CN115953672B - 一种水下大坝表面裂缝识别方法 - Google Patents
一种水下大坝表面裂缝识别方法 Download PDFInfo
- Publication number
- CN115953672B CN115953672B CN202310232702.1A CN202310232702A CN115953672B CN 115953672 B CN115953672 B CN 115953672B CN 202310232702 A CN202310232702 A CN 202310232702A CN 115953672 B CN115953672 B CN 115953672B
- Authority
- CN
- China
- Prior art keywords
- image
- images
- training model
- parent
- crack
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 78
- 230000009466 transformation Effects 0.000 claims description 39
- 239000000463 material Substances 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002730 additional effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种水下大坝表面裂缝识别方法,利用PGGAN模型生成更多的水下大坝表面图像来构造训练数据;将训练数据输入到CNN特征提取器中获取特征,构建训练模型并计算图像组中两图像对的特征空间距离;根据特征空间距离判断图像对是否属于同一类别,将判断结果与预设的特征空间距离相对比,若不属于同一类别,则计算二者之间的损失;将损失回传至训练模型中,并调整训练模型的参数,直至训练模型准确度达到预设值,最后输入需要识别的图像至训练模型中,获得图像是否存在裂缝的判断结果,本申请通过傅里叶变换后的图像可以消除大坝表面杂物的干扰,从而提取特定的裂缝信息,使得检测的准确度增加。
Description
技术领域
本发明涉及水下大坝表面裂缝识别技术领域,尤其涉及一种水下大坝表面裂缝识别方法。
背景技术
大坝作为水利工程的重要组成部分,如何对其进行有效的安全性诊断一直是学界不断探讨的问题。大坝因其基本性质,一直承受着温度梯度和很大的水压、水的冲刷、渗透、侵蚀等,其不可避免地会产生裂缝,坝体内裂缝可能会形成集中渗漏通道,恶化大坝的运行状态,影响坝体的安全,因此对大坝裂缝的检测极其重要;现今常用的大坝裂缝识别方法是人工观察法、超声波法和通过卷积神经网络识别等,其中人工观察法耗时耗力;超声波法对于形状比较不规则的或者是非均质材料的检查不够精确;而卷积神经网络方法目前针对水面上方的大坝表面裂缝识别的很多,但若用于水面下方大坝裂缝识别的精确度却不能满足要求;
现有技术CN109345507A公开了一种基于迁移学习的大坝图像裂缝检测方法,步骤:收集大坝裂缝图像,通过生成式对抗网络GAN对图像数据集进行预处理以填充数据集;采用不保留顶层全连接层的预训练模型MobileNet来提取图像特征,并在MobileNet后拼接Flatten层,在Flatten层后拼接一层激活函数为ReLU的全连接层,最后拼接一层激活函数为Sigmoid的全连接层作为输出层;对MobileNet中的前K个深度可分解卷积结构进行冻结,固定这K个深度可分解卷积结构的相关权重;对模型进行训练,在模型训练过程中仅更新未冻结的网络层的权重;利用训练好的模型在图像中对大坝裂缝的检测;现有技术中一般采用特征提取的方式提取本不属于大坝中的图像特征,通过识别技术实现对大坝图像裂缝的检测,由于大坝底部环境复杂,仅仅通过提取特征检测结果误差较大,为此,本发明提出一种水下大坝表面裂缝识别方法。
发明内容
为了解决上述问题,本发明提出一种水下大坝表面裂缝识别方法,以更加确切地解决上述所述现有技术中一般采用特征提取的方式提取本不属于大坝中的图像特征,通过辨别实现对大坝图像裂缝的检测,由于大坝底部环境复杂,仅仅通过提取特征检测结果误差较大的问题。
本发明通过以下技术方案实现的:
本发明提出一种水下大坝表面裂缝识别方法,包括:
S1:将拍摄的图像进行预处理,输入水下大坝表面有裂缝和无裂缝的彩色图像,作为母图像,利用PGGAN模型生成更多的水下大坝表面图像;
S2:构造训练数据,对生成的图像进行有裂缝图像和有裂缝的图像配对、无裂缝图像和无裂缝图像配对,有裂缝图像和无裂缝图像配对,将图像对做傅里叶变换,获得图像对的频域分布图像的图像对,两图像对构成图像组;
