CN115639135A - 一种基于机器视觉的钢质腐蚀安全检测方法与系统 - Google Patents

Abstract

本发明提供一种基于机器视觉的钢质腐蚀安全检测方法与系统，属于图像处理技术领域，具体包括：提取钢质架构的表面图像，并将表面图像传输至预测模型中，求得钢质架构的腐蚀系数；当腐蚀系数大于第一腐蚀阈值时，基于腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构成输入集，并将输入集输入到基于ABC‑LSTM算法的预测模型中，得到钢质架构的腐蚀等级；基于腐蚀等级、钢质架构的应用场合、钢质架构的具体结构、钢质架构的所在地区的空气中的平均盐雾含量，确定所述钢质架构的安全状态，从而进一步保证了安全性。

Description

一种基于机器视觉的钢质腐蚀安全检测方法与系统

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于机器视觉的钢质腐蚀安全检测方法与系统。

背景技术

金属腐蚀是指金属的表面被腐蚀后，生成了肉眼可见的腐蚀生成物，如金属的氧化物、氢氧化物。腐蚀是钢结构建筑中一种普遍存在的缺陷。腐蚀不仅影响结构美观，而且会削弱钢结构构件截面性能，引起钢材力学性能指标(如屈服强度、极限强度、伸长率)退化，造成钢结构建筑可靠性和安全性降低。

论文《基于集成卷积神经网络的钢结构腐蚀识别》中作者桂常清通过集成卷积神经网络能够精确地识别钢结构的腐蚀等级和腐蚀比例，识别结果可用于钢结构腐蚀程度评估，为腐蚀处理措施决策提供依据。但是对于钢结构的装置来说，仅仅采用图像识别的方式对钢质架构的腐蚀情况进行识别，由于仅能判断钢质架构的表面的腐蚀情况，而没有基于图像识别的方式识别得到的钢质架构的腐蚀情况到达一定程度后，与钢质架构的材质、使用年限等结合到一起对钢质架构的腐蚀等级进行预测，不能准确的反应实际的钢质架构的腐蚀等级，且未根据钢质架构的应用场合、具体结构、钢质架构的所在地区的空气中的平均盐雾含量进行安全风险的确定，导致钢质架构的判断标准不准确，且存在较高的安全风险。

针对上述技术问题，本发明提供了一种基于机器视觉的钢质腐蚀安全检测方法与系统。

发明内容

为实现本发明目的，本发明采用如下技术方案：

根据本发明的一个方面，提供了一种基于机器视觉的钢质腐蚀安全检测方法。

一种基于机器视觉的钢质腐蚀安全检测方法，其特征在于，具体包括：

S11提取钢质架构的表面图像，并将所述表面图像传输至基于PAM-Resnet算法与Faster R-CNN算法构成的预测模型中，求得所述钢质架构的腐蚀系数；

S12当所述钢质架构的腐蚀系数大于第一腐蚀阈值时，基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构成输入集，并将所述输入集输入到基于ABC-LSTM算法的预测模型中，得到所述钢质架构的腐蚀等级；

S13基于所述腐蚀等级、所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量，确定所述钢质架构的安全状态。

通过首先根据钢质架构的表面图像，采用基于PAM-Resnet算法与Faster R-CNN算法构成的预测模型，从而可以得到此时钢质架构的腐蚀系数，当所述腐蚀系数大于第一腐蚀阈值时，再基于基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量通过预测模型的方式，确定钢质架构的腐蚀等级，从而解决了原有的仅仅依靠采用图像识别的方式对钢质架构的腐蚀情况进行识别，而没有基于图像识别的方式识别得到的钢质架构的腐蚀情况到达一定程度后，与钢质架构的材质、使用年限等结合到一起对钢质架构的腐蚀等级进行预测，不能准确的反应实际的钢质架构的腐蚀等级的技术问题，使得腐蚀等级的判断准确度进一步提升，能够与钢结构的本身材质和所处环境相结合，进一步提升了腐蚀等级的可靠性和实用性，并基于所述腐蚀等级、所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量，确定所述钢质架构的安全状态，从而使得对钢质架构的安全性判断能够贴合钢质架构的实际应用场景以及工作环境结合起来，进一步提升了对其安全性评估的可靠性。

