局部位置，将局部异常位置图像输入孪生神经网络，得到病害分类结果

[0135] 综上所述，本申请实施例的有益效果在于：

[0136] 1）依托时域有限差分方法，融合了Yolo v3网络和孪生神经网络进行迁移学习与特征提取，研究了衬砌病害分类与深度学习相结合的技术，能够快速地对隧道隐蔽结构内
在病害图像精准分类。

[0137] 2）针对现场病害图像样本偏少的问题，利用仿真计算的衬砌病害图像进行模型训练，获得模型权重。在这基础上，通过少量实际病害样本训练深度卷积神经网络部，增强网
络性能和泛化能力，提高模型病害识别准确率。

[0138] 3）通过孪生神经网络将输入进来的两张图片利用同一个神经网络进行特征提取，利用比较网络对这两个特征进行比较，最终输出一个一维向量，其值在0‑1之间，用于表示
输入图片的相似程度，提升了快速从少量样本中学习的能力，从而解决了图像小样本分类
问题。

[0139] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产
品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，C语言、VHDL语言、
Verilog语言、面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

[0140] 本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流
程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

[0141] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或
多个方框中指定的功能。

[0142] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一
个方框或多个方框中指定的功能的步骤。

[0143] 在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，
因此不能理解为对本申请的限制。

[0144] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者
隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两
个，三个等，除非另有明确具体的限定。

[0145] 在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或可以互相通讯；可以是直接相连，也可以通过中间媒介间接相连，可
以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，
可以根据具体情况理解上述术语在本申请中的具体含义。

[0146] 尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优
选实施例以及落入本申请范围的所有变更和修改。

[0147] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围
之内，则本申请也意图包含这些改动和变型在内。