Face aux problèmes récurrents des maladies des parois des entrées de tunnels dans des environnements de haute altitude difficiles et à l'inefficacité des méthodes traditionnelles de détection des maladies, ainsi qu'au danger élevé, une méthode de détection des maladies des parois des entrées de tunnels en zone de haute montagne basée sur les images de drones et l'apprentissage en profondeur a été proposée. Tout d'abord, des images des parois des entrées de tunnels dans la région ardue du Xinjiang ont été prises par des drones, et un ensemble de données de segmentation sémantique de maladies des parois des entrées de tunnels a été créé; ensuite, sur la base du modèle de segmentation sémantique DeeplabV3+, un modèle amélioré TP-DeeplabV3+ a été proposé avec l'utilisation de MobileNetV2 comme réseau d'extraction de caractéristiques principal pour réduire la taille du modèle. La perte focale a été utilisée comme fonction de perte pour résoudre le problème du déséquilibre des classes dans les images des maladies; un mécanisme d'attention CA a été ajouté pour améliorer les performances de segmentation du modèle; enfin, une méthode de quantification des maladies a été proposée. Les résultats montrent que TP-DeeplabV3+ peut atteindre 88,37% et 94,93% pour mIoU et mPA sur l'ensemble de test, et la taille du modèle a été compressée de 88,83%; la méthode de quantification des maladies proposée pour l'erreur absolue de couverture des maladies inférieure à 0,3% et l'erreur relative inférieure à 7,31%. Comparé aux méthodes traditionnelles, cette méthode permet une détection intelligente des parois des entrées de tunnels dans des environnements difficiles de haute altitude en toute sécurité et avec précision.

maladies des parois des entrées de tunnels; apprentissage en profondeur; segmentation sémantique; drones; zone de haute montagne