CN112233098A - 一种水利风险评估方法及系统 - Google Patents
一种水利风险评估方法及系统 Download PDFInfo
- Publication number
- CN112233098A CN112233098A CN202011128060.3A CN202011128060A CN112233098A CN 112233098 A CN112233098 A CN 112233098A CN 202011128060 A CN202011128060 A CN 202011128060A CN 112233098 A CN112233098 A CN 112233098A
- Authority
- CN
- China
- Prior art keywords
- water conservancy
- layer
- defect
- risk assessment
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 93
- 238000012502 risk assessment Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007547 defect Effects 0.000 claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 241000264877 Hippospongia communis Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Electromagnetism (AREA)
- Acoustics & Sound (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Software Systems (AREA)
Abstract
本发明公开一种水利风险评估方法及系统,其中,通过所述训练集对所述DenseNet神经网络进行训练以形成DenseNet神经网络识别模型;构建水利设施的数字化模型;通过探伤装置获取待检测水利设施的待测图像;对所述待测图像预处理获取目标待测图像;通过所述DenseNet神经网络识别模型识别所述目标待测图像;获取并统计所述待检测水利设施的数字化模型中缺陷情况对水利设施的风险进行评估。本发明水利风险评估方法及系统能够对水利设施的缺陷进行检测,并在数字化模型上展示缺陷分布,方便根据缺陷以及缺陷分布对水利设施的风险进行评估。
Description
技术领域
本发明涉及水利风险评估领域,尤其涉及一种水利风险评估方法及系统。
背景技术
随着社会经济的发展,全国构建的水利工程越来越多,水利工程在防洪、灌溉、发电等方面发挥了重要作用。但是,大部分水利工程往往承受较大的作用力而且要受到各种侵蚀,存在风险因素。
现有技术中,为了保证水利工程的安全,避免水利工程的风险因素带来的安全危害,需要对水利工程进行定期的检测,检测手段包括通过地质雷达、超声波探伤器、CT探伤装置和电磁波探伤装置对水利设施进行探伤,获取水利设施中的缺陷数据。但是,由于水利设施的体量往往都比较大,地质雷达、超声波探伤器、CT探伤装置和电磁波探伤装置对水利设施探伤往往是局部性的,在进行水利设施的风险评估时,往往需要掌握水利设施整体的缺陷分布情况。现有的通过探伤装置进行局部探伤,在将局部探伤结果进行结合获取水利设施整体缺陷分布的方式效率低,不方便。
发明内容
本发明提供水利风险评估方法及系统,旨在解决评估水利风险时,缺乏统计缺陷在水利设施缺陷分布手段的问题。
为实现上述目的,本发明提供一种水利风险评估方法,包括以下步骤:
通过探伤装置采集水利设施各类缺陷的图像数据;
对所述图像数据预处理获取目标图像数据;
对所述目标图像数据根据缺陷类型分别设置标签;
对所述目标图像数据进行扩增处理获取样本集,将所述样本集分为训练集和测试集,所述训练集和所述测试集中均包括所有缺陷类型;
构建DenseNet神经网络,通过所述训练集对所述DenseNet神经网络进行训练以形成DenseNet神经网络识别模型,通过所述测试集测试判断所述DenseNet神经网络识别模型是否符合要求,不符合则继续通过所述训练集训练;
通过探伤装置获取待检测水利设施的待测图像;对所述待测图像预处理获取目标待测图像;
通过所述DenseNet神经网络识别模型识别所述目标待测图像;
获取并统计所述待检测水利设施的缺陷情况对水利设施的风险进行评估。
更进一步地,对所述图像数据预处理获取目标图像数据包括:
将所述图像数据增强对比度并转化为灰度图以突出所述图像数据中的缺陷;
按照所述DenseNet神经网络的输入层要求处理所述灰度图获取所述目标图像数据。
更进一步地,所述扩增处理的方式包括至少一种以下方式:带标签裁剪、带标签平移、改变亮度、加入噪声、旋转角度以及镜像。