S3:将图像组输入到CNN特征提取器中获取特征,构建训练模型并计算图像组中两图像对的特征空间距离;
S4:根据特征空间距离判断图像对是否属于同一类别,将判断结果与预设的特征空间距离相对比,若不属于同一类别,则计算二者之间的损失;
S5:将损失回传至训练模型中,并调整训练模型的参数,重复步骤S3至步骤S4,直至训练模型准确度达到预设值;
S6:对训练模型进行验证,分别输入有裂缝和无裂缝图像的预设数据集到训练模型中进行训练,将训练结果与预设的特征空间距离比对以获得二者的预测准确率,若准确率较低则调整模型参数并重复步骤S3,直到训练模型预测准确率达到预设值;
S7:输入需要识别的图像至训练模型中,获得图像是否存在裂缝的判断结果。
进一步的,在所述利用PGGAN模型生成更多的水下大坝表面图像步骤中,包括:
在预先设置的至少一个状态数据参数中,确定母图像和生成图像的状态类型参数;
调取需要融合的素材,并转换至相同的状态数据参数;
对母图像进行小波分解;
确认素材镶嵌在母图像上不同的位置坐标,并将素材融合在图像中;
进行小波逆变换,得到生成图像。
进一步的,所述在预先设置的至少一个状态数据参数中,确定母图像和生成图像的状态类型参数步骤中,所述状态数据参数包括图像分辨率和图像颜色;
所述图像分辨率包括:4x4到8x8,……,1024x1024,其中的一种或多种。
进一步的,在所述对母图像进行小波分解步骤中,包括:
对母图像进行水平低通和高通滤波后对图像进行采样,随后对母图像进行垂直低通和高通滤波后进行采样,同时得到母图像的轮廓图像、水平方向细节图像、垂直方向细节图像和对角线方向细节图像。
进一步的,在匹配素材镶嵌在母图像上的位置信息,并将素材融合在图像中步骤中,包括:
若所述素材的位置坐标设于母图像范围内,则采用居中融合的方式;
若所述素材的位置坐标设于所述母图像的边缘上,则采用边缘融合的方式;
若所述素材的位置坐标部分设于母图像范围内,则采用部分融合的方式。
进一步的,在所述确认素材镶嵌在母图像上不同的位置坐标,并将素材融合在图像中的步骤内,包括:
采用加权平均算法将素材融合于母图像重合的区域中;
在加权平均算法中,素材P融合在母图像Q中,令加权函数W(x)为0到1的单调递减函数,且0≤W(x)≤1,则融合区域的合成图像为R:
。
进一步的,在所述S7步骤中,包括:输入需要识别的图像至训练模型中,图像进行傅里叶变换后放入与三种图像对的特征空间距离形成的合集中,判断图像是否存在裂缝。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现任一项所述的水下大坝表面裂缝识别方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现任一项所述的水下大坝表面裂缝识别方法的步骤。
本发明的有益效果:
本发明提出的通过傅里叶变换进行构建训练模型,采用傅里叶变换的好处包括:图像保存,从图像变换可以看出,傅里叶正变换将图像分解为一组越来越小的正交归一图像,具有很高的压缩比仍能够将原始数据完全恢复而不引入任何失真,当我们希望将一幅图像以一种更紧凑的数据格式进行编码,同时保持数据不丢失时,可以采用以下技术手段;图像滤波:在进行傅里叶变换后,若在反变换之前对变换域进行选择,可对图像进行滤波处理;图形增强:正变换将一幅图像分解为大小、位置和方向都不同的分量,在逆变换之前改变域中某此系数的幅度,有选择提升感兴趣的分量,而忽略不需要的东西,或根据实际需要,缔造一个传递函数,在变换域将频谱乘以传递函数,再进行傅里叶逆变换来实现;同时,傅里叶变换可以有效的抑制噪声的生成,在水中,水的流动以及生物的声波对图像的生成会产生影响,傅里叶在转换的过程中,将图像的信息以频域显示,可以正对图像进行全局处理,在整个时域或空域上分析信号的频谱信息,有效的将噪音进行抑制;
本发明提出的训练模型,通过大量的图像进行训练模型参数的设置,若早期图像的判断符合对应的预设的特征空间距离,则训练模型参数校正准确,训练模型可以用于现在需要识别的图像的判断,若早期图像的判断不符合对应的预设的特征空间距离,则训练模型参数校正不准确,计算损失函数,并将损失函数导入训练模型中,将参数校正后,完成训练模型的设置;并且图像之间的差距越大,则训练模型的精确度越高,并且通过傅里叶变换后的图像可以消除大坝表面杂物的干扰,从而提取特定的裂缝信息,使得检测的准确度增加。
附图说明
图1为本发明的水下大坝表面裂缝识别方法的流程示意图;
图2为本发明的水下大坝表面裂缝识别方法的图像对合集示意图;
图3为本发明的水下大坝表面裂缝识别方法的计算机设备的示意图。
实施方式
