Для решения проблем частого возникновения заболеваний стен входов тоннелей в условиях суровой высокогорной среды и низкой эффективности традиционных методов их проверки, а также высокой опасности, предложен метод обнаружения заболеваний стен входов тоннелей в высокогорных районах на основе изображений беспилотных летательных аппаратов и глубокого обучения. Во-первых, с помощью беспилотных летательных аппаратов были сделаны снимки стен входов тоннелей в суровом регионе Восточного Туркестана, а также создано множество данных для семантического разделения заболеваний стен входов тоннелей. Затем, на основе модели семантического разделения DeeplabV3+, была предложена улучшенная модель TP-DeeplabV3+ с использованием MobileNetV2 в качестве основной сети извлечения признаков для уменьшения размеров модели. Использовалась функция потерь Focal для решения проблемы несбалансированности классов изображений заболеваний; был добавлен механизм внимания CA для улучшения разделения модели. В конце был предложен метод количественной оценки заболеваний. Результаты показали, что TP-DeeplabV3+ может достичь 88,37% и 94,93% для mIoU и mPA на тестовом наборе данных, и размер модели был уменьшен на 88,83%; предложенный метод количественной оценки заболеваний позволяет получать абсолютную погрешность охвата заболеваний менее 0,3% и относительную погрешность менее 7,31%. По сравнению с традиционными методами, этот метод безопасный и точно обеспечивает интеллектуальную проверку стен входов тоннелей в условиях суровой высокогорной среды.

заболевания стен входов тоннелей;глубокое обучение;семантическое разделение;беспилотные летательные аппараты;высокогорные районы