本发明涉及隧道衬砌病害检测，特别是基于深度学习的隧道衬砌病害检测系统及方法。
背景技术：
1、近年来，随着人工智能技术的飞速发展，尤其是深度学习领域的突破，基于深度学习的隧道衬砌病害检测方法逐渐成为研究热点，为隧道维护提供了新的解决方案，传统的隧道病害检测主要依赖人工巡检和简单的机械辅助设备，这种方法不仅耗时耗力，而且检测精度受限于人员经验和环境条件，随着传感器技术和数据分析技术的进步，多模态数据的集成与分析成为可能，这为隧道病害的早期发现和精准定位提供了强有力的支持。
2、尽管基于深度学习的方法在隧道病害检测中展现出巨大潜力，但现有技术仍存在一些显著的局限性，首先，大多数方法侧重于单一模态数据的分析，忽略了其他模态信息的重要性，导致病害检测的全面性和准确性受限，其次，深度学习模型的训练通常依赖于大量标注数据，而在实际环境中，在不同地质条件和运营环境下，模型的泛化能力受到限制，此外，现有技术在处理动态变化的环境条件时，缺乏有效的适应性机制，难以实时调整模型参数以应对不同场景下的病害检测需求。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了基于深度学习的隧道衬砌病害检测系统及方法解决现有技术中单一模态数据利用不足、模型泛化能力弱以及对动态环境适应性差的问题。
3、为解决上述技术问题，本发明提供如下技术方案：
4、第一方面，本发明实施例提供了一种基于深度学习的隧道衬砌病害检测方法，其包括，采集环境数据并进行预处理；通过卷积神经网络，对预处理后的数据进行特征提取，采用注意力机制将多模态特征整合，构建综合病害特征向量；利用综合病害特征向量，训练深度学习模型，通过领域适应策略调整模型参数；通过调整后的模型参数，进行实时病害检测与诊断；基于病害诊断结果，分析预测病害发展趋势；根据病害预测分析，制定智能维护策略。
5、作为本发明所述基于深度学习的隧道衬砌病害检测方法的一种优选方案，其中：所述采集环境数据并进行预处理，具体步骤如下：
6、通过多类传感器，采集隧道环境中的图像数据、声学信号、振动数据以及温度分布信息；
7、采用中值滤波对图像数据进行去噪处理；
8、应用带通滤波器去除背景噪声；
9、对振动数据执行基线校正，去除环境背景振动；
10、实施温度补偿，修正环境影响下的测量偏差
11、将预处理后的环境数据整合成多模态数据集d；
12、作为本发明所述基于深度学习的隧道衬砌病害检测方法的一种优选方案，其中：所述通过卷积神经网络，对预处理后的数据进行特征提取，采用注意力机制将多模态特征整合，构建综合病害特征向量，具体步骤如下：
13、使用卷积神经网络的卷积层和池化层，提取隧道内的环境数据中特征向量，包括图像特征向量i、声纹信号特征向量a、振动数据特征向量v和温度分布特征向量t；
14、采用注意力机制，计算每个模态的特征向量的注意力权重，表达式为：；其中，b是计算注意力权重的可学习向量，wi是针对每个模态特征向量应用于全连接层的可学习权重矩阵，b是偏置项，αi是注意力权重，i是正在计算注意力权重的特定模态，j是图像、声学信号、振动数据和温度分布这四种模态之一；
15、通过注意力权重，将每个模态的特征向量进行加权求和，构建综合病害特征向量，表达式为：；其中，f是综合病害特征向量。
16、作为本发明所述基于深度学习的隧道衬砌病害检测方法的一种优选方案，其中：所述利用综合病害特征向量，训练深度学习模型，通过领域适应策略调整模型参数，具体步骤如下：
17、将源隧道环境中的数据集d划分为训练集dt和验证集dv；
18、采用交叉熵损失lce衡量模型预测值与真实病害之间的差异；
19、通过领域适应损失lda，最小化源环境和目标环境特征分布之间的差异，采用mmd，计算两个分布的核特征映射之间的距离，度量源环境和目标环境特征分布的相似性，表达式为：；其中，fs表示源环境的综合病害特征向量集，ft表示目标环境的综合病害特征向量集，lda表示领域适应损失，θ是模型参数；
20、结合病害分类的交叉熵损失和领域适应损失，定义一个复合损失函数l，交替对病害分类损失和领域适应损失进行最小化处理，指导模型参数θ的学习和优化，表达式为：；其中，lce表示交叉熵损失，λ是lce和lda相对重要性的超参数，minl（θ）表示最小化的损失函数l（θ）关于模型参数θ的最小值；
21、在每次训练结束时，使用验证集dv评估模型在验证集上的损失和泛化能力，基于模型的损失和泛化能力调整模型参数θ，表达式为：；其中，k是与f相对于的病害状态，f（f；θ）是深度学习模型对于输入特征向量f的预测输出，θ*是调整后的模型参数，j（θ*；dv）是验证集dv上模型的平均损失；
22、作为本发明所述基于深度学习的隧道衬砌病害检测方法的一种优选方案，其中：所述通过调整后的模型参数，进行实时病害检测与诊断，具体步骤如下：
23、将调整后的模型参数θ*通过https传回至卷积神经网络，进行二次特征提取和加权融合，生成更新后的综合病害特征向量f*；
24、基于隧道内的环境数据，定义一个时间依赖的时间适应性病害判别阈值η（t），结合更新后的综合病害特征向量f*和调整后的模型参数θ*，对隧道内的病害概率进行诊断，表达式为：；其中，pd表示病害的存在概率，ψ为非线性转换函数；
25、当pd≥η（t）时，表示病害存在概率超出安全范围，系统立即生成警报并详细记录病害的位置、类型和严重程度；
