Angesichts der wiederholten Probleme mit Erkrankungen der Wände von Tunnelzugängen in schwierigen hochalpinen Umgebungen und der Unwirksamkeit traditioneller Methoden zur Erkennung von Erkrankungen sowie der hohen Gefahr wurde eine Methode zur Erkennung von Erkrankungen der Wände von Tunnelzugängen in Hochgebirgsgebieten auf der Grundlage von Drohnenbildern und tiefem Lernen vorgeschlagen. Zunächst wurden Bilder von den Wänden der Tunnelzugänge in der rauen Region Xinjiang mit Drohnen aufgenommen und ein Datensatz für die semantische Segmentierung von Erkrankungen der Wände von Tunnelzugängen erstellt; anschließend wurde auf der Grundlage des semantischen Segmentierungsmodells DeeplabV3+ ein verbessertes Modell TP-DeeplabV3+ mit der Verwendung von MobileNetV2 als Hauptmerkmalsextraktionsnetzwerk zur Reduzierung der Modellgröße vorgeschlagen. Der Focal Loss wurde als Verlustfunktion verwendet, um das Problem des Ungleichgewichts der Klassen in den Bildern der Erkrankungen zu lösen; ein CA-Aufmerksamkeitsmechanismus wurde hinzugefügt, um die Segmentierungsleistung des Modells zu verbessern; schließlich wurde eine Methode zur Quantifizierung der Erkrankungen vorgeschlagen. Die Ergebnisse zeigen, dass TP-DeeplabV3+ 88,37% und 94,93% für mIoU und mPA im Testset erreichen kann und die Modellgröße um 88,83% komprimiert wurde; die vorgeschlagene Methode zur Quantifizierung der Erkrankungen für die absolute Fehlerabdeckung der Erkrankungen unter 0,3% und der relative Fehler unter 7,31% ermöglicht. Im Vergleich zu traditionellen Methoden ermöglicht diese Methode eine sichere und präzise intelligente Erkennung der Wände von Tunnelzugängen in schwierigen hochalpinen Umgebungen.

Erkrankungen der Wände von Tunnelzugängen; tiefes Lernen; semantische Segmentierung; Drohnen; Hochgebirgsgebiete