为了更加清楚完整的说明本发明的技术方案,下面结合附图对本发明作进一步说明。
请参考图1-图3,本发明提出一种水下大坝表面裂缝识别方法;
在本实施方式中本发明提出一种水下大坝表面裂缝识别方法,包括:
S1:将拍摄的图像进行预处理,输入水下大坝表面有裂缝和无裂缝的彩色图像,作为母图像,利用PGGAN模型生成更多的水下大坝表面图像;
S2:构造训练数据,对生成的图像进行有裂缝图像和有裂缝的图像配对、无裂缝图像和无裂缝图像配对,有裂缝图像和无裂缝图像配对,将图像对做傅里叶变换,获得图像对的频域分布图像的图像对,两图像对构成图像组;
S3:将图像组输入到CNN特征提取器中获取特征,构建训练模型并计算图像组中两图像对的特征空间距离;
S4:根据特征空间距离判断图像对是否属于同一类别,将判断结果与预设的特征空间距离相对比,若不属于同一类别,则计算二者之间的损失;
S5:将损失回传至训练模型中,并调整训练模型的参数,重复步骤S3至步骤S4,直至训练模型准确度达到预设值;
S6:对训练模型进行验证,分别输入有裂缝和无裂缝图像的预设数据集到训练模型中进行训练,将训练结果与预设的特征空间距离比对以获得二者的预测准确率,若准确率较低则调整模型参数并重复步骤S3,直到训练模型预测准确率达到预设值;
S7:输入需要识别的图像至训练模型中,获得图像是否存在裂缝的判断结果。
在本实施例中,采用傅里叶变换的好处包括:图像保存,从图像变换可以看出,傅里叶正变换将图像分解为一组越来越小的正交归一图像,具有很高的压缩比仍能够将原始数据完全恢复而不引入任何失真,当我们希望将一幅图像以一种更紧凑的数据格式进行编码,同时保持数据不丢失时;图像滤波:在进行傅里叶变换后,若在反变换之前对变换域进行选择,可对图像进行滤波处理;图形增强:正变换将一幅图像分解为大小、位置和方向都不同的分量,在逆变换之前改变域中某此系数的幅度,有选择提升感兴趣的分量,而忽略不需要的东西,或根据实际需要,缔造一个传递函数,在变换域将频谱乘以传递函数,再进行傅里叶逆变换来实现;同时,傅里叶变换可以有效的抑制噪声的生成,在水中,水的流动以及生物的声波对图像的生成会产生影响,傅里叶在转换的过程中,将图像的信息以频域显示,可以正对图像进行全局处理,在整个时域或空域上分析信号的频谱信息,有效的将噪音进行抑制。
在具体实施时,首先将早期已经经过准确识别的水坝有裂缝的图像和无裂缝的图像,将有裂缝的图像和无裂缝的图像进行傅里叶变换后设置预设的特征空间距离,并将有裂缝的图像和无裂缝的图像进行混合配对,形成有裂缝图像和有裂缝的图像配对、无裂缝图像和无裂缝图像配对,有裂缝图像和无裂缝图像配对的合集,并通过建立初始的训练模型对各个配对的图像对中的空间特征距离进行计算,形成不同的空间特征距离合集,由于经过傅里叶转换的图像中,图像中用来表达信息的数据仅仅有频域值和幅度值,频域值用于表示到中心的距离,幅度值表示其灰度值,在中心幅度值为近似于均值,在方向上根据傅里叶变换的性质,其可以进行平移、缩放或旋转均不改变其性质,因此,在有裂缝的图像对中,合集可以得到有裂缝的最小频域值和最大频域值,并形成合集,在无裂缝的图像对中,合集可以得到无裂缝的最小频域值和最大频域值,在有裂缝的图像与无裂缝的图像的图像对中,合集可以得到有裂缝的图像与无裂缝的图像之间的频域值的最大差值和最小差值,对于频域分布图像的图像对应的初始图像的特征空间距离,在进行特征提取的过程中,通过卷积层和池化层提取出图像特征,并通过反向传播确信其卷积核参数,并转换为特征向量进行计算,其中,是有裂缝的初始图像对的特征空间距离范围,/>是无裂缝的初始图像对的特征空间距离范围,初始图像的特征空间距离的合集的由/>表示;在得到两频域分布图像的图像的特征空间距离后,图像对的特征空间距离形成合集,表示为,其中/>表示为有裂缝的图像对的特征空间距离范围,/>无裂缝的图像对的最大空间范围,若计算的结果在/>中,且预设的特征空间距离为有裂缝的图像,则判断结果准确,若计算的结果在/>中,且预设的特征空间距离为无裂缝的图像,则判断结果不准确,在经过预设的训练模型训练后,若早期图像的判断符合对应的预设的特征空间距离,则训练模型参数校正准确,训练模型可以用于现在需要识别的图像的判断,若早期图像的判断不符合对应的预设的特征空间距离,则训练模型参数校正不准确,计算损失函数,并将损失函数导入训练模型中,将参数校正后,完成训练模型的设置,在本实施例中需要大量的图像进行训练模型参数的设置,图像之间的差距越大,则训练模型的精确度越高,并且通过傅里叶变换后的图像可以消除大坝表面杂物的干扰,从而提取特定的裂缝信息,使得检测的准确度增加。
在一个实施例中,在所述利用PGGAN模型生成更多的水下大坝表面图像步骤中,包括:
在预先设置的至少一个状态数据参数中,确定母图像和生成图像的状态类型参数;