通过首先采用基于PAM-Resnet算法与Faster R-CNN算法的预测模型，从而结合了PAM-Resnet算法较高的灵敏性和较好的泛化能力以及Faster R-CNN算法快速准确的特点，从而保证了整体预测的准确性和有效性，通过第一腐蚀阈值的设定，从而使得既保证了判断的准确性，也避免了不必要的电能损失，进一步促进了系统的稳定性，通过采用基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构成输入集，并将所述输入集输入到基于ABC-LSTM算法的预测模型中，得到所述钢质架构的腐蚀等级，从而不仅仅从钢质架构腐蚀的角度对其腐蚀等级进行评价，而且从环境以及钢质架构材质本身出发，使得腐蚀等级的评价结果更具有实际意义，也更具有指导意义，在得到腐蚀等级后，基于所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量，判断钢质架构的安全状态，从而将钢结构的腐蚀情况与环境情况以及要求结合起来，进一步提升了整体安全评估结果的实用性，保证了整体的安全性。

进一步的技术方案在于，所述腐蚀系数的预测步骤为：

S21将所述表面图像传输至基于PAM-Resnet算法的预测模型中，得到所述钢质架构的腐蚀面积和腐蚀比例；

S22将所述表面图像传输至基于Faster R-CNN算法的预测模型中，得到所述钢质架构的腐蚀深度；

S23基于所述腐蚀面积、所述腐蚀比例、所述腐蚀深度构建腐蚀系数。

通过采用腐蚀面积、腐蚀比例、腐蚀深度构建腐蚀系数，使得腐蚀系数能够从多维的角度实现更加准确的评估，从而进一步保证了腐蚀系数评估的可靠性和一致性，也为对整个钢质架构的安全评估垫定了基础。

进一步的技术方案在于，所述腐蚀系数的计算公式为：

其中T为腐蚀系数，S为腐蚀面积、b为腐蚀比例，K₂为腐蚀深度，K₁为补偿系数。

通过采用公式的形式确定腐蚀系数的结果，使得计算结果变得更加的准确，也使得最终的计算结果更具有普适性。

进一步的技术方案在于，所述第一腐蚀阈值的计算公式为：

T₁＝K₃(K₄e^w+K₅ln y)

其中T₁为第一腐蚀阈值，K₃为根据所述钢质架构的应用场合和结构确定的权值系数，K₄、K₅分别为权值系数，w、y分别为所述钢质架构的所在地区的空气中的平均盐雾含量、所在地区的年平均降雨量。

通过基于地区因素和钢质架构的实际情况得到第一腐蚀阈值，从而即保证了钢质架构的安全性，也避免了一些不必要的电能浪费，只有当腐蚀系数达到一定程度后，再开启对所述钢质架构安全性的评估。

进一步的技术方案在于，还包括第二腐蚀阈值，当所述腐蚀系数大于第二腐蚀阈值时，此时提高对所述腐蚀系数的检测频率，所述第二腐蚀阈值小于第一腐蚀阈值。

当大于第二腐蚀阈值的时候，说明此时的腐蚀情况已经比较严重，因此通过对其检测频率的提高，进一步保证了大桥的安全性，能够在腐蚀系数超标的第一时间对大桥的安全性进行评估，保证了整体的可靠性。

进一步的技术方案在于，当所述腐蚀系数大于第二腐蚀阈值且持续时间大于第一时间阈值，且所述钢质架构所处地区的地区影响因素大于第一影响阈值，此时对所述钢质架构的安全状态进行确定。

当腐蚀系数大于第二腐蚀阈值且持续时间大于第一时间阈值时，说明此时的腐蚀情况已经较为严重且持续时间也比较长，此时通过对地区影响因素的确定，当其大于第一影响阈值时，说明钢质架构的使用场合中的空气中的含水量和烟雾浓度都比较高，因此此时虽然没有大于第一腐蚀阈值，但是为了保证钢质架构的安全性，必须第一时间对钢质架构的安全状态进行评估，进一步保证了钢质架构的安全性。

进一步的技术方案在于，所述地区影响因素的计算公式为:

其中U为地区影响因素，K₆、K₇为权值，W₂、S₂分别为所在地区的空气中的平均盐雾含量、所在地区的空气中的含水量。

进一步的技术方案在于，对所述腐蚀等级的预测步骤为：

S31基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量构建本体影响输入数据集；

S32基于使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构建外部影响输入数据集；

S33基于所述本体影响输入数据集和所述外部影响输入数据集输入到基于ABC-LSTM算法的预测模型预测得到所述腐蚀等级。

通过分别构建本体硬性输入数据集和外部影响输入数据集，从而将输入数据集按照钢质架构本身基本情况和外部影响情况两方面实现对腐蚀等级的确定，不仅降低了输入数据集的维数，使得预测效率进一步提升，也使得输入数据集变得更加有条理。

进一步的技术方案在于，所述钢质架构的安全状态的确定的具体步骤为：

S41基于所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量构建第一安全阈值和第二安全阈值，所述第一安全阈值小于第二安全阈值；

S42判断所述腐蚀等级是否大于第二安全阈值，若大于第二安全阈值，此时输出安全预警信号，需要对所述钢质架构进行处理，保证其安全性,若不大于第二安全阈值，则进入步骤S33；

S43判断所述腐蚀等级是否大于第一安全阈值，若大于第一安全阈值则判断其持续时间是否大于第一时间阈值，若大于第一安全阈值且大于第一时间阈值，则输出安全预警信号，需要对所述钢质架构进行处理，保证其安全性。

通过基于所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量构建第一安全阈值和第二安全阈值，使得对于钢质架构的安全评价更加精准，也与实际的场合相结合，通过设置第一安全阈值和第二安全阈值，可以通过多方面实现对安全的预警，并进一步提升了钢质架构的可靠性和安全性。

另一方面，本发明提供了一种基于机器视觉的钢质腐蚀安全检测系统，采用上述的一种基于机器视觉的钢质腐蚀安全检测方法，具体包括：

图像识别装置、腐蚀等级确定装置、安全状态确定装置；

其中所述图像识别装置负责提取钢质架构的表面图像，并将所述表面图像传输至基于PAM-Resnet算法与Faster R-CNN算法构成的预测模型中，求得所述钢质架构的腐蚀系数，并将所述腐蚀系数传输至腐蚀等级确定装置；

所述腐蚀等级确定装置负责基于所述钢质架构的腐蚀系数大于第一腐蚀阈值时，基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构成输入集，并将所述输入集输入到基于ABC-LSTM算法的预测模型中，得到所述钢质架构的腐蚀等级，并将所述腐蚀等级传输至安全状态确定装置；

所述安全状态确定装置负责基于所述腐蚀等级、所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量，确定所述钢质架构的安全状态。

其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1是根据实施例1的一种基于机器视觉的钢质腐蚀安全检测方法的流程图。

图2是根据实施例1的腐蚀系数的预测步骤的流程图。

图3是根据实施例1的对所述腐蚀等级的预测步骤的流程图。

图4是根据实施例1的钢质架构的安全状态的确定的具体步骤的流程图。

图5是根据实施例2的一种基于机器视觉的钢质腐蚀安全检测系统的构成图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。

金属腐蚀是指金属的表面被腐蚀后，生成了肉眼可见的腐蚀生成物，如金属的氧化物、氢氧化物。腐蚀是钢结构建筑中一种普遍存在的缺陷。腐蚀不仅影响结构美观，而且会削弱钢结构构件截面性能，引起钢材力学性能指标(如屈服强度、极限强度、伸长率)退化，造成钢结构建筑可靠性和安全性降低。

论文《基于集成卷积神经网络的钢结构腐蚀识别》中作者桂常清通过集成卷积神经网络能够精确地识别钢结构的腐蚀等级和腐蚀比例，识别结果可用于钢结构腐蚀程度评估，为腐蚀处理措施决策提供依据。但是对于钢结构的装置来说，仅仅采用图像识别的方式对钢质架构的腐蚀情况进行识别，由于仅能判断钢质架构的表面的腐蚀情况，而没有基于图像识别的方式识别得到的钢质架构的腐蚀情况到达一定程度后，与钢质架构的材质、使用年限等结合到一起对钢质架构的腐蚀等级进行预测，不能准确的反应实际的钢质架构的腐蚀等级，且未根据钢质架构的应用场合、具体结构、钢质架构的所在地区的空气中的平均盐雾含量进行安全风险的确定，导致钢质架构的判断标准不准确，且存在较高的安全风险。

实施例1

为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于机器视觉的钢质腐蚀安全检测方法。

一种基于机器视觉的钢质腐蚀安全检测方法，其特征在于，具体包括：

S11提取钢质架构的表面图像，并将所述表面图像传输至基于PAM-Resnet算法与Faster R-CNN算法构成的预测模型中，求得所述钢质架构的腐蚀系数；

S12当所述钢质架构的腐蚀系数大于第一腐蚀阈值时，基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构成输入集，并将所述输入集输入到基于ABC-LSTM算法的预测模型中，得到所述钢质架构的腐蚀等级；

S13基于所述腐蚀等级、所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量，确定所述钢质架构的安全状态。

具体的举个例子，所述腐蚀等级为0到1之间的数字，其中0表示无腐蚀，1表示腐蚀情况十分严重。

具体的举个例子，可以将所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量送入到基于智能算法的预测模型中，得到第一安全阈值和第二安全阈值，也可以通过经验公式的方式确定得到第一安全阈值和第二安全阈值。

通过首先根据钢质架构的表面图像，采用基于PAM-Resnet算法与Faster R-CNN算法构成的预测模型，从而可以得到此时钢质架构的腐蚀系数，当所述腐蚀系数大于第一腐蚀阈值时，再基于基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量通过预测模型的方式，确定钢质架构的腐蚀等级，从而解决了原有的仅仅依靠采用图像识别的方式对钢质架构的腐蚀情况进行识别，而没有基于图像识别的方式识别得到的钢质架构的腐蚀情况到达一定程度后，与钢质架构的材质、使用年限等结合到一起对钢质架构的腐蚀等级进行预测，不能准确的反应实际的钢质架构的腐蚀等级的技术问题，使得腐蚀等级的判断准确度进一步提升，能够与钢结构的本身材质和所处环境相结合，进一步提升了腐蚀等级的可靠性和实用性，并基于所述腐蚀等级、所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量，确定所述钢质架构的安全状态，从而使得对钢质架构的安全性判断能够贴合钢质架构的实际应用场景以及工作环境结合起来，进一步提升了对其安全性评估的可靠性。

通过首先采用基于PAM-Resnet算法与Faster R-CNN算法的预测模型，从而结合了PAM-Resnet算法较高的灵敏性和较好的泛化能力以及Faster R-CNN算法快速准确的特点，从而保证了整体预测的准确性和有效性，通过第一腐蚀阈值的设定，从而使得既保证了判断的准确性，也避免了不必要的电能损失，进一步促进了系统的稳定性，通过采用基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构成输入集，并将所述输入集输入到基于ABC-LSTM算法的预测模型中，得到所述钢质架构的腐蚀等级，从而不仅仅从钢质架构腐蚀的角度对其腐蚀等级进行评价，而且从环境以及钢质架构材质本身出发，使得腐蚀等级的评价结果更具有实际意义，也更具有指导意义，在得到腐蚀等级后，基于所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量，判断钢质架构的安全状态，从而将钢结构的腐蚀情况与环境情况以及要求结合起来，进一步提升了整体安全评估结果的实用性，保证了整体的安全性。

在另外一种可能的实施例中，如图2所示，所述腐蚀系数的预测步骤为：

S21将所述表面图像传输至基于PAM-Resnet算法的预测模型中，得到所述钢质架构的腐蚀面积和腐蚀比例；

S22将所述表面图像传输至基于Faster R-CNN算法的预测模型中，得到所述钢质架构的腐蚀深度；

S23基于所述腐蚀面积、所述腐蚀比例、所述腐蚀深度构建腐蚀系数。

通过采用腐蚀面积、腐蚀比例、腐蚀深度构建腐蚀系数，使得腐蚀系数能够从多维的角度实现更加准确的评估，从而进一步保证了腐蚀系数评估的可靠性和一致性，也为对整个钢质架构的安全评估垫定了基础。

在另外一种可能的实施例中，所述腐蚀系数的计算公式为：

其中T为腐蚀系数，S为腐蚀面积、b为腐蚀比例，K₂为腐蚀深度，K₁为补偿系数。

通过采用公式的形式确定腐蚀系数的结果，使得计算结果变得更加的准确，也使得最终的计算结果更具有普适性。

在另外一种可能的实施例中，所述第一腐蚀阈值的计算公式为：

T₁＝K₃(K₄e^w+K₅ln y)

其中T₁为第一腐蚀阈值，K₃为根据所述钢质架构的应用场合和结构确定的权值系数，K₄、K₅分别为权值系数，w、y分别为所述钢质架构的所在地区的空气中的平均盐雾含量、所在地区的年平均降雨量。

通过基于地区因素和钢质架构的实际情况得到第一腐蚀阈值，从而即保证了钢质架构的安全性，也避免了一些不必要的电能浪费，只有当腐蚀系数达到一定程度后，再开启对所述钢质架构安全性的评估。

在另外一种可能的实施例中，还包括第二腐蚀阈值，当所述腐蚀系数大于第二腐蚀阈值时，此时提高对所述腐蚀系数的检测频率，所述第二腐蚀阈值小于第一腐蚀阈值。

当大于第二腐蚀阈值的时候，说明此时的腐蚀情况已经比较严重，因此通过对其检测频率的提高，进一步保证了大桥的安全性，能够在腐蚀系数超标的第一时间对大桥的安全性进行评估，保证了整体的可靠性。

在另外一种可能的实施例中，当所述腐蚀系数大于第二腐蚀阈值且持续时间大于第一时间阈值，且所述钢质架构所处地区的地区影响因素大于第一影响阈值，此时对所述钢质架构的安全状态进行确定。

当腐蚀系数大于第二腐蚀阈值且持续时间大于第一时间阈值时，说明此时的腐蚀情况已经较为严重且持续时间也比较长，此时通过对地区影响因素的确定，当其大于第一影响阈值时，说明钢质架构的使用场合中的空气中的含水量和烟雾浓度都比较高，因此此时虽然没有大于第一腐蚀阈值，但是为了保证钢质架构的安全性，必须第一时间对钢质架构的安全状态进行评估，进一步保证了钢质架构的安全性。

在另外一种可能的实施例中，所述地区影响因素的计算公式为:

其中U为地区影响因素，K₆、K₇为权值，W₂、S₂分别为所在地区的空气中的平均盐雾含量、所在地区的空气中的含水量。

在另外一种可能的实施例中，如图3所示，对所述腐蚀等级的预测步骤为：

S31基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量构建本体影响输入数据集；

S32基于使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构建外部影响输入数据集；

S33基于所述本体影响输入数据集和所述外部影响输入数据集输入到基于ABC-LSTM算法的预测模型预测得到所述腐蚀等级。

在另外一种可能的实施例中，如图4所示，所述钢质架构的安全状态的确定的具体步骤为：

S41基于所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量构建第一安全阈值和第二安全阈值；

具体的举个例子，可以将所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量送入到基于智能算法的预测模型中，得到第一安全阈值和第二安全阈值，也可以通过经验公式的方式确定得到第一安全阈值和第二安全阈值。

S42判断所述腐蚀等级是否大于第二安全阈值，若大于第二安全阈值，此时输出安全预警信号，需要对所述钢质架构进行处理，保证其安全性,若不大于第二安全阈值，则进入步骤S33；

S43判断所述腐蚀等级是否大于第一安全阈值，若大于第一安全阈值则判断其持续时间是否大于第一时间阈值，若大于第一安全阈值且大于第一时间阈值，则输出安全预警信号，需要对所述钢质架构进行处理，保证其安全性。

实施例2，如图5所示，本发明提供了一种基于机器视觉的钢质腐蚀安全检测系统，采用上述的一种基于机器视觉的钢质腐蚀安全检测方法，具体包括：

图像识别装置、腐蚀等级确定装置、安全状态确定装置；

其中所述图像识别装置负责提取钢质架构的表面图像，并将所述表面图像传输至基于PAM-Resnet算法与Faster R-CNN算法构成的预测模型中，求得所述钢质架构的腐蚀系数，并将所述腐蚀系数传输至腐蚀等级确定装置；

所述腐蚀等级确定装置负责基于所述钢质架构的腐蚀系数大于第一腐蚀阈值时，基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构成输入集，并将所述输入集输入到基于ABC-LSTM算法的预测模型中，得到所述钢质架构的腐蚀等级，并将所述腐蚀等级传输至安全状态确定装置；

所述安全状态确定装置负责基于所述腐蚀等级、所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量，确定所述钢质架构的安全状态。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。

在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种基于机器视觉的钢质腐蚀安全检测方法，其特征在于，具体包括：

S11提取钢质架构的表面图像，并将所述表面图像传输至基于PAM-Resnet算法与Faster R-CNN算法构成的预测模型中，求得所述钢质架构的腐蚀系数；

S12当所述钢质架构的腐蚀系数大于第一腐蚀阈值时，基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构成输入集，并将所述输入集输入到基于ABC-LSTM算法的预测模型中，得到所述钢质架构的腐蚀等级；

S13基于所述腐蚀等级、所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量，确定所述钢质架构的安全状态。

2.根据权利要求1所述的基于机器视觉的钢质腐蚀安全检测方法，其特征在于，所述腐蚀系数的预测步骤为：

S21将所述表面图像传输至基于PAM-Resnet算法的预测模型中，得到所述钢质架构的腐蚀面积和腐蚀比例；

S22将所述表面图像传输至基于Faster R-CNN算法的预测模型中，得到所述钢质架构的腐蚀深度；

S23基于所述腐蚀面积、所述腐蚀比例、所述腐蚀深度构建腐蚀系数。

3.根据权利要求2所述的基于机器视觉的钢质腐蚀安全检测方法，其特征在于，所述腐蚀系数的计算公式为：

其中T为腐蚀系数，S为腐蚀面积、b为腐蚀比例，K₂为腐蚀深度，K₁为补偿系数。

4.根据权利要求1所述的基于机器视觉的钢质腐蚀安全检测方法，其特征在于，所述第一腐蚀阈值的计算公式为：

T₁＝K₃(K₄e^w+K₅ln y)

其中T₁为第一腐蚀阈值，K₃为根据所述钢质架构的应用场合和结构确定的权值系数，K₄、K₅分别为权值系数，w、y分别为所述钢质架构的所在地区的空气中的平均盐雾含量、所在地区的年平均降雨量。

5.根据权利要求1所述的基于机器视觉的钢质腐蚀安全检测方法，其特征在于，还包括第二腐蚀阈值，当所述腐蚀系数大于第二腐蚀阈值时，此时提高对所述腐蚀系数的检测频率，所述第二腐蚀阈值小于第一腐蚀阈值。

6.根据权利要求1所述的基于机器视觉的钢质腐蚀安全检测方法，其特征在于，当所述腐蚀系数大于第二腐蚀阈值且持续时间大于第一时间阈值，且所述钢质架构所处地区的地区影响因素大于第一影响阈值，此时对所述钢质架构的安全状态进行确定。

7.根据权利要求6所述的基于机器视觉的钢质腐蚀安全检测方法，其特征在于，所述地区影响因素的计算公式为:

其中U为地区影响因素，K₆、K₇为权值，W₂、S₂分别为所在地区的空气中的平均盐雾含量、所在地区的空气中的含水量。

8.根据权利要求1所述的基于机器视觉的钢质腐蚀安全检测方法，其特征在于，对所述腐蚀等级的预测步骤为：

S31基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量构建本体影响输入数据集；

S32基于使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构建外部影响输入数据集；

S33基于所述本体影响输入数据集和所述外部影响输入数据集输入到基于ABC-LSTM算法的预测模型预测得到所述腐蚀等级。

9.根据权利要求1所述的基于机器视觉的钢质腐蚀安全检测方法，其特征在于，所述钢质架构的安全状态的确定的具体步骤为：

S41基于所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量构建第一安全阈值和第二安全阈值；

S42判断所述腐蚀等级是否大于第二安全阈值，若大于第二安全阈值，此时输出安全预警信号，需要对所述钢质架构进行处理，保证其安全性,若不大于第二安全阈值，则进入步骤S43；

S43判断所述腐蚀等级是否大于第一安全阈值，若大于第一安全阈值则判断其持续时间是否大于第一时间阈值，若大于第一安全阈值且大于第一时间阈值，则输出安全预警信号，需要对所述钢质架构进行处理，保证其安全性。

10.一种基于机器视觉的钢质腐蚀安全检测系统，采用权利要求1-9任意一项所述的一种基于机器视觉的钢质腐蚀安全检测方法，具体包括：

图像识别装置、腐蚀等级确定装置、安全状态确定装置；

其中所述图像识别装置负责提取钢质架构的表面图像，并将所述表面图像传输至基于PAM-Resnet算法与Faster R-CNN算法构成的预测模型中，求得所述钢质架构的腐蚀系数，并将所述腐蚀系数传输至腐蚀等级确定装置；

所述腐蚀等级确定装置负责基于所述钢质架构的腐蚀系数大于第一腐蚀阈值时，基于所述腐蚀系数、碳元素含量、铜元素含量、磷元素含量、使用年限、所在地区的年平均降雨量、所在地区的空气中的平均盐雾含量构成输入集，并将所述输入集输入到基于ABC-LSTM算法的预测模型中，得到所述钢质架构的腐蚀等级，并将所述腐蚀等级传输至安全状态确定装置；

所述安全状态确定装置负责基于所述腐蚀等级、所述钢质架构的应用场合、所述钢质架构的具体结构、所述钢质架构的所在地区的空气中的平均盐雾含量，确定所述钢质架构的安全状态。

Images