基于VGG-SegNet的施工现场积水像素级分割方法

许树旺; 姚德宁; 余群舟; 骆汉宾; 朱章琴; 马志宇; 冯文杰

doi:10.12404/j.issn.1671-1815.2502956

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (12) :5220-5231 DOI: 10.12404/j.issn.1671-1815.2502956

建筑科学

基于VGG-SegNet的施工现场积水像素级分割方法

许树旺 ¹^,² ,
姚德宁 ¹^,³ ,
余群舟 ¹^,²^,^* ,
骆汉宾 ¹^,² ,
朱章琴 ¹^,² ,
马志宇 ¹^,² ,
冯文杰 ¹^,²

作者信息 +

Pixel-level Segmentation Method for Waterlogging on Construction Sites Based on VGG-SegNet

XU Shu-wang ¹^,² ,
YAO De-ning ¹^,³ ,
YU Qun-zhou ¹^,²^,^* ,
LUO Han-bin ¹^,² ,
ZHU Zhang-qin ¹^,² ,
MA Zhi-yu ¹^,² ,
FENG Wen-jie ¹^,²

Author information +

文章历史 +

摘要

为提升施工现场积水全天候自动排查水平,基于SegNet网络与VGG19卷积神经网络改进下采样网络,通过采用重要性感知损失函数(importance-aware loss function, IAL)作为交叉熵损失函数(cross-entropy loss function),提出了一种用于施工现场积水检测的VGG-SegNet语义分割模型,实现了对积水的像素级分割。该模型的总体类别交并比(overall intersection over union, OIoU)达到98%,F₁分数达到96%,均显著优于SegNet模型。同时提出了目标像素尺寸法,通过构建透视投影映射关系,运用像素的位置面积权重计算现场积水面积。施工现场测试显示,积水的像素分割准确率平均值为97.47%,面积计算误差率(绝对)平均值为4.24%,验证了方法的有效性。VGG-SegNet模型在施工现场积水图像识别方面表现良好,在准确、快速智能化检测施工现场积水隐患具有较好的应用前景。

Abstract

To improve the all-weather automatic detection of waterlogging at construction sites, a VGG-SegNet semantic segmentation model based on the SegNet network was proposed. The downsampling network was improved by using the VGG19 convolutional neural network, and the importance-aware loss function (IAL) was adopted as the cross-entropy loss function to achieve pixel-level segmentation of waterlogging. The model’s overall intersection over union (OIoU) reaches 98%, and the F₁ score reaches 96%, both significantly better than the SegNet model. A target pixel size method was proposed for calculating the surface area of waterlogged areas. It construed a perspective projection mapping relationship and uses pixel position and area weights. Construction site tests validated the proposed method, showing an average pixel segmentation accuracy of 97.47% for waterlogged areas and an average absolute error rate of 4.24% for area calculation. The VGG-SegNet model performs well in recognizing waterlogging images at construction sites. Therefore, it has great prospects for promotion and application in the accurate, rapid and intelligent detection of waterlogging at construction sites.

Graphical abstract

关键词

积水检测 / 语义分割 / SegNet / 重要性感知损失函数 / 面积量化

Key words

waterlogging detection / semantic segmentation / SegNet / importance-aware loss function / area quantization

引用本文

引用格式 ▾

许树旺, 姚德宁, 余群舟, 骆汉宾, 朱章琴, 马志宇, 冯文杰. 基于VGG-SegNet的施工现场积水像素级分割方法[J]. 科学技术与工程, 2026, 26(12): 5220-5231 DOI:10.12404/j.issn.1671-1815.2502956

XU Shu-wang, YAO De-ning, YU Qun-zhou, LUO Han-bin, ZHU Zhang-qin, MA Zhi-yu, FENG Wen-jie. Pixel-level Segmentation Method for Waterlogging on Construction Sites Based on VGG-SegNet[J]. Science Technology and Engineering, 2026, 26(12): 5220-5231 DOI:10.12404/j.issn.1671-1815.2502956