调取需要融合的素材,并转换至相同的状态数据参数;
对母图像进行小波分解;
确认素材镶嵌在母图像上不同的位置坐标,并将素材融合在图像中;
进行小波逆变换,得到生成图像。
进一步的,所述状态数据参数包括图像分辨率和图像颜色;
所述图像分辨率包括:4x4到8x8,……,1024x1024,其中的一种或多种。
进一步的,在所述对母图像进行小波分解步骤中,包括:
对母图像进行水平低通和高通滤波后对图像进行采样,随后对母图像进行垂直低通和高通滤波后进行采样,同时得到母图像的轮廓图像、水平方向细节图像、垂直方向细节图像和对角线方向细节图像;图像重构时,在每一层(例如最后一层),我们通过在每一列的左边插入一列零来增频采样前一层的四个阵列;接着我们像图中那样,用或/>来与各行进行卷积,再成对地把这几个N/2*N的阵列加起来,然后通过每行上面插入一行零来将刚才所得两个阵列地大小增频采样为N*M,再用/>或/>与这两个矩阵的每列进行卷积,这两个矩阵的和就是这一次重建的结果;出于小波变换是可逆变换,所以仅仅通过上述分解和重构是不会给图像带来任何变化的(理论上如此,实际上存在计算误差),但是我们可以通过改变通过小波分解获得的小波系数,从而使最终的重构图像发生理想的变化,在小波选择恰当的情况下,图像的小波系数有很大一部分的值都很小,舍弃这些系数并不会对图像质量产生多大的影响,所以可以令小于某一门限的小波系数为零,从而实现图像的压缩,通过改变小波变换域中的某些系数的幅度,就能够有选择的提升所感兴趣的分量而牺牲不需要的东西,实现图像增强,通过一定的运算,把两幅图像的小波系数融合在一起,然后进行图像的重建,即可实现两幅图像的融合。
进一步的,在匹配素材镶嵌在母图像上的位置信息,并将素材融合在图像中步骤中,包括:
若所述素材的位置坐标设于母图像范围内,则采用居中融合的方式;
若所述素材的位置坐标设于所述母图像的边缘上,则采用边缘融合的方式;
若所述素材的位置坐标部分设于母图像范围内,则采用部分融合的方式。
进一步的,所述的水下大坝表面裂缝识别方法,所述并将素材融合在图像中步骤中,包括:
采用加权平均算法将素材融合于母图像重合的区域中;
在加权平均算法中,素材P融合在母图像Q中,融合宽度为T,令加权函数W(x)为0到1的单调递减函数,且0≤W(x)≤1,则融合区域的合成图像为R:
。
在本实施例中,加权平均是一种平滑变换,会导致模糊不清,并且不一定能保证无缝,融合区域宽度T的选取对有缝影响很大,如果T选取太小,则有缝特征明显,T选取太大,素材和图像的特征会在融合区域对比出来。
在一个实施例中,所述傅里叶变换包括:假设输入的图像尺寸为M*N,图像表达为函数,经过傅里叶变换为:
;
其中在/>之间取值,/>在/>之间取值;给出/>,可以通过反向推导出/>:
;
其中在/>之间取值,/>在/>之间取值;/>和/>是频域变量,/>和/>是空间或图像变量。
进一步的,图像在经过傅里叶变换后,表达的信息只包含有频域、幅度和方向,频域为具备实部和虚部,可以得到幅度为:
;
其中,是/>的实部,/>是/>的虚部。
进一步的,所述CNN特征提取器提取图像内的频域特征以及幅度特征,在傅里叶变化的过程中,还具有尺度变换、对称性和旋转性,可以实现在二维空间的频域特征的幅度特征的等同性质;其计算公式如下:
;
;
两公式表明将与远光指数项相乘就相当于将其变化后的频域中心移动到新的位置,且不影响其傅里叶变换的幅度值;
且在时:
;
将其代入公式,得到:
;
;
此外,傅里叶变换中还存在另外的性质,在此不一一举例,上述公式在此说明的是,在二维空间内的获取特征到中心的关系与获取该特征的方向无关。
进一步的,所述CNN特征提取器中,提取到图像内的频域特征与频域中心的距离,频域中心用幅度的平均值表示,两频域分布图像的图像的特征空间距离表示如下:
;
;
进一步的,在得到两频域分布图像的图像的特征空间距离后,三种图像对的特征空间距离形成合集,表示为,其中/>表示为有裂缝的图像对的特征空间距离范围,/>无裂缝的图像对的最大空间范围,若计算的结果在/>中,且预设的特征空间距离为有裂缝的图像,则判断结果准确,若计算的结果在/>中,且预设的特征空间距离为无裂缝的图像,则判断结果不准确。
对于频域分布图像的图像对应的初始图像,在进行特征提取的过程中,通过卷积层和池化层提取出图像特征,并通过反向传播确信其卷积核参数,并转换为特征向量进行计算,两者特征向量的差值由表示。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存预设的特征空间距离、图像对的合集等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种小样本遥感图像水体信息提取方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现实现一种小样本遥感图像水体信息提取方法的步骤,具体为:
