Frente a los problemas recurrentes de enfermedades en las paredes de las entradas de túneles en entornos de alta altitud y la ineficacia de los métodos tradicionales de detección de enfermedades, así como el alto riesgo, se propuso un método de detección de enfermedades en las paredes de las entradas de túneles en áreas de alta montaña basado en imágenes de drones y aprendizaje profundo. En primer lugar, se tomaron imágenes de las paredes de las entradas de túneles en la áspera región de Xinjiang por medio de drones, y se creó un conjunto de datos de segmentación semántica de enfermedades en las paredes de las entradas de túneles; luego, sobre la base del modelo de segmentación semántica DeeplabV3+, se propuso un modelo mejorado TP-DeeplabV3+ con el uso de MobileNetV2 como red principal de extracción de características para reducir el tamaño del modelo. Se utilizó la pérdida focal como función de pérdida para resolver el problema del desequilibrio de clases en las imágenes de las enfermedades; se añadió un mecanismo de atención CA para mejorar el rendimiento de segmentación del modelo; finalmente, se propuso un método de cuantificación de las enfermedades. Los resultados muestran que TP-DeeplabV3+ puede alcanzar 88,37% y 94,93% para mIoU y mPA en el conjunto de pruebas, y el tamaño del modelo se comprimió en un 88,83%; el método de cuantificación de enfermedades propuesto para el error absoluto de cobertura de enfermedades inferior al 0,3% y el error relativo inferior al 7,31%. En comparación con los métodos tradicionales, este método permite una detección inteligente de las paredes de las entradas de túneles en entornos de alta altitud de manera segura y precisa.

enfermedades en las paredes de las entradas de túneles; aprendizaje profundo; segmentación semántica; drones; áreas de alta montaña