个人卖家：
zhuge帮忙
创建于：2025-08-23
隧道衬砌裂缝识别算法（SK注意力机制与级联神经网络）
￥399.00
| 使用环境 |
在地铁隧道等地下工程场景中，使用普通摄像头在距离隧道衬砌表面一定距离（2.4m）处拍摄图像，拍摄距离可根据实际需求调整。摄像头以一定分辨率（5120×5120）进行拍摄，图像覆盖区域为一定范围（2.88×2.88m²）。该算法适用于不同光照条件下的隧道衬砌裂缝检测，可处理因光照不均匀等因素导致的图像亮度变化。 |
| 使用对象 |
地铁隧道衬砌表面的裂缝 |
| 使用目的 |
自动检测隧道衬砌裂缝，提高检测效率和准确性，及时发现潜在安全隐患，为隧道维护和修复提供依据，保障地铁等地下工程的安全运行。 |
| 输入数据 |
隧道衬砌裂缝的可见光波段图像帧 |
| 输出数据 |
裂缝的分类结果（裂缝或无裂缝）、裂缝区域的分割图像、裂缝的位置坐标、裂缝的长度、宽度等尺寸信息 |
| 硬件配置 |
CPU：Intel Core i7-6500，3.2GHz；GPU：无特定要求，可选配具有较好计算性能的GPU以加速算法运行；内存：8GB及以上，根据实际需求可适当增加；拍摄装置：普通摄像头，分辨率5120×5120； |
| 样本获取 |
在实际地铁隧道现场，以不同角度、距离、光照条件拍摄隧道衬砌图像，获取12000张样本图像，其中10000张用于训练集，2000张用于测试集。 |
| 测试结果 |
对测试集中的2000个样本进行测试，区域分类网络的识别准确率达到98.51%。在裂缝分割方面，算法的分割准确率达到94.55%，单张图像处理时间为60.76ms，相比FCN和U-net等经典方法，具有更高的分割精度和更快的处理速度。 |
| 执行速度 |
单张图像处理时间60.76ms |
| 资源消耗 |
针对上述硬件配置，运行算法时，CPU平均占用率约为50%-60%，内存使用占比约40%-50%。 |
| 源码类型 |
Python版本源码 |
| 文件大小 |
算法程序文件32KB，权重文件56MB。 |
| 相关备注 |
本算法基于深度学习技术，结合SK注意力机制和级联神经网络，针对隧道衬砌裂缝检测进行了优化，具有较高的检测精度和效率，可为地铁隧道等地下工程的维护提供有力支持。 |