S1:将拍摄的图像进行预处理,输入水下大坝表面有裂缝和无裂缝的彩色图像,作为母图像,利用PGGAN模型生成更多的水下大坝表面图像;
S2:构造训练数据,对生成的图像进行有裂缝图像和有裂缝的图像配对、无裂缝图像和无裂缝图像配对,有裂缝图像和无裂缝图像配对,将图像对做傅里叶变换,获得图像对的频域分布图像的图像对,两图像对构成图像组;
S3:将图像组输入到CNN特征提取器中获取特征,构建训练模型并计算图像组中两图像对的特征空间距离;
S4:根据特征空间距离判断图像对是否属于同一类别,将判断结果与预设的特征空间距离相对比,若不属于同一类别,则计算二者之间的损失;
S5:将损失回传至训练模型中,并调整训练模型的参数,重复步骤S3至步骤S4,直至训练模型准确度达到预设值;
S6:对训练模型进行验证,分别输入有裂缝和无裂缝图像的预设数据集到训练模型中进行训练,将训练结果与预设的特征空间距离比对以获得二者的预测准确率,若准确率较低则调整模型参数并重复步骤S3,直到训练模型预测准确率达到预设值;
S7:输入需要识别的图像至训练模型中,获得图像是否存在裂缝的判断结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本申请中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本申请的专利保护范围内。
尽管已经示出和描述了本申请的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本申请的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种水下大坝表面裂缝识别方法,其特征在于,包括:
S1:将拍摄的图像进行预处理,输入水下大坝表面有裂缝和无裂缝的彩色图像,作为母图像,利用PGGAN模型生成更多的水下大坝表面图像;
S2:构造训练数据,对生成的图像进行配对形成图像对,将图像对做傅里叶变换,获得图像对的频域分布图像的图像对,两图像对构成图像组;
S3:将图像组输入到CNN特征提取器中获取特征,构建训练模型并计算图像组中两图像对的特征空间距离;
S4:根据特征空间距离判断图像组中两图像对是否属于同一类别,若不属于同一类别,则计算图像组中两图像对特征空间距离的损失;
S5:将损失回传至训练模型中,并调整训练模型的参数,重复步骤S3至步骤S4,直至训练模型准确度达到预设值;
S6:对训练模型进行验证,分别输入有裂缝和无裂缝图像的预设数据集到训练模型中进行训练,将训练结果与预设的特征空间距离比对以获得二者的预测准确率,若准确率较低则调整模型参数并重复步骤S3,直到训练模型预测准确率达到预设值;
S7:输入需要识别的图像至训练模型中,获得图像是否存在裂缝的判断结果。
2.根据权利要求1所述的水下大坝表面裂缝识别方法,其特征在于,在所述利用PGGAN模型生成更多的水下大坝表面图像步骤中,包括:
在预先设置的至少一个状态数据参数中,确定母图像和生成图像的状态类型参数;
调取需要融合的素材,并转换至相同的状态数据参数;
对母图像进行小波分解;
确认素材镶嵌在母图像上不同的位置坐标,并将素材融合在图像中;
进行小波逆变换,得到生成图像。
3.根据权利要求2所述的水下大坝表面裂缝识别方法,其特征在于,所述在预先设置的至少一个状态数据参数中,确定母图像和生成图像的状态类型参数步骤中,所述状态数据参数包括图像分辨率和图像颜色;
所述图像分辨率包括:4x4到8x8,……,1024x1024,其中的一种或多种。
4.根据权利要求2所述的水下大坝表面裂缝识别方法,其特征在于,在所述对母图像进行小波分解步骤中,包括:
对母图像进行水平低通和高通滤波后对图像进行采样,随后对母图像进行垂直低通和高通滤波后进行采样,同时得到母图像的轮廓图像、水平方向细节图像、垂直方向细节图像和对角线方向细节图像。
5.根据权利要求2所述的水下大坝表面裂缝识别方法,其特征在于,在匹配素材镶嵌在母图像上的位置信息,并将素材融合在图像中步骤中,包括:
若所述素材的位置坐标设于母图像范围内,则采用居中融合的方式;
若所述素材的位置坐标设于所述母图像的边缘上,则采用边缘融合的方式;
若所述素材的位置坐标部分设于母图像范围内,则采用部分融合的方式。
6.根据权利要求2所述的水下大坝表面裂缝识别方法,其特征在于,在所述确认素材镶嵌在母图像上不同的位置坐标,并将素材融合在图像中的步骤内,包括:
采用加权平均算法将素材融合于母图像重合的区域中;