26、当pd<η（t）时，表示病害存在概率处于安全范围，继续监测病害发展状况。
27、作为本发明所述基于深度学习的隧道衬砌病害检测方法的一种优选方案，其中：所述基于病害诊断结果，分析预测病害发展趋势，具体步骤如下：
28、基于实时检测的病害存在概率pd与历史数据的动态分析，并结合环境周期性变化和更新后的综合病害特征向量f*，通过非线性转换函数综合评估预测病害在未来时间点t的发展趋势，表达式为：；其中，nd（t），是在时间t的pd归一化因子，nl（t）是在时间t的滞后的pd归一化因子，ns（t）是在时间t的周期性变化的归一化因子，nf*（t）是在时间t的更新后的综合病害特征向量f*的归一化因子，nε（t）是在时间t的随机扰动项ε（t）的归一化因子，ppd是在时间点病害发展的概率。
29、作为本发明所述基于深度学习的隧道衬砌病害检测方法的一种优选方案，其中：所述根据病害预测分析，制定智能维护策略，具体步骤如下：
30、基于病害发展趋势的预测ppd（t），识别病害发展的高风险区域和时间段，根据发展的高风险区域和时间段，制定动态维护计划；
31、引入响应函数r（t），根据ppd（t）的预测结果和结构健康状况自动调整维护活动的力度，表达式为：；其中，h（t）表示结构在时间t时的健康指数，c（t）表示在时间t时的成本约束，γ1是ppd（t）调节系数，γ2是h（t）的调节系数，γ3是c（t）的调节系数，ξ（t）代表在时间t随机误差项；
32、定义三个关键阈值：响应函数r（t）的低阈值rl、响应函数r（t）的中阈值rm和响应函数r（t）的高阈值rh；
33、当r（t）≤rl时，表明病害发展的风险处于可控水平，结构健康状况良好，执行常规维护计划，当rl<r（t）≤rh时，表明病害发展风险开始增加，启动加强监测和局部维护，当r（t）﹥rh时，表明病害发展风险极高，已经威胁到结构的整体安全，迅速实施紧急维护行动。
34、第二方面，本发明提供了一种基于深度学习的隧道衬砌病害检测系统，包括，数据采集与预处理模块、特征融合模块、病害检测与诊断模块、病害发展趋势预测模块和智能维护策略制定模块；数据采集与预处理模块用于采集隧道内环境数据，并对采集的数据进行预处理；特征融合模块用于对预处理后的数据进行特征提取，采用注意力机制整合多模态特征；病害检测与诊断模块用于实时病害检测，计算病害存在概率pd，并基于时间适应性病害判别阈值η（t）进行病害诊断；病害发展趋势预测模块用于基于病害存在概率pd、历史数据、环境周期性变化和综合病害特征向量f*，预测病害在未来时间点t的发展趋势ppd（t）；智能维护策略制定模块用于基于病害发展趋势预测ppd（t），制定智能维护策略。
35、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于深度学习的隧道衬砌病害检测方法的任一步骤。
36、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于深度学习的隧道衬砌病害检测方法的任一步骤。
37、本发明有益效果为：通过多模态数据采集和预处理，利用卷积神经网络和注意力机制提取并整合环境特征，构建深度学习模型进行病害检测与诊断，该方法不仅提高了病害识别的准确性，而且通过领域适应策略增强了模型的泛化能力，通过实时监测与智能分析，该系统能预测病害发展趋势，据此制定动态维护策略，实现资源的优化配置和维护活动的精准调度，最终达到延长隧道寿命、保障行车安全和降低维护成本的目，这一系列智能化的步骤显著提升了隧道结构健康管理的效能和智能化水平。
1.一种基于深度学习的隧道衬砌病害检测方法，其特征在于：包括，
2.如权利要求1所述的基于深度学习的隧道衬砌病害检测方法，其特征在于：所述采集环境数据并进行预处理，具体步骤如下：
3.如权利要求2所述的基于深度学习的隧道衬砌病害检测方法，其特征在于：所述通过卷积神经网络，对预处理后的数据进行特征提取，采用注意力机制将多模态特征整合，构建综合病害特征向量，具体步骤如下：
4.如权利要求3所述的基于深度学习的隧道衬砌病害检测方法，其特征在于：所述利用综合病害特征向量，训练深度学习模型，通过领域适应策略调整模型参数，具体步骤如下：
5.如权利要求4所述的基于深度学习的隧道衬砌病害检测方法，其特征在于：所述通过调整后的模型参数，进行实时病害检测与诊断，具体步骤如下：
6.如权利要求5所述的基于深度学习的隧道衬砌病害检测方法，其特征在于：所述基于病害诊断结果，分析预测病害发展趋势，具体步骤如下：
7.如权利要求6所述的基于深度学习的隧道衬砌病害检测方法，其特征在于：所述根据病害预测分析，制定智能维护策略，具体步骤如下：
8.一种基于深度学习的隧道衬砌病害检测系统，基于权利要求1~7任一所述的基于深度学习的隧道衬砌病害检测方法，其特征在于：包括，数据采集与预处理模块、特征融合模块、病害检测与诊断模块、病害发展趋势预测模块和智能维护策略制定模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1~7任一所述的基于深度学习的隧道衬砌病害检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1~7任一所述的基于深度学习的隧道衬砌病害检测方法的步骤。