登录浏览全文

4963

注册一个新账户忘记密码

积水是土木施工现场主要的安全隐患之一,不仅会损坏建筑材料,降低地基稳定性,还会导致行人无法通过、机车抛锚、现场漏断电等问题^[1]。更重要的是,在基坑、隧道等地下工程开挖施工期间,施工作业面存在积水往往是发生涌水、涌砂、管涌等风险事件的前兆^[2]。如何自动、及时、准确地检测积水不仅是排查和消除此类安全隐患的工作重点,也是工作难点。目前,施工现场积水排查主要以人工现场巡查和人工排查视频监控的方式开展^[3],不仅需要投入大量人力而且难以做到全天候排查。

为了充分利用施工现场视频监控资源,随着图像处理技术的快速发展,学者们开展了大量的相关研究。李明洪等^[4]利用特定激光补光及图像采集分析判别系统实现区域式无靶标积水的有效检测,该方法具有较高的精度,但对积水边缘识别效果不佳。针对边缘检测精度不足的问题,龚扬峰等^[5]通过无人机航拍内涝区域的正射影像;利用地面参照物人工标定“陆水边界”,利用GIS工具进行栅格数据计算,从而得到积水分布及深度,但该方法后处理效率较低,而且需要特定的参照物,无法满足积水快速检测的需求。

由于快速性、无损性等优势,基于深度学习的图像识别技术已成为积水检测的研究热点。薛丰昌等^[6]将MobileNetV2迁移至DeeplabV3+的主干网络,利用倒置残差结构增强特征层的贡献,有效筛选出积水区域的特征。Geng等^[7]提出了一种具有自上而下架构的BlendMask图像分割模型,可以准确提取积水区域。Zhang等^[8]提出一种集成YOLOv8和卷积块注意力模块CBAM的框架,实现了对低分辨率图像中积水特征的分割。积水图像的背景中干扰物对积水识别精确率影响较大,针对此问题,薛亚东等^[9]通过分析不同积水样本集图像特点构建混合样本集,对比模型在不同样本情况下的识别准确度差异,确定了积水模型训练数据集的采集方法。Wang等^[10]采用 Mask R-CNN 作为核心框架,基于金字塔网络改进了层间特征的融合方式,提升了复杂背景中积水检测的稳健性。张志坚等^[11]采用多线程技术实现大规模视频点图像的高效采集,同时基于实例分割RTMDet模型实现积水内涝目标的快速检测和识别。金晓飞等^[12]采用传统数据增强和Mosaic数据增强结合的方法扩充训练集图像,构建的YOLOv7积水检测模型的F₁分数达到87.9%。以上深度学习模型可以快速识别积水并标注积水区域位置,但对图像类别及数量有较大依赖,同时检测结果无法量化积水。

语义分割算法由于网络结构的改进可以更好地应对边缘检测^[13],目前已经可以实现实际工程场景的应用^[14]。语义分割算法可实现积水图像的像素级别分割,进而实现积水图像的精确量化识别。王海等^[15]在Res-UNet++语义分割网络的特征提取部分加入了残差网络实现积水图像的精准分割,平均类别交并比达到90.07%。Xue等^[16]利用迁移学习策略来提高卷积层的鲁棒性,实现了高精度的积水像素分割,并利用积水边界外接矩形框计算积水面积。以上语义分割方法可以识别并定位积水在图像中的位置,但积水面积计算结果存在较大误差且对摄像机位姿依赖性较大(如固定距离与垂直视角)。

综上可知,已有关于积水图像识别的研究集中于更加准确的量化分割模型开发,缺乏对于复杂工程场景的适应性。且积水检测算法的研究成果主要应用在水库湖泊蓄水量监测^[17]、海岸线变化监测^[18]、道路积水检测^[19]、城市内涝监测^[20]等场景。由于施工现场积水具有场景多样性(如水体颜色多变、区域分散等),传统分割模型难以满足施工现场积水准确、快速的智能化检测要求。

针对以上问题,提出施工现场积水像素级分割方法。基于SegNet网络^[21],利用VGG19卷积神经网络^[22]改进下采样网络,采用重要性感知损失函数(importance-aware loss function, IAL)^[23]作为交叉熵损失函数,运用像素的位置面积权重计算积水面积,通过施工现场测试对所提方法进行验证,可以实现施工现场积水图像的精准分割和面积精确计算。VGG-SegNet模型在施工现场积水图像识别方面表现良好,可应用于施工现场积水准确、快速的智能化检测。

1 VGG-SegNet语义分割模型

1.1 网络结构

1.1.1 下采样网络

VGG-SegNet网络的下采样部分使用VGG19卷积神经网络,并在编码器增加初始训练权重。VGG19有16个卷积层和3个全连接层,其深层架构通过堆叠小尺寸卷积核(3×3)实现更大感受野,从而提取更丰富的图像特征。此外,VGG19采用零填充卷积以保持特征图尺寸,避免池化操作导致边缘特征丢失问题。

基于迁移学习策略,将VGG19在ImageNet数据集上的预训练权重初始化为VGG-SegNet网络的编码器参数,既能避免从头训练的计算冗余,又能通过迁移通用特征提升模型的收敛速度和分割精度。VGG-SegNet网络继承了原始网络的上采样池化索引机制,以在语义分割图像重建的过程中保留细粒度边界特征,其网络结构如图1所示。

1.1.2 输入输出参数

VGG-SegNet网络对输入图像进行归一化和等比缩放预处理,可以更有效率地进行卷积计算和边缘特征提取。具体而言,通过双线性插值将图像等比例缩放为正方形,并采用限制对比度自适应直方图均衡化增强局部对比度。该方法可以在避免非均匀形变导致特征失真的同时降低计算复杂度。VGG-SegNet网络通过动态填充支持任意尺寸输入,以3颜色通道512×512像素尺寸的图像作为示例输入,图像参数的特征图尺寸如图2所示。

1.2 模型训练

1.2.1 数据预处理

通过某市轨道交通5条在建线路的761个施工监控摄像机采集基坑、隧道及道路场景典型的积水图像3 519张构建数据集。基于OpenCV库对数据集进行图像增强,增强方式采取几何变换(如水平翻转、随机旋转、缩放及中心裁剪)、色度调整(如亮度、饱和度及色相偏移)和高斯噪声变换的随机组合,增强后数据集增加至21 114张图像,图像增强方式如图3所示。

图3中水平翻转概率设置为20%,旋转角度设置为-10°~10°,水平、垂直缩放倍数均设置为0.8~1.2,裁剪比例设置为-20%~20%,亮度倍数设置为0.9~1.1,饱和度倍数设置为0.7~1.3,高斯噪声比例设置为5%,图像增强方式参数如表1所示。

使用Labelme软件作为图像标注工具,采取人工标注的方式对图像积水区域进行多边形标注,积水像素被标注为1,背景像素被标注为0。将标注图转换为二值Mask图(白色像素代表实际积水,黑色像素代表背景),数据集的原图及对应的标注图和Mask图如图4所示。采用分层随机抽样策略,将增强后的数据集按8∶2的比例划分为训练集(16 891张)和验证集(4 223张)。

1.2.2 超参数优化训练

VGG-SegNet模型训练基于搭载AMD EPYC 9754处理器(18核,2.25 GHz)及NVIDIA RTX 4090D显卡(24 GB GDDR6X)的云计算平台,软件运行环境为PyTorch 2.1.2、Python 3.10与Cuda 11.8。

采用Adam优化器更新超参数,抑制过拟合并提升收敛稳定性,初始学习率(learning rate, LR)设为1×10^-5,通过指数调度器更新学习率衰减系数,模型在60轮(epoch)内均满足收敛条件。

进一步通过网格搜索优化VGG-SegNet模型的超参数,最终确定批尺寸(batch size)为10时,模型的总体类别交并比(overall intersection over union,OIoU)最高且模型收敛速度最快,总体类别交并比达到98%,单批次平均训练耗时0.68 s,VGG-SegNet模型的超参数优化结果如表2所示。

1.3 模型评价

1.3.1 重要性感知损失函数

VGG-SegNet模型使用IAL作为交叉熵损失函数并采取分组计算交叉熵损失函数的策略。IAL可以感知场景中元素的重要性并以此更新参数,使分割的结果更倾向于重要的类别从而提升目标识别的准确率,先分组求类别损失再加权平均求模型损失的方法可以平衡各场景积水图像样本数量分布差异,提高模型计算效率并增强泛化能力。

针对施工现场积水检测,在积水图像的语义分割任务中将常见元素按重要性定义为三个类别:积水是最重要的目标,定义为第一类别;地面、泥土、施工人员、施工机械、建筑物和围栏等是一般重要的目标,定义为第二类别;天空和树木等是不重要的目标,定义为第三类别。要性感知损失函数计算公式为

(1)IAL=I₁+(f₁+a)I₂+(f₂+a)(f₃+a)I₃

式(1)中:IAL为损失值;α为为了优化模型训练设置的调节因子,其值设置为1;f_t为类别动态重要性权重;I_t为类别损失函数,f_t和I_t的计算公式分别为

(2)

$\begin{array}{l}{f}_{t}=\frac{\stackrel{g}{\sum _{i=1}}\stackrel{w}{\sum _{j=1}}\left[\right({M}_{t}{+\lambda )}^{0.5}({p}_{\mathrm{c},i,j}-{M}_{t}{\left)\right]}^{2}}{{N}_{t}},　\\ t=\mathrm{1,2},3\end{array}$

(3)

${I}_{t}=-\stackrel{g}{\sum _{i=1}}\stackrel{w}{\sum _{j=1}}{q}_{i,j}\mathrm{l}\mathrm{n}{p}_{i,j},t=\mathrm{1,2},3$

式中:λ为为了避免在计算动态重要性权重时忽略重要性较低类别设置的调节参数,其值设置为0.5;N_t为为了消除图像大小和像素强度分布差异设置的归一化因子,其值为第t类像素数量总和;M_t为类别的静态初始权重,其值分别设置为0.9、0.5和 0.1;p_c,i,j为第i列第j行像素的真实值;p_i_,_j为第i列第j行像素的模型期望输出值;q_i_,_j为第i列第j行像素的模型实际输出值。

在模型超参数相同的条件下,对原始网络模型和改进过程中的模型进行了独立训练消融实验,训练的同时计算模型的类别交并比和训练损失(Train Loss)并绘制类别交并比和训练损失曲线,模型的类别交并比和训练损失曲线如图5所示。由图5(a)可以看出,SegNet模型的总体类别交并比波动上升最终稳定在85%,训练损失较大且震荡幅度较大。由图5(b)可以看出,利用VGG19卷积神经网络改进下采样网络后模型收敛速度较快,总体类别交并比平稳上升,在训练初期接近80%,并最终达到90%,训练损失虽平稳下降但下降速度滞后于模型收敛速度(模型已收敛损失继续下降)。由图5(c)可以看出,采用重要性感知损失函数IAL作为交叉熵损失函数后模型收敛速度较慢,总体类别交并比波动上升达到95%,训练损失平稳下降且震荡幅度较小。网络结构和损失函数分别单独改进后模型训练表现均有所提升,包括总体类别交并比的提升和训练损失变化的稳定性,且损失函数改进后训练损失优化效果明显。由图5(d)可以看出,VGG-SegNet模型的总体类别交并比平稳上升达到98%,训练损失较小且平稳下降,在训练后期趋近于0。

以上实验结果表明,网络模型改进后模型收敛速度加快但训练损失增大,损失函数改进后模型收敛速度减慢但训练损失减小,而VGG-SegNet模型兼具两者优点,训练时表现优异,收敛速度加快且训练损失减小。相比SegNet模型,VGG-SegNet模型的类别交并比提升13%,稳定后的训练损失下降约15%。

1.3.2 性能评价指标

使用精确率(precision,记为P)和召回率(recall,记为R)作为VGG-SegNet模型的性能评价指标,精确率反映模型对积水的识别准确性,召回率衡量模型对积水的识别全面性。对于施工现场积水检测,若模型将背景误判为积水会导致不必要的停工排查而漏检积水则会导致施工安全隐患,因此增加精确率和召回率的调和平均值F₁分数(F₁ score,记为F₁)来综合评价模型性能。

在标注图的二值Mask图和模型预测生成的二值Mask图中,积水像素值为1,背景像素值为0,积水图像的语义分割任务可以视为一个二分类问题:积水像素为正类(positive class);背景像素为负类(negative class)。精确率(P)、召回率(R)和F₁分数(F₁)的计算公式分别为

(4)P=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$×100%

(5)R=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$×100%

(6)F₁=2$\frac{PR}{P+R}$×100%

式中:TP(true positives)为模型正确预测为积水的像素数量;FP(false positives)为模型错误预测为积水的像素数量;FN(false negatives)为模型错误预测为背景的像素数量。

使用SegNet模型和VGG-SegNet模型分别在数据集上进行了验证,在验证过程中实时计算模型的性能评价指标值,每一轮验证结束后绘制包含精确率、召回率和F₁分数的模型评价指标曲线,模型的精确率-召回率曲线如图6所示。由图6(a)可以看出,SegNet模型的性能评价指标在训练初期处于较低水平且波动幅度较大,精确率、召回率和F₁分数均没有超过80%。由图6(b)可以看出,VGG-SegNet模型的性能评价指标均平稳上升,精确率达到97%,召回率达到95%,F₁分数达到96%。

以上性能评价指标表明,VGG-SegNet模型在积水图像识别时性能良好且非常稳定,相比SegNet模型,F₁分数提升21%。

2 施工现场积水面积计算方法

2.1 目标像素尺寸法

针对施工现场积水图像识别,除了积水像素分割,还需要提取积水的特征信息,即积水面积,用于对现场积水隐患的定量化判断,积水面积的变化可以直观反映施工作业面的风险状况。

基于目标像素尺寸计算积水面积的方法关键在于计算积水图像尺寸和积水实际尺寸的对应关系,基于针孔相机模型构建透视投影映射关系进行尺寸计算。

摄像机在水平地面投影形成倒梯形区域的下底对应的水平实际距离(G)、高对应的竖直实际距离(W)的计算公式分别为

(7)G=$\frac{2H\mathrm{t}\mathrm{a}\mathrm{n}\frac{\mathrm{F}\mathrm{O}{\mathrm{V}}_{\mathrm{h}}}{2}}{\mathrm{c}\mathrm{o}\mathrm{s}\left(\theta -\frac{\mathrm{F}\mathrm{O}{\mathrm{V}}_{\mathrm{v}}}{2}\right)}$

(8)W=$\frac{H\mathrm{s}\mathrm{i}\mathrm{n}\mathrm{F}\mathrm{O}{\mathrm{V}}_{\mathrm{v}}}{\mathrm{c}\mathrm{o}\mathrm{s}\left(\theta +\frac{\mathrm{F}\mathrm{O}{\mathrm{V}}_{\mathrm{v}}}{2}\right)\mathrm{c}\mathrm{o}\mathrm{s}\left(\theta -\frac{\mathrm{F}\mathrm{O}{\mathrm{V}}_{\mathrm{v}}}{2}\right)}$

式中:H为摄像机的垂直高度;θ为摄像机的俯仰角;FOV_h和FOV_v分别为摄像机的水平视场角和垂直视场角。

积水图像中不同位置的像素对应的实际距离不同,根据摄像机的分辨率以及投影区域的水平实际距离和竖直实际距离为积水图像中每个位置的像素赋予水平面积权重d_s_i(第i列像素的宽)和竖直面积权重d_s_j(第j行像素的高),以倒梯形区域底边中点为坐标原点定义像素的位置坐标。水平面积权重和竖直面积权重的计算公式分别为

(9)d_s_i=$\frac{W\left(2j\mathrm{t}\mathrm{a}\mathrm{n}\frac{\mathrm{F}\mathrm{O}{\mathrm{V}}_{\mathrm{h}}}{2}+G\right)}{wg}$

(10)d_s_j=$\frac{W}{w\mathrm{c}\mathrm{o}\mathrm{s}\left[\frac{\mathrm{F}\mathrm{O}{\mathrm{V}}_{\mathrm{h}}}{2}\left(1-\frac{2i}{g}\right)\right]}$

式中:i为每一列像素的宽;j为每一行像素的高;g和w分别为积水图像分辨率的宽和高。

通过VGG-SegNet模型识别积水图像,统计得到积水像素的位置S_i_,_j(像素位于第i列第j行)并计算积水面积A,积水面积计算公式为

(11)

$\mathrm{A}=\stackrel{\mathrm{g}}{\sum _{i=1}}\stackrel{w}{\sum _{j=1}}{S}_{i,j}{d}_{\mathrm{s}i}{d}_{\mathrm{s}j}$

2.2 积水面积计算

积水面积计算结果如图7所示。基于前述透视投影映射关系与目标像素尺寸的面积计算方法,设置摄像机的视场角、垂直高度、俯仰角及分辨率参数。使用VGG-SegNet模型获取输入图像的分辨率,判断与摄像机的分辨率是否一致,识别积水像素位置并根据图像分辨率计算积水实际面积。将预测生成的二值Mask图覆盖在原图上。可视化界面根据分辨率是否匹配的判断结果使用不同颜色字体显示积水像素数量、积水像素数量占比和积水计算面积等结果,同时显示原始输入图像和检测后的积水图像作为对比。

3 施工现场积水识别测试及应用

3.1 测试概况

在各种场景的施工现场选取监控画面中存在积水的摄像机,查看摄像机型号获取需要明确的参数并采集图像,使用激光测距仪和数字倾角仪测量摄像机安置高度和俯仰角,实地测量积水面积。现场共采集64组测试数据,其中基坑(J)38组、隧道(S)14组、道路(D)12组。

使用VGG-SegNet模型识别积水图像并计算积水面积。对图像中的积水进行标注,将标注图的二值Mask图与模型预测生成的二值Mask图重叠,二值Mask重叠图如图8所示。通过重叠图(图8)可以看出,绝大部分测试图像的积水均可以被正确且精确识别,部分图像边缘存在轻微错误识别。统计重叠图中像素数量,计算积水像素分割准确率和误差率,根据计算结果和测量结果计算积水面积计算误差率。

3.2 测试结果分析

对VGG-SegNet模型在测试集上得到的积水像素分割准确率、误差率和面积计算误差率结果进行分析,积水图像分割和计算结果如图9所示。由图9(a)可以看出,总体测试集的积水像素分割准确率全部处于94%之上,平均值为97.47%。其中基坑场景分布最均匀且最大最小值均明显高于其他场景,分割效果最佳。由图9(b)可以看出,积水像素分割误差率集中在-2.5%~5%。由误差率(绝对)的平均值(箱中线)、最大最小值(上下线)和四分位距(箱上下表面)可以看出,基坑场景的误差率分布最集中,隧道场景分布最离散,而道路场景分布最均匀。由图9(c)可以看出,总体测试集的积水面积计算误差率(绝对)平均值为4.24%,基坑场景的误差率(绝对)平均值最小但误差率分布最离散,隧道场景的误差率(绝对)平均值居中且误差率分布最集中,而道路场景的误差率(绝对)平均值最大。

以上测试结果表明,VGG-SegNet模型可以识别施工现场各场景的积水图像,实现积水像素精准分割和积水面积精确计算,基坑场景分割效果最好。

3.3 应用实例

某市轨道交通12号线在建工程十-武区间盾构段下穿多栋地标建筑,全长855 m。区间纵断面最小曲线半径为3 000 m,纵断面采用“V”形坡。隧道顶埋深为4.45~15.1 m,地形地貌为剥蚀堆积陇岗区(长江冲洪积三级阶地),该区下伏典型的二元沉积砂砾层,属长江古河道,在该区域盾尾发生渗漏风险较高。

工程施工开始之前,将本文算法部署在盾构机尾部摄像机并设置相应参数,对盾构掘进过程是否有积水持续监控。左线盾构推进完成380环后暂停检修,在检修期间,自动检测到盾构拼装区有积水,如图10所示。系统将信息第一时间推送至管理人员,后结合人工排查此积水为盾构施工进水管开裂渗漏造成,及时进行了更换处理,保障了施工安全进行。

4 结论

提出一种用于施工现场积水检测的VGG-SegNet语义分割模型,通过大规模施工现场图像数据集进行模型训练,对施工现场积水图像进行精准分割,提出目标像素尺寸法,运用像素的位置面积权重计算积水面积,通过施工现场测试对所提方法进行验证,得出以下结论。

(1)基于SegNet网络,利用VGG19卷积神经网络改进下采样网络,采用IAL作为交叉熵损失函数,提出一种用于施工现场积水检测的VGG-SegNet语义分割模型,实现对积水图像的像素级分割。模型在训练时表现优异,总体类别交并比达到98%。模型在积水图像识别时性能良好且非常稳定,F₁达到96%。

(2)提出运用像素的位置面积权重计算积水面积的目标像素尺寸法,基于针孔相机模型构建透视投影映射关系进行尺寸计算,可以精确计算积水面积。

(3)现场测试结果表明,VGG-SegNet模型可以识别施工现场积水图像,实现积水像素精准分割和积水面积精确计算,积水像素分割准确率、误差率(绝对)的平均值分别为97.47%、1.95%,积水面积计算误差率(绝对)的平均值为4.24%,其中基坑场景积水图像的像素分割准确率最高且面积计算精确率最高。VGG-SegNet模型在施工现场积水图像识别方面表现良好,可应用于施工现场积水准确、快速的智能化检测。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	张飞涟, 徐玮婧, 王梦琴, 等. 铁路隧道施工安全风险评估及趋势分析研究[J]. 安全与环境学报, 2024, 24(7): 2473-2482.

[2]	Zhang Feilian, Xu Weijing, Wang Mengqin, et al. Risk assessment and trend research of railway tunnel construction safety[J]. Journal of Safety and Environment, 2024, 24(7): 2473-2482.

[3]	王旭阳, 韩玉珍, 华福才, 等. 基于ISM-MICMAC的盾构隧道病害影响关系分析[J]. 土木工程学报, 2024, 57(S2): 60-66.

[4]	Wang Xuyang, Han Yuzhen, Hua Fucai, et al. Analysis of the influence relationship of shield tunnel defects based on ISM-MICMAC[J]. China Civil Engineering Journal, 2024, 57(S2): 60-66.

[5]	周中, 闫龙宾, 张俊杰, 等. 基于深度学习的公路隧道表观病害智能识别研究现状与展望[J]. 土木工程学报, 2022, 55(S2): 38-48.

[6]	Zhou Zhong, Yan Longbin, Zhang Junjie, et al. Review and prospect of intelligentidentification of apparent diseases in highway tunnels based on deep learning[J]. China Civil Engineering Journal. 2022, 55(S2): 38-48.

[7]	李明洪, 刘宏. 基于无靶标图像的轨道交通隧道内积水检测技术[J]. 铁道建筑, 2022, 62(10): 166-169.

[8]	Li Minghong, Liu Hong. Detection technology of water accumulation zones in rail transit tunnels based on no target image[J]. Railway Engineering, 2022, 62(10): 166-169.

[9]	龚扬峰, 林休玮, 黄洁玲, 等. 基于DEM及UAV正射影像的城市内涝积水分布研究[J]. 哈尔滨商业大学学报(自然科学版), 2023, 39(2): 169-177.

[10]	Gong Yangfeng, Lin Xiuwei, Huang Jieling, et al. Study on distribution of urban waterlogging based on DEM and UAV orthophoto images[J]. Journal of Harbin University of Commerce(Natural Sciences Edition), 2023, 39(2): 169-177.

[11]	薛丰昌, 吕鑫, 陈笑娟. 基于改进DeeplabV3+的城市内涝监测方法[J]. 测绘科学, 2023, 48(10): 216-224.

[12]	Xue Fengchang, Lü Xin, Chen Xiaojuan. Urban flood monitoring method based on improved DeeplabV3+[J]. Science of Surveying and Mapping, 2023, 48(10): 216-224.

[13]	Geng P, Jia M Y, Ren X X. Tunnel lining water leakage image segmentation based on improved BlendMask[J]. Structural Health Monitoring, 2023, 22(2): 865-878.

[14]	Zhang C H, Chen X S, Liu P, et al. Automated detection and segmentation of tunnel defects and objects using YOLOv8-CM[J]. Tunnelling and Underground Space Technology, 2024, 150:105857.

[15]	薛亚东, 贾非, 郭春生, 等. 基于深度学习的盾构隧道渗漏水病害混合样本集构建与精细分割[J]. 应用基础与工程科学学报, 2023, 31(4): 1032-1042.

[16]	Xue Yadong, Jia Fei, Guo Chunsheng, et al. Deep learning-based shield tunnel leakage mixed dataset construction and fine segmentation[J]. Journal of Basic Science and Engineering, 2023, 31(4): 1032-1042.

[17]	Wang B X, He N N, Xu F, et al. Visual detection method of tunnel water leakage diseases based on feature enhancement learning[J]. Tunnelling and Underground Space Technology, 2024, 153: 106009.

[18]	张志坚, 伍光胜, 黎洁仪, 等. 一种基于深度学习的城市道路积水内涝图像识别方法[J]. 热带气象学报, 2024, 40(6): 918-930

[19]	Zhang Zhijian, Wu Guangsheng, Li Jieyi, et al. A method for urban road waterlogging image recognition based on deep learning[J]. Journal of Tropical Meteorology, 2024, 40(6): 918-930.

[20]	金晓飞, 郭帅, 黄琼, 等. 基于YOLOv7算法的易涝区积水快速识别方法研究[J]. 中国给水排水, 2024, 40(9): 123-128.

[21]	Jin Xiaofei, Guo Shuai, Huang Qiong, et al. Amethod for rapid identification of waterlogging in flood-prone area based on YOLOv7[J]. China Water & Wastewater, 2024, 40(9): 123-128.

[22]	张秀再, 张昊, 杨昌军. 基于DeeplabV3+网络的轻量化语义分割算法[J]. 科学技术与工程, 2024, 24(24): 10382-10393.

[23]	Zhang Xiuzai, Zhang Hao, Yang Changjun. Lightweight semantic segmentation algorithm based on DeeplabV3+network[J]. Science Technology and Engineering, 2024, 24(24): 10382-10393.

[24]	汪南洋, 沈疆海. 基于MSHAM-UNet的岩心孔洞图像分割方法[J]. 科学技术与工程, 2024, 24(24): 10362-10369.

[25]	Wang Nanyang, Shen Jianghai. Image segmentation method of rock core hole based on MSHAM-UNet[J]. Science Technology and Engineering, 2024, 24(24): 10362-10369.

[26]	王海, 蔡柏湘, 蔡英凤, 等. 基于语义分割网络的路面积水与湿滑区域检测[J]. 汽车工程, 2021, 43(4): 485-491.

[27]	Wang Hai, Cai Baixiang, Cai Yingfeng, et al. Detection of water-covered and wet areas on road pavement based on semantic segmentation network[J]. Automotive Engineering, 2021, 43(4): 485-491.

[28]	Xue Y D, Cai X Y, Shadabfar M, et al. Deep learning-based automatic recognition of water leakage area in shield tunnel lining[J]. Tunnelling and Underground Space Technology, 2020, 104: 103524.

[29]	张雨林, 蒋昌波, 隆院男, 等. 基于Sentinel-1A SAR的洞庭湖汛期水体面积动态变化监测研究[J]. 遥感技术与应用, 2024, 39(3): 741-752.

[30]	Zhang Yulin, Jiang Changbo, Long Yuannan, et al. Dynamic monitoring of water area in Dongting Lake during flood season based on Sentinel-1A SAR data[J]. Remote Sensing Technology and Application, 2024, 39(3): 741-752.

[31]	Park S, Song A H. Shoreline change analysis with deep learning semantic segmentation using remote sensing and GIS data[J]. KSCE Journal of Civil Engineering, 2024, 28(2): 928-938.

[32]	白岗岗, 侯精明, 韩浩, 等. 基于深度学习的道路积水智能监测方法[J]. 水资源保护, 2021, 37(5): 75-80.

[33]	Bai Ganggang, Hou Jingming, Han Hao, et al. Intelligent monitoring method for road inundation based on deep learning[J]. Water Resources Protection, 2021, 37(5): 75-80.

[34]	栾清华, 秦志宇, 王东, 等. 城市暴雨道路积水监测技术及其应用进展[J]. 水资源保护, 2022, 38(1): 106-116, 140.

[35]	Luan Qinghua, Qin Zhiyu, Wang Dong, et al. Review on monitoring technology of urban road waterlogging after rainstorm and its application[J]. Water Resources Protection, 2022, 38(1): 106-116, 140.

[36]	Kachole S, Huang X Q, Naeini F B, et al. Bimodal SegNet:fused instance segmentation using events and RGB frames[J]. Pattern Recognition, 2024, 149: 110215.

[37]	Beissenova G, Madiyarova A, Aliyeva A, et al. Using pretrained VGG19 model and image segmentation for rice leaf disease classification[J]. International Jouranl of Advanced Computer Science and Applications, 2024, 15(8): 743-752.

[38]	Xiang K T, Wang K W, Yang K L. Importance aware semantic segmentation with efficient pyramidal context network for navigational assistant systems[C]// IEEE Intelligent Transportation Systems Conference(ITSC). Auckland: IEEE, 2019: 3412-3418.

基金资助

国家自然科学基金联合基金(U21A20151)

PDF (25648KB)

访问

被引

详细

导航

Received	Published	Revised
2025-04-24	2026-04-28	2025-11-19
Online Date
2026-05-29

摘要