在加权平均算法中,素材P融合在母图像Q中,令加权函数W(x)为0到1的单调递减函数,且0≤W(x)≤1,则融合区域的合成图像为R:
。
7.根据权利要求1所述的水下大坝表面裂缝识别方法,其特征在于,在所述S7步骤中,包括:输入需要识别的图像至训练模型中,图像进行傅里叶变换后放入与三种图像对的特征空间距离形成的合集中,判断图像是否存在裂缝。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的水下大坝表面裂缝识别方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的水下大坝表面裂缝识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310232702.1A CN115953672B (zh) | 2023-03-13 | 2023-03-13 | 一种水下大坝表面裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310232702.1A CN115953672B (zh) | 2023-03-13 | 2023-03-13 | 一种水下大坝表面裂缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115953672A CN115953672A (zh) | 2023-04-11 |
CN115953672B true CN115953672B (zh) | 2024-02-27 |
Family
ID=87286310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310232702.1A Active CN115953672B (zh) | 2023-03-13 | 2023-03-13 | 一种水下大坝表面裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953672B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006049174A1 (ja) * | 2004-11-02 | 2006-05-11 | Tooru Hara | コンクリート構造物のクラック検査装置及びクラック検査方法 |
CN109345507A (zh) * | 2018-08-24 | 2019-02-15 | 河海大学 | 一种基于迁移学习的大坝图像裂缝检测方法 |
CN110147772A (zh) * | 2019-05-23 | 2019-08-20 | 河海大学常州校区 | 一种基于迁移学习的水下坝体表面裂缝识别方法 |
CN110991547A (zh) * | 2019-12-12 | 2020-04-10 | 电子科技大学 | 一种基于多特征最优融合的图像显著性检测方法 |
AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
CN112229585A (zh) * | 2020-09-18 | 2021-01-15 | 长沙理工大学 | 基于人工智能与声发射技术的裂缝损伤定位方法以及系统 |
CN114299060A (zh) * | 2022-01-04 | 2022-04-08 | 东北电力大学 | 一种适用于复杂水下环境的深度学习大坝裂缝检测方法 |
CN114689600A (zh) * | 2022-03-31 | 2022-07-01 | 南京林业大学 | 一种桥梁混凝土结构表面裂缝检测方法及系统 |
-
2023
- 2023-03-13 CN CN202310232702.1A patent/CN115953672B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006049174A1 (ja) * | 2004-11-02 | 2006-05-11 | Tooru Hara | コンクリート構造物のクラック検査装置及びクラック検査方法 |
CN109345507A (zh) * | 2018-08-24 | 2019-02-15 | 河海大学 | 一种基于迁移学习的大坝图像裂缝检测方法 |
CN110147772A (zh) * | 2019-05-23 | 2019-08-20 | 河海大学常州校区 | 一种基于迁移学习的水下坝体表面裂缝识别方法 |
AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