更进一步地,所述DenseNet神经网络包括依次连接的输入层、预处理层、卷积层、批归一化层、Relu层、池化层、Dense模块组(6)、批归一化层、Relu层、卷积层、池化层、Dense模块组(12)、批归一化层、Relu层、卷积层、池化层、Dense模块组(48)、批归一化层、Relu层、卷积层、池化层、Dense模块组(32)、批归一化层、池化层、全链接层、softmax层、输出层。
更进一步地,Dense模块组(6)、Dense模块组(12)、Dense模块组(32)以及Dense模块组(48)均由Dense模块构成,所述Dense模块包括批归一化层、Relu层、卷积层、concat层、批归一化层、Relu层、卷积层。
更进一步地,获取并统计所述待检测水利设施的缺陷情况对水利设施的风险进行评估包括:
构建水利设施的数字化模型;所述数字化模型通过数字坐标表示所述水利设施,所述数字化模型的数字坐标与水利设施的实际空间坐标一一对应;
所述探伤装置扫描式探测所述水利设施的缺陷,获取缺陷的实际空间坐标;
将缺陷的实际空间坐标映射到所述数字坐标;
在所述数字化模型的相应数字化坐标处构建一个缺陷符号;
统计所述数字化模型上的全部缺陷符号,对水利设施进行风险评估。
更进一步地,所述缺陷符号包括缺陷标签和缺陷参数,其中所述缺陷参数包括缺陷的尺寸信息和数字坐标的范围信息。
更进一步地,所述尺寸信息的获取过程包括:
获取所述目标待测图像的缺陷尺寸特征;
按照所述目标待测图像的比例尺关系确定缺陷的尺寸信息。
本发明提供一种水利风险评估系统,包括控制器,其中,所述控制器包括处理单元、存储单元、总线单元、显示单元、输入单元、接口单元,所述总线单元将处理单元、存储单元、显示单元、输入单元和接口连接连通,所述接口单元连接探伤装置,所述存储单元存储至少一条指令,所述处理单元执行所述指令实现所述水利风险评估方法。
优选的,所述探伤装置为地质雷达、超声波探伤器、CT探伤装置和电磁波探伤装置中的一种。
本申请提出的一种水利风险评估方法及系统具体有以下有益效果:
本发明提供的一种水利风险评估方法及系统通过构建水利设施的数字化模型,数字化模型包括数字坐标,所述数字坐标与水利设施的实际空间坐标一一对应,通过探伤装置扫描式地检测水利设施的缺陷,当在水利设施中检测到缺陷时,通过所述探伤装置确定缺陷的实际空间坐标,获取与缺陷的所述实际空间坐标相对应的数字坐标,通过所述DenseNet神经网络识别模型识别缺陷,获取对应的标签,通过所述探伤装置获取缺陷的尺寸信息,由所述标签和所述尺寸信息构成缺陷符号,在缺陷的数字坐标处添加所述缺陷符号,统计所述数字化模型中缺陷符号对水利风险进行评估。本发明水利风险评估方法及系统能够对水利设施的缺陷进行检测,并在数字化模型上展示缺陷分布,方便根据缺陷以及缺陷分布对水利设施的风险进行评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1是本发明实施例中的水利风险评估方法的流程图;
图2是本发明实施例中获取所述DenseNet神经网络识别模型的流程图;
图3是本发明实施例中的DenseNet神经网络的架构示意图;
图4是本发明实施例中的DenseNet神经网络的Dense模块的架构示意图;
图5是本发明实施例中根据待检测水利设施的缺陷情况对水利设施的风险进行评估的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1是本发明实施例中的水利风险评估方法的流程图;图2是本发明实施例中获取所述DenseNet神经网络识别模型的流程图;图3是本发明实施例中的DenseNet神经网络的架构示意图;图4是本发明实施例中的DenseNet神经网络的Dense模块的架构示意图;图5是本发明实施例中根据待检测水利设施的缺陷情况对水利设施的风险进行评估的流程示意图。
参阅图1所示,本发明提供一种水利风险评估方法,包括以下步骤:
S100,通过对DenseNet神经网络训练获取所述DenseNet神经网络识别模型。
具体的,参阅图2所示,实现S100的过程包括:
S101,通过探伤装置采集水利设施各类缺陷的图像数据;所述探伤装置为地质雷达、超声波探伤器、CT探伤装置和电磁波探伤装置中的一种。
S102,对所述图像数据预处理获取目标图像数据;具体的,对所述图像数据预处理获取目标图像数据包括:S1021,将所述图像数据增强对比度并转化为灰度图以突出所述图像数据中的缺陷;S1022,按照所述DenseNet神经网络的输入层要求处理所述灰度图获取所述目标图像数据,具体的,所述DenseNet神经网络的输入层要求输入224*224的图像。
S103,对所述目标图像数据根据缺陷类型分别设置标签,所述标签以纯色设设置于所述目标图像数据中,具体的,所述标签包括挂帘、错台、气泡、蜂窝、麻面、裂缝、蚀空。
S104,对所述目标图像数据进行扩增处理获取样本集,将所述样本集分为训练集和测试集,所述训练集占所述样本集的80%,所述测试集占所述样本集的20%,所述训练集和所述测试集中均包括所有缺陷类型;具体的,对所述目标图像数据进行扩增处理的方式包括至少一种以下方式:带标签裁剪、带标签平移、改变亮度、加入噪声、旋转角度以及镜像。
S105,构建DenseNet神经网络,参阅图3所示,所述DenseNet神经网络包括依次连接的输入层、预处理层、卷积层、批归一化层、Relu层、池化层、Dense模块组(6)、批归一化层、Relu层、卷积层、池化层、Dense模块组(12)、批归一化层、Relu层、卷积层、池化层、Dense模块组(48)、批归一化层、Relu层、卷积层、池化层、Dense模块组(32)、批归一化层、池化层、全链接层、softmax层、输出层。其中,Dense模块组(6)、Dense模块组(12)、Dense模块组(48)和Dense模块组(32)由Dense模块构成,所述Dense模块组(6)包括6个Dense模块,所述Dense模块组(12)包括12个Dense模块,所述Dense模块组(48)包括48个Dense模块,所述Dense模块组(32)包括32个Dense模块,其中,参阅图4所示,所述Dense模块包括批归一化层、Relu层、卷积层、concat层、批归一化层、Relu层、卷积层。图4中,conv2_block1_concat和conv2_block2_concat分别表示concat层,conv2_block1_0_bn、conv2_block1_1_bn、conv2_block2_0_bn、conv2_block2_1_bn表示批归一化层,conv2_block1_0_relu、conv2_block1_1_relu、conv2_block2_0_relu、conv2_block2_1_relu表示Relu层,conv2_block1_1_conv、conv2_block1_2_conv、conv2_block2_1_conv、conv2_block2_2_conv表示卷积层,由所述concat层获取上一级的输出并结合Dense模块的输出输入到下一个Dense模块,从而实现Dense模块组中Dense模块的连接。
S106,通过所述训练集对所述DenseNet神经网络进行训练以形成DenseNet神经网络识别模型,通过所述测试集测试判断所述DenseNet神经网络识别模型是否符合要求,不符合则继续通过所述训练集训练直至达到训练要求。
S200,构建水利设施的数字化模型;所述数字化模型通过数字坐标表示所述水利设施,构建水利设施的实际空间坐标,所述数字化模型的数字坐标与水利设施的实际空间坐标一一对应。
S300,通过探伤装置获取待检测水利设施的待测图像,具体实施过程中,所述探伤装置扫描式探测所述水利设施的缺陷;对所述待测图像预处理获取目标待测图像;其中,对所述待测图像预处理的过程与S102中过程一致,包括:将所述待测图像增强对比度并转化为灰度图以突出所述待测图像中的缺陷;按照所述DenseNet神经网络的输入层要求处理待测图像的灰度图获取所述目标待测图像,具体的,所述DenseNet神经网络的输入层要求输入224*224的图像。
S400,通过所述DenseNet神经网络识别模型识别所述目标待测图像;获取与所述目标待测图像对应的标签。
S500,获取并统计所述待检测水利设施的缺陷情况对水利设施的风险进行评估。参阅图5所示,实现S500过程包括:
S501,通过所述探伤装置获取缺陷的实际空间坐标;
S502,将缺陷的实际空间坐标映射到所述数字坐标;
S503,在所述数字化模型的相应数字化坐标处构建一个缺陷符号;所述缺陷符号的内容包括S400中获取的缺陷标签和缺陷参数,其中所述缺陷参数包括缺陷的尺寸信息和数字坐标的范围信息。所述尺寸信息的获取过程包括:S5031,获取所述目标待测图像的缺陷尺寸特征;S5032,按照所述目标待测图像的比例尺关系确定缺陷的尺寸信息。所述数字坐标的范围信息由缺陷的实际空间坐标确定,缺陷的实际空间坐标通过所述探伤装置获取。
S504,统计所述数字化模型上的全部缺陷符号,对水利设施进行风险评估。
本发明提供一种水利风险评估系统,包括控制器,其中,所述控制器包括处理单元、存储单元、总线单元、显示单元、输入单元、接口单元,所述总线单元将处理单元、存储单元、显示单元、输入单元和接口连接连通,所述接口单元连接探伤装置,所述存储单元存储至少一条指令,所述处理单元执行所述指令实现所述的水利风险评估方法。
具体实施过程中,所述探伤装置为地质雷达、超声波探伤器、CT探伤装置和电磁波探伤装置中的一种。
本发明提供的一种水利风险评估方法及系统通过构建水利设施的数字化模型,数字化模型包括数字坐标,所述数字坐标与水利设施的实际空间坐标一一对应,通过探伤装置扫描式地检测水利设施的缺陷,当在水利设施中检测到缺陷时,通过所述探伤装置确定缺陷的实际空间坐标,获取与缺陷的所述实际空间坐标相对应的数字坐标,通过所述DenseNet神经网络识别模型识别缺陷,获取对应的标签,通过所述探伤装置获取缺陷的尺寸信息,由所述标签和所述尺寸信息构成缺陷符号,在缺陷的数字坐标处添加所述缺陷符号,统计所述数字化模型中缺陷符号对水利风险进行评估。本发明水利风险评估方法及系统能够对水利设施的缺陷进行检测,并在数字化模型上展示缺陷分布,方便根据缺陷以及缺陷分布对水利设施的风险进行评估。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种水利风险评估方法,其特征在于,包括以下步骤:
通过探伤装置采集水利设施各类缺陷的图像数据;
对所述图像数据预处理获取目标图像数据;
对所述目标图像数据根据缺陷类型分别设置标签;
对所述目标图像数据进行扩增处理获取样本集,将所述样本集分为训练集和测试集,所述训练集和所述测试集中均包括所有缺陷类型;
构建DenseNet神经网络,通过所述训练集对所述DenseNet神经网络进行训练以形成DenseNet神经网络识别模型,通过所述测试集测试判断所述DenseNet神经网络识别模型是否符合要求,不符合则继续通过所述训练集训练;
通过探伤装置获取待检测水利设施的待测图像;对所述待测图像预处理获取目标待测图像;
通过所述DenseNet神经网络识别模型识别所述目标待测图像;
获取并统计所述待检测水利设施的缺陷情况对水利设施的风险进行评估。
2.根据权利要求1所述的水利风险评估方法,其特征在于,对所述图像数据预处理获取目标图像数据包括:
将所述图像数据增强对比度并转化为灰度图以突出所述图像数据中的缺陷;
按照所述DenseNet神经网络的输入层要求处理所述灰度图获取所述目标图像数据。
3.根据权利要求2所述的水利风险评估方法,其特征在于,所述扩增处理的方式包括至少一种以下方式:带标签裁剪、带标签平移、改变亮度、加入噪声、旋转角度以及镜像。
4.根据权利要求1所述的水利风险评估方法,其特征在于,所述DenseNet神经网络包括依次连接的输入层、预处理层、卷积层、批归一化层、Relu层、池化层、Dense模块组(6)、批归一化层、Relu层、卷积层、池化层、Dense模块组(12)、批归一化层、Relu层、卷积层、池化层、Dense模块组(48)、批归一化层、Relu层、卷积层、池化层、Dense模块组(32)、批归一化层、池化层、全链接层、softmax层、输出层。
5.根据权利要求4所述的水利风险评估方法,其特征在于,Dense模块组(6)、Dense模块组(12)、Dense模块组(32)以及Dense模块组(48)均由Dense模块构成,所述Dense模块包括依次连接的批归一化层、Relu层、卷积层、concat层、批归一化层、Relu层、卷积层。
6.根据权利要求1所述的水利风险评估方法,其特征在于,获取并统计所述待检测水利设施的缺陷情况对水利设施的风险进行评估包括:
构建水利设施的数字化模型;所述数字化模型通过数字坐标表示所述水利设施,所述数字化模型的数字坐标与水利设施的实际空间坐标一一对应;
所述探伤装置扫描式探测所述水利设施的缺陷,获取缺陷的实际空间坐标;
将缺陷的实际空间坐标映射到所述数字坐标;
在所述数字化模型的相应数字化坐标处构建一个缺陷符号;
统计所述数字化模型上的全部缺陷符号,对水利设施进行风险评估。
7.根据权利要求6所述的水利风险评估方法,其特征在于,所述缺陷符号包括缺陷标签和缺陷参数,其中所述缺陷参数包括缺陷的尺寸信息和数字坐标的范围信息。
8.根据权利要求7所述的水利风险评估方法,其特征在于,所述尺寸信息的获取过程包括
获取所述目标待测图像的缺陷尺寸特征;
按照所述目标待测图像的比例尺关系确定缺陷的尺寸信息。
9.一种水利风险评估系统,其特征在于,包括控制器,其中,所述控制器包括处理单元、存储单元、总线单元、显示单元、输入单元、接口单元,所述总线单元将处理单元、存储单元、显示单元、输入单元和接口连接连通,所述接口单元连接探伤装置,所述存储单元存储至少一条指令,所述处理单元执行所述指令实现如权利要求1-8任一所述的水利风险评估方法。
10.根据权利要求9所述的水利风险评估系统,其特征在于,所述探伤装置为地质雷达、超声波探伤器、CT探伤装置和电磁波探伤装置中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011128060.3A CN112233098A (zh) | 2020-10-20 | 2020-10-20 | 一种水利风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011128060.3A CN112233098A (zh) | 2020-10-20 | 2020-10-20 | 一种水利风险评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112233098A true CN112233098A (zh) | 2021-01-15 |
Family
ID=74118963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011128060.3A Withdrawn CN112233098A (zh) | 2020-10-20 | 2020-10-20 | 一种水利风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233098A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726308A (zh) * | 2024-02-18 | 2024-03-19 | 中铁水利信息科技有限公司 | 基于物联网和5g的智慧水利管理系统及方法 |
-
2020
- 2020-10-20 CN CN202011128060.3A patent/CN112233098A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726308A (zh) * | 2024-02-18 | 2024-03-19 | 中铁水利信息科技有限公司 | 基于物联网和5g的智慧水利管理系统及方法 |
CN117726308B (zh) * | 2024-02-18 | 2024-05-24 | 中铁水利信息科技有限公司 | 基于物联网和5g的智慧水利管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gui et al. | Automated defect detection and visualization for the robotic airport runway inspection | |
CN111598098A (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN109948527B (zh) | 基于集成深度学习的小样本太赫兹图像异物检测方法 | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN117173461A (zh) | 一种多视觉任务的灌装容器缺陷检测方法、系统及介质 | |
CN116128839A (zh) | 晶圆缺陷识别方法、装置、电子设备以及存储介质 | |
CN115561176A (zh) | 一种基于特征自适应运算和机器学习融合的水质反演方法 | |
CN113962136B (zh) | 一种基于有限元的焊接后工件应力重构方法及系统 | |
CN112233098A (zh) | 一种水利风险评估方法及系统 | |
CN116309155A (zh) | 基于卷积和转换器混合网络的图像修复方法、模型和装置 | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN115661572A (zh) | 铸件缺陷识别模型训练方法、缺陷识别方法、装置及系统 | |
CN116721104B (zh) | 实景三维模型缺陷检测方法、装置、电子设备及存储介质 | |
Yuan et al. | Automated pixel-level crack detection and quantification using deep convolutional neural networks for structural condition assessment | |
CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN112488990A (zh) | 一种基于注意力正则化机制的桥梁支座病害识别方法 | |
CN115266774B (zh) | 基于人工智能的焊缝射线检测评片方法 | |
CN113588796B (zh) | 一种海洋管道监测预警方法及系统 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
CN115330743A (zh) | 基于双光检测缺陷的方法及相应的系统 | |
CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
Mazni et al. | An investigation into real-time surface crack classification and measurement for structural health monitoring using transfer learning convolutional neural networks and Otsu method | |
CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
CN113705567A (zh) | 船舶裂纹检测方法、系统、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210115 |
|
WW01 | Invention patent application withdrawn after publication |