CN110991547A (zh) * | 2019-12-12 | 2020-04-10 | 电子科技大学 | 一种基于多特征最优融合的图像显著性检测方法 |
CN112229585A (zh) * | 2020-09-18 | 2021-01-15 | 长沙理工大学 | 基于人工智能与声发射技术的裂缝损伤定位方法以及系统 |
CN114299060A (zh) * | 2022-01-04 | 2022-04-08 | 东北电力大学 | 一种适用于复杂水下环境的深度学习大坝裂缝检测方法 |
CN114689600A (zh) * | 2022-03-31 | 2022-07-01 | 南京林业大学 | 一种桥梁混凝土结构表面裂缝检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
A Review of Detection Technologies for Underwater Cracks on Concrete Dam Surfaces;Dong Chen etal.;《https://doi.org/10.3390/app13063564》;全文 * |
基于机器学习的混凝土坝表面裂缝快速识别方法;高治鑫等;《水电能源科学》;第40卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115953672A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270249B (zh) | 一种融合rgb-d视觉特征的目标位姿估计方法 | |
CN104658001B (zh) | 一种无参考非对称失真立体图像客观质量评价方法 | |
CN109308713B (zh) | 一种基于前视声纳的改进核相关滤波水下目标跟踪方法 | |
CN113160265B (zh) | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 | |
CN112184693A (zh) | 一种射线工业底片焊缝缺陷智能检测方法 | |
CN112561881B (zh) | 基于评价模型的红外图像自适应数据增强方法 | |
CN116486224A (zh) | 一种基于改进U-Net的换热器管口图像识别算法 | |
CN115953672B (zh) | 一种水下大坝表面裂缝识别方法 | |
CN117152601A (zh) | 一种基于动态感知区域路由的水下目标检测方法及系统 | |
CN113850335B (zh) | 一种用于卫浴陶瓷缺陷检测的数据增广方法 | |
CN113807206B (zh) | 一种基于去噪任务辅助的sar图像目标识别方法 | |
CN115100068A (zh) | 一种红外图像校正方法 | |
CN114283082A (zh) | 一种基于注意力机制的红外小目标检测方法 | |
CN110223250B (zh) | 基于单应变换的sar几何校正方法 | |
CN113096171A (zh) | 多波束与侧扫声纳图像的多尺度迭代自适应配准方法 | |
CN116228797B (zh) | 基于注意力和U-Net的页岩扫描电镜图像分割方法 | |
CN116484921B (zh) | 多物理量特征融合卷积神经网络的裂纹尺寸精准量化方法 | |
KR20210076660A (ko) | 합성곱 신경망 기반의 스테레오스코픽 이미지 화질 평가 방법 및 장치 | |
CN115239962B (zh) | 基于深层大感受野空间注意力的目标分割方法和装置 | |
CN113628182B (zh) | 鱼类重量自动估计方法、装置、电子设备及存储介质 | |
CN114998605B (zh) | 一种恶劣成像条件下图像增强引导的目标检测方法 | |
CN117611644B (zh) | 一种可见光图像到sar图像的转换方法、装置、介质及设备 | |
CN109903289B (zh) | 一种太赫兹图像无损检测的方法、装置以及设备 | |
Dong | Research on Medical Image Registration Based on Graphic Neural Network Reinforcement Learning | |
Wei et al. | An improved SURF algorithm based on gradient and amplitude pre-computation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |