CN116682069A - 基于人工智能的船闸混凝土修复决策方法及系统 - Google Patents

Abstract

本申请实施例提供一种基于人工智能的船闸混凝土修复决策方法及系统，基于混凝土应用环境数据获取船闸混凝土区域所对应的可疑混凝土缺陷特征序列，接着基于混凝土区域图像以及可疑混凝土缺陷特征序列，确定一个或多个观测混凝土缺陷数据，据于此确定船闸混凝土区域所对应的观测混凝土缺陷数据以反映船闸混凝土区域对应观测混凝土缺陷特征的置信度。由此，可以从混凝土应用环境监控组件中获取与混凝土区域图像相关的混凝土应用环境数据，将混凝土应用环境数据作为混凝土区域图像的扩展参考数据，从而扩展与船闸混凝土相关的特征数据量，提高混凝土缺陷分类预测的可靠性，进而提高船闸混凝土修复决策的精准度。

Description

基于人工智能的船闸混凝土修复决策方法及系统

技术领域

本申请实施例涉及人工智能技术领域，具体而言，涉及一种基于人工智能的船闸混凝土修复决策方法及系统。

背景技术

船闸作为航道工程的重要组成部分，是为克服航道上的水位差而建的能够升降船舶或船队的水工建筑物，也即是一种用以保证船舶顺利通过，航道上集中水位落差的厢形水工建筑物。其中，船闸混凝土的可靠性对船闸的安全性存在直接联系。基于此，需要及时排查船闸混凝土可能存在的缺陷并进行修复，然而相关技术中通常是船闸现场人员进行周期性的人工巡查并基于主观判断来对船闸混凝土可能存在的缺陷进行排查，此种方案费时费力，难以保证混凝土缺陷排查可靠性，从而也影响后续船闸混凝土修复决策的精准度。

发明内容

为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于人工智能的船闸混凝土修复决策方法及系统。

依据本申请实施例的一个方面，提供了一种基于人工智能的船闸混凝土修复决策方法，包括：

获取船闸混凝土区域的混凝土区域图像；

基于所述混凝土区域图像，从混凝土应用环境监控组件序列中获取混凝土应用环境数据，所述混凝土应用环境监控组件序列包括一种或多种混凝土应用环境监控组件；

基于所述混凝土应用环境数据获取所述船闸混凝土区域所对应的可疑混凝土缺陷特征序列，所述可疑混凝土缺陷特征序列中包括一个或多个可疑混凝土缺陷特征；

基于所述混凝土区域图像以及所述可疑混凝土缺陷特征序列，确定一个或多个观测混凝土缺陷数据；

基于所述一个或多个观测混凝土缺陷数据，确定所述船闸混凝土区域所对应的目标观测混凝土缺陷数据，并基于所述目标观测混凝土缺陷数据生成所述船闸混凝土区域的修复决策信息，所述目标观测混凝土缺陷数据反映所述船闸混凝土区域对应观测混凝土缺陷特征的置信度，所述混凝土缺陷特征用于表征所述船闸混凝土区域中的缺陷定位子区域和对应的缺陷类别。

在第一方面的一种可能的实施方式中，所述基于所述混凝土区域图像，从混凝土应用环境监控组件序列中获取混凝土应用环境数据，包括：

基于所述混凝土区域图像，从第一混凝土应用环境监控组件、第二混凝土应用环境监控组件、第三混凝土应用环境监控组件以及第四混凝土应用环境监控组件中的一种或多种混凝土应用环境监控组件中，获取所述混凝土应用环境数据，所述第一混凝土应用环境监控组件为温度时序变化监控组件，所述第二混凝土应用环境监控组件为湿度时序变化监控组件，所述第三混凝土应用环境监控组件为风速时序变化监控组件，所述第四混凝土应用环境监控组件为辐射时序变化监控组件。

在第一方面的一种可能的实施方式中，所述基于所述混凝土应用环境数据获取所述船闸混凝土区域所对应的可疑混凝土缺陷特征序列，包括：

如果所述混凝土应用环境数据中包括两个以上应用环境数据，则基于所述两个以上应用环境数据预测参考混凝土缺陷特征序列，所述参考混凝土缺陷特征序列包括K个参考混凝土缺陷特征，所述参考混凝土缺陷特征包括一个或多个混凝土缺陷描述信息，且所述参考混凝土缺陷特征满足缺陷特征输出要求，所述K为不小于1的整数；

获取所述参考混凝土缺陷特征序列中所述参考混凝土缺陷特征与所述混凝土区域图像之间的特征距离；

基于所述参考混凝土缺陷特征序列中所述参考混凝土缺陷特征与所述混凝土区域图像之间的特征距离，从所述K个参考混凝土缺陷特征中确定所述船闸混凝土区域所对应的所述可疑混凝土缺陷特征序列，所述可疑混凝土缺陷特征序列包括P个可疑混凝土缺陷特征，所述P为不小于1，且不大于所述K的整数。

在第一方面的一种可能的实施方式中，所述基于所述混凝土应用环境数据获取所述船闸混凝土区域所对应的可疑混凝土缺陷特征序列，包括：

如果所述混凝土应用环境数据中包括一个应用环境数据，则通过预设神经网络获取所述一个应用环境数据所对应的参考混凝土缺陷特征序列，所述参考混凝土缺陷特征序列包括K个参考混凝土缺陷特征，所述参考混凝土缺陷特征包括一个或多个混凝土缺陷描述信息，所述K为不小于1的整数；

获取所述参考混凝土缺陷特征序列中所述参考混凝土缺陷特征与所述混凝土区域图像之间的特征距离；

基于所述参考混凝土缺陷特征序列中所述参考混凝土缺陷特征与所述混凝土区域图像之间的特征距离，从所述K个参考混凝土缺陷特征中确定所述船闸混凝土区域所对应的所述可疑混凝土缺陷特征序列，所述可疑混凝土缺陷特征序列包括P个可疑混凝土缺陷特征，所述P为不小于1，且不大于所述K的整数。

在第一方面的一种可能的实施方式中，所述基于所述混凝土区域图像以及所述可疑混凝土缺陷特征序列，确定一个或多个观测混凝土缺陷数据，包括：

基于所述混凝土区域图像确定所述船闸混凝土区域所对应的第一观测混凝土缺陷数据；

基于所述混凝土区域图像确定所述船闸混凝土区域所对应的第二观测混凝土缺陷数据；

基于所述混凝土区域图像以及所述可疑混凝土缺陷特征序列，确定所述船闸混凝土区域所对应的第三观测混凝土缺陷数据。

在第一方面的一种可能的实施方式中，所述基于所述混凝土区域图像确定所述船闸混凝土区域所对应的第一观测混凝土缺陷数据，包括：

基于所述混凝土区域图像获取一个或多个图像分块，所述图像分块属于参考图像分块序列中的参考图像分块；

获取所述一个或多个图像分块中每个图像分块所对应的显著性特征值；

基于所述每个图像分块所对应的显著性特征值以及所述每个图像分块所对应的实际观测混凝土缺陷数据，确定所述船闸混凝土区域所对应的所述第一观测混凝土缺陷数据，其中，所述每个图像分块所对应的实际观测混凝土缺陷数据通过混凝土缺陷分类网络获得。

在第一方面的一种可能的实施方式中，所述方法还包括：

获取候选应用环境数据所对应的参考图像分块；

基于所述参考图像分块获取相关混凝土区域图像序列，所述相关混凝土区域图像序列包括一个或多个相关混凝土区域图像，所述相关混凝土区域图像表示与所述参考图像分块存在相匹配的混凝土应用类型所对应的混凝土区域图像；

依据所述相关混凝土区域图像序列，通过混凝土缺陷分类网络获取每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据，其中，所述每个图像分块所对应的实际观测混凝土缺陷数据通过混凝土缺陷分类网络获得；

基于所述每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据，确定所述参考图像分块所对应的实际观测混凝土缺陷数据。

在第一方面的一种可能的实施方式中，所述基于所述混凝土区域图像确定所述船闸混凝土区域所对应的第二观测混凝土缺陷数据，包括：

基于所述混凝土区域图像，从其它混凝土图像采集数据源中获取关联混凝土区域图像序列，所述关联混凝土区域图像序列包括一个或多个关联混凝土区域图像，所述关联混凝土区域图像与所述混凝土区域图像对应相关联的混凝土来源和混凝土应用船闸；

对于所述关联混凝土区域图像序列中的每个关联混凝土区域图像，获取所述关联混凝土区域图像中每个图像分块所对应的显著性特征值；

对于所述关联混凝土区域图像序列中的每个关联混凝土区域图像，基于所述关联混凝土区域图像中每个图像分块所对应的显著性特征值以及所述每个图像分块所对应的实际观测混凝土缺陷数据，确定第四观测混凝土缺陷数据，其中，所述每个图像分块所对应的实际观测混凝土缺陷数据通过混凝土缺陷分类网络获得；

基于所述每个关联混凝土区域图像所对应的第四观测混凝土缺陷数据，确定观测混凝土缺陷融合数据；

获取所述混凝土区域图像中每个图像分块所对应的显著性特征值；

基于所述混凝土区域图像中每个图像分块所对应的显著性特征值、实际观测混凝土缺陷数据以及所述观测混凝土缺陷融合数据，确定所述船闸混凝土区域所对应的所述第二观测混凝土缺陷数据；

所述基于所述混凝土区域图像以及所述可疑混凝土缺陷特征序列，确定所述船闸混凝土区域所对应的第三观测混凝土缺陷数据的步骤，包括：

通过混凝土缺陷特征定位网络确定所述混凝土区域图像对应的初始预测混凝土缺陷特征序列；

获取所述初始预测混凝土缺陷特征序列中与所述可疑混凝土缺陷特征序列中任意一个可疑混凝土缺陷特征匹配的目标预测混凝土缺陷特征，并基于预先训练的混凝土缺陷分类网络对所述目标预测混凝土缺陷特征进行分类输出，生成所述第三观测混凝土缺陷数据。

在第一方面的一种可能的实施方式中，所述方法还包括：

获取参考观测混凝土缺陷特征；

如果所述参考观测混凝土缺陷特征与所述其它混凝土图像采集数据源中的观测混凝土缺陷特征匹配成功，则执行所述基于所述混凝土区域图像，从其它混凝土图像采集数据源中获取关联混凝土区域图像序列的步骤。

在第一方面的一种可能的实施方式中，通过混凝土缺陷预测网络获取每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据的步骤，包括：

获取所述相关混凝土区域图像以及先验模板缺陷图像数据，所述相关混凝土区域图像包括多个图像分块，所述先验模板缺陷图像数据包括至少一个先验模板缺陷图像；

基于所述相关混凝土区域图像以及所述先验模板缺陷图像数据，通过混凝土缺陷预测网络获取所述相关混凝土区域图像的图像语义特征序列以及所述先验模板缺陷图像数据的图像语义特征序列；

基于所述相关混凝土区域图像的图像语义特征序列以及所述先验模板缺陷图像数据的图像语义特征序列，获取共性语义特征序列，所述共性语义特征序列包括图像分块之间的共性语义特征以及所述图像分块与所述先验模板缺陷图像之间的共性语义特征；

基于注意力网络对所述共性语义特征序列进行分析，获取所述显著性指标特征序列，所述显著性指标特征序列包括多个显著性指标特征，所述显著性指标特征与所述图像分块一一对应，所述显著性指标特征表示所述图像分块在所述相关混凝土区域图像中与所述先验模板缺陷图像相关的显著性权重；

对所述相关混凝土区域图像以及所述显著性指标特征序列进行处理，获取所述目标图像语义特征序列；

基于所述目标图像语义特征序列与所述先验模板缺陷图像数据，获取所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度；

基于所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定所述相关混凝土区域图像所对应的目标观测混凝土缺陷数据，所述目标观测混凝土缺陷数据包括所述相关混凝土区域图像与至少一个先验模板缺陷图像的匹配语义特征所在的缺陷定位子区域和对应的缺陷类别；

其中，所述先验模板缺陷图像数据包括多个先验模板缺陷图像；

所述共性语义特征序列还包括所述先验模板缺陷图像之间的共性语义特征；

所述基于所述相关混凝土区域图像以及所述先验模板缺陷图像数据，获取所述相关混凝土区域图像的图像语义特征序列以及所述先验模板缺陷图像数据的图像语义特征序列，包括：

基于所述相关混凝土区域图像以及所述先验模板缺陷图像数据生成待处理图像数据队列，待处理图像数据队列包括所述相关混凝土区域图像的滑窗图像分块集合以及所述先验模板缺陷图像数据的滑窗图像分块集合；

对所述相关混凝土区域图像的滑窗图像分块集合以及所述先验模板缺陷图像数据的滑窗图像分块集合进行语义特征提取，生成每个图像分块所对应的图像纹理形状矢量以及每个先验模板缺陷图像所对应的图像纹理形状矢量；

基于每个图像分块所对应的图像纹理形状矢量生成所述相关混凝土区域图像的图像语义特征序列；

基于每个先验模板缺陷图像所对应的图像纹理形状矢量生成所述先验模板缺陷图像数据的图像语义特征序列；

所述基于所述相关混凝土区域图像以及所述先验模板缺陷图像数据生成待处理图像数据队列，包括： 对所述相关混凝土区域图像进行滑窗分块，生成所述相关混凝土区域图像的滑窗图像分块集合；

对所述先验模板缺陷图像数据进行滑窗分块，生成所述先验模板缺陷图像数据的滑窗图像分块集合；

对所述相关混凝土区域图像的滑窗图像分块集合以及所述先验模板缺陷图像数据的滑窗图像分块集合进行汇聚，生成所述待处理图像数据队列。

譬如，在第一方面的一种可能的实施方式中，所述先验模板缺陷图像数据包括多个先验模板缺陷图像；

所述基于所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定所述相关混凝土区域图像所对应的目标观测混凝土缺陷数据，包括：

将所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度大于第一门限置信度的至少一个置信度输出为目标置信度；

将所述目标置信度对应的先验模板缺陷图像输出为所述相关混凝土区域图像所对应的目标观测混凝土缺陷数据；

或者，所述先验模板缺陷图像数据为单个先验模板缺陷图像；

所述基于所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定所述相关混凝土区域图像所对应的目标观测混凝土缺陷数据，包括：

当所述相关混凝土区域图像匹配先验模板缺陷图像的置信度大于第二门限置信度时，则将所述先验模板缺陷图像数据输出为所述相关混凝土区域图像所对应的目标观测混凝土缺陷数据。

譬如，在第一方面的一种可能的实施方式中，所述基于所述相关混凝土区域图像以及所述先验模板缺陷图像数据，获取所述相关混凝土区域图像的图像语义特征序列以及所述先验模板缺陷图像数据的图像语义特征序列，包括：

依据所述相关混凝土区域图像以及所述先验模板缺陷图像数据，通过混凝土缺陷预测网络的第一语义编码子网络获取所述相关混凝土区域图像的图像语义特征序列以及所述先验模板缺陷图像数据的图像语义特征序列；所述基于所述相关混凝土区域图像的图像语义特征序列以及所述先验模板缺陷图像数据的图像语义特征序列，获取共性语义特征序列，包括：

依据所述相关混凝土区域图像的图像语义特征序列以及所述先验模板缺陷图像数据的图像语义特征序列，通过混凝土缺陷预测网络的第二语义编码子网络获取所述共性语义特征序列； 所述基于所述共性语义特征序列获取所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，包括：

依据所述共性语义特征序列，通过混凝土缺陷预测网络的特征比对子网络获取所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度；

所述基于所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定所述相关混凝土区域图像所对应的目标观测混凝土缺陷数据，包括：

依据所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，依据所述混凝土缺陷预测网络的全连接子网络确定所述相关混凝土区域图像所对应的目标观测混凝土缺陷数据。

譬如，在第一方面的一种可能的实施方式中，所述方法还包括：

获取训练凝土区域图像序列，训练先验缺陷图像数据以及标注混凝土缺陷数据序列，所述训练凝土区域图像序列包括多个训练凝土区域图像，所述训练凝土区域图像包括多个图像分块，所述训练先验缺陷图像数据包括至少一个先验模板缺陷图像；

依据所述训练凝土区域图像序列以及所述训练先验缺陷图像数据，通过初始化混凝土缺陷预测网络的第一语义编码子网络获取所述训练凝土区域图像序列的图像语义特征序列以及所述训练先验缺陷图像数据的图像语义特征序列；

依据所述训练凝土区域图像序列的图像语义特征序列以及所述训练先验缺陷图像数据的图像语义特征序列，依据所述初始化混凝土缺陷预测网络的第二语义编码子网络获取预测共性语义特征序列，所述预测共性语义特征序列包括每个训练凝土区域图像的图像分块之间的共性语义特征以及每个训练凝土区域图像的图像分块与每个训练先验缺陷图像数据的先验模板缺陷图像之间的共性语义特征；

依据所述预测共性语义特征序列，依据所述初始化混凝土缺陷预测网络的特征比对子网络获取每个训练凝土区域图像的图像分块分别匹配每个先验模板缺陷图像的置信度序列；

依据所述每个训练凝土区域图像的图像分块分别匹配每个先验模板缺陷图像的置信度序列，依据所述初始化混凝土缺陷预测网络的全连接子网络获取所述训练凝土区域图像序列所对应的训练混凝土缺陷数据序列，训练混凝土缺陷数据序列包括多个训练混凝土缺陷数据，每个训练混凝土缺陷数据包括至少一个所述训练凝土区域图像与先验模板缺陷图像的匹配语义特征所在的缺陷定位子区域和对应的缺陷类别；

依据所述训练混凝土缺陷数据序列以及所述标注混凝土缺陷数据序列，基于目标训练误差函数更新所述初始化混凝土缺陷预测网络的网络权重信息，生成所述混凝土缺陷预测网络。

依据本申请实施例的一个方面，提供了一种基于人工智能的船闸混凝土修复决策系统，所述基于人工智能的船闸混凝土修复决策系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于人工智能的船闸混凝土修复决策方法。

依据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。

在本申请的一些实施例所提供的技术方案中，基于混凝土应用环境数据获取船闸混凝土区域所对应的可疑混凝土缺陷特征序列，接着基于混凝土区域图像以及可疑混凝土缺陷特征序列，确定一个或多个观测混凝土缺陷数据，据于此确定船闸混凝土区域所对应的观测混凝土缺陷数据以反映船闸混凝土区域对应观测混凝土缺陷特征的置信度。由此，可以从混凝土应用环境监控组件中获取与混凝土区域图像相关的混凝土应用环境数据，将混凝土应用环境数据作为混凝土区域图像的扩展参考数据，从而扩展与船闸混凝土相关的特征数据量，提高混凝土缺陷分类预测的可靠性，进而提高船闸混凝土修复决策的精准度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的基础上，还可以结合这些附图提取其它相关的附图。

图1为本申请实施例提供的基于人工智能的船闸混凝土修复决策方法的流程示意图；

图2为本申请实施例提供的用于实现上述的基于人工智能的船闸混凝土修复决策方法的基于人工智能的船闸混凝土修复决策系统的结构示意框图。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。

图1是本申请一种实施例提供的基于人工智能的船闸混凝土修复决策方法的流程示意图，下面对该基于人工智能的船闸混凝土修复决策方法进行详细介绍。

步骤S101、获取船闸混凝土区域的混凝土区域图像；

步骤S102、基于混凝土区域图像，从混凝土应用环境监控组件序列中获取混凝土应用环境数据，混凝土应用环境监控组件序列包括一种或多种混凝土应用环境监控组件。

本实施例中，可以从混凝土应用环境监控组件序列中，基于该混凝土区域图像获取混凝土应用环境数据。

步骤S103、基于混凝土应用环境数据获取船闸混凝土区域所对应的可疑混凝土缺陷特征序列，可疑混凝土缺陷特征序列中包括一个或多个可疑混凝土缺陷特征；

步骤S104、基于混凝土区域图像以及可疑混凝土缺陷特征序列，确定一个或多个观测混凝土缺陷数据；

步骤S105、基于一个或多个观测混凝土缺陷数据，确定船闸混凝土区域所对应的目标观测混凝土缺陷数据，并基于所述目标观测混凝土缺陷数据生成所述船闸混凝土区域的修复决策信息，目标观测混凝土缺陷数据反映船闸混凝土区域对应观测混凝土缺陷特征的置信度，所述混凝土缺陷特征用于表征所述船闸混凝土区域中的缺陷定位子区域和对应的缺陷类别。

其中，在基于所述目标观测混凝土缺陷数据生成所述船闸混凝土区域的修复决策信息的过程中，具体可以提取所述目标观测混凝土缺陷数据中大于设定置信度的目标缺陷类别和对应的缺陷定位子区域，然后从云端修复方案中调取所述目标缺陷类别对应的目标修复方案，并将所述目标修复方案、所述目标缺陷类别和所述对应的缺陷定位子区构成三元组输出作为所述船闸混凝土区域的修复决策信息。

基于以上步骤，可以从混凝土应用环境监控组件中获取与混凝土区域图像相关的混凝土应用环境数据，将混凝土应用环境数据作为混凝土区域图像的扩展参考数据，从而扩展与船闸混凝土相关的特征数据量，提高混凝土缺陷分类预测的可靠性，进而提高船闸混凝土修复决策的精准度。

一种可替代的实施方式中，基于混凝土区域图像，从混凝土应用环境监控组件序列中获取混凝土应用环境数据，可以包括：

基于混凝土区域图像，从第一混凝土应用环境监控组件、第二混凝土应用环境监控组件、第三混凝土应用环境监控组件以及第四混凝土应用环境监控组件中的一种或多种混凝土应用环境监控组件中，获取混凝土应用环境数据，第一混凝土应用环境监控组件为温度时序变化监控组件，第二混凝土应用环境监控组件为湿度时序变化监控组件，第三混凝土应用环境监控组件为风速时序变化监控组件，第四混凝土应用环境监控组件为辐射时序变化监控组件。

一种可替代的实施方式中，可以从不同的混凝土应用环境监控组件中获取混凝土应用环境数据，其中混凝土应用环境监控组件包括但不限于温度时序变化监控组件、湿度时序变化监控组件、风速时序变化监控组件以及辐射时序变化监控组件。

一种可替代的实施方式中，基于混凝土应用环境数据获取船闸混凝土区域所对应的可疑混凝土缺陷特征序列，可以包括：

若混凝土应用环境数据中包括两个以上应用环境数据，则基于所述两个以上应用环境数据预测参考混凝土缺陷特征序列，参考混凝土缺陷特征序列包括K个参考混凝土缺陷特征，参考混凝土缺陷特征包括一个或多个混凝土缺陷描述信息，且参考混凝土缺陷特征满足缺陷特征输出要求，K为不小于1的整数；

获取参考混凝土缺陷特征序列中参考混凝土缺陷特征与混凝土区域图像之间的特征距离；

基于参考混凝土缺陷特征序列中参考混凝土缺陷特征与混凝土区域图像之间的特征距离，从K个参考混凝土缺陷特征中确定船闸混凝土区域所对应的可疑混凝土缺陷特征序列，可疑混凝土缺陷特征序列包括P个可疑混凝土缺陷特征，P为不小于1，且不大于K的整数。

本实施例中，在获取到混凝土应用环境数据后，若混凝土应用环境数据中包括两个以上应用环境数据时，则可以基于所述两个以上应用环境数据预测包括K个参考混凝土缺陷特征的参考混凝土缺陷特征序列，而参考混凝土缺陷特征包括一个或多个混凝土缺陷描述信息，并且参考混凝土缺陷特征满足缺陷特征输出要求，然后从K个参考混凝土缺陷特征中确定船闸混凝土区域所对应的可疑混凝土缺陷特征序列，可疑混凝土缺陷特征序列中包括P个可疑混凝土缺陷特征，K为不小于1的整数，P为不小于1，且不大于K的整数。

一种可替代的实施方式中，可以基于参考混凝土缺陷特征库，选取前P个特征距离最小的参考混凝土缺陷特征作为可疑混凝土缺陷特征，或者选取特征距离最小的参考混凝土缺陷特征作为可疑混凝土缺陷特征。

由此，在多个应用环境数据的情况下，用缺陷特征输出要求确定参考混凝土缺陷特征，另外还基于特征距离确定可疑混凝土缺陷特征序列，由此提升可疑混凝土缺陷特征序列的准确度。

一种可替代的实施方式中，基于混凝土应用环境数据获取船闸混凝土区域所对应的可疑混凝土缺陷特征序列，可以包括：

若混凝土应用环境数据中包括一个应用环境数据，则通过预设神经网络获取一个应用环境数据所对应的参考混凝土缺陷特征序列，参考混凝土缺陷特征序列包括K个参考混凝土缺陷特征，参考混凝土缺陷特征包括一个或多个混凝土缺陷描述信息，K为不小于1的整数；

获取参考混凝土缺陷特征序列中参考混凝土缺陷特征与混凝土区域图像之间的特征距离；

基于参考混凝土缺陷特征序列中参考混凝土缺陷特征与混凝土区域图像之间的特征距离，从K个参考混凝土缺陷特征中确定船闸混凝土区域所对应的可疑混凝土缺陷特征序列，可疑混凝土缺陷特征序列包括P个可疑混凝土缺陷特征，P为不小于1，且不大于K的整数。

一种可替代的实施方式中，在获取到混凝土应用环境数据后，当混凝土应用环境数据中包括一个应用环境数据时，则通过预设神经网络获取一个应用环境数据所对应的参考混凝土缺陷特征序列，并且参考混凝土缺陷特征序列包括K个参考混凝土缺陷特征，参考混凝土缺陷特征包括一个或多个混凝土缺陷描述信息，然后可以基于所获取的参考混凝土缺陷特征序列中参考混凝土缺陷特征与混凝土区域图像之间的特征距离，从K个参考混凝土缺陷特征中确定船闸混凝土区域所对应的可疑混凝土缺陷特征序列，并且可疑混凝土缺陷特征序列中包括P个可疑混凝土缺陷特征，其中K为不小于1的整数，P为不小于1，且不大于K的整数。

在获取到参考混凝土缺陷特征序列后，需要计算参考混凝土缺陷特征序列中参考混凝土缺陷特征与混凝土区域图像之间的特征距离，也就是判断混凝土区域图像和参考混凝土缺陷特征是不是相关的。可以基于参考混凝土缺陷特征库，选取前P个特征距离最小的参考混凝土缺陷特征作为可疑混凝土缺陷特征，或者选取特征距离最小的参考混凝土缺陷特征作为可疑混凝土缺陷特征。其中，基于前述方法获取的特征距离，可以从前述参考混凝土缺陷特征中确定船闸混凝土区域所对应的可疑混凝土缺陷特征序列。

由此，通过预设神经网络确定参考混凝土缺陷特征，另外还基于特征距离确定可疑混凝土缺陷特征序列，提升可疑混凝土缺陷特征序列的精度和确定速度。

一种可替代的实施方式中，基于混凝土区域图像以及可疑混凝土缺陷特征序列，确定一个或多个观测混凝土缺陷数据，可以包括：

基于混凝土区域图像确定船闸混凝土区域所对应的第一观测混凝土缺陷数据；

基于混凝土区域图像确定船闸混凝土区域所对应的第二观测混凝土缺陷数据；

基于混凝土区域图像以及可疑混凝土缺陷特征序列，确定船闸混凝土区域所对应的第三观测混凝土缺陷数据。

一种可替代的实施方式中，可以基于混凝土区域图像确定船闸混凝土区域所对应的第一观测混凝土缺陷数据，以及第二观测混凝土缺陷数据，还可以基于混凝土区域图像以及可疑混凝土缺陷特征序列，确定船闸混凝土区域所对应的第三观测混凝土缺陷数据。其中，可以仅采用第三观测混凝土缺陷数据作为目标观测混凝土缺陷数据，但该目标观测混凝土缺陷数据的可靠性较差。示例性地，目标观测混凝土缺陷数据也可以依据第一观测混凝土缺陷数据与第三观测混凝土缺陷数据得到，示例性地，目标观测混凝土缺陷数据还可以依据第二观测混凝土缺陷数据与第三观测混凝土缺陷数据得到。其中，目标观测混凝土缺陷数据还可以依据第一观测混凝土缺陷数据、第二观测混凝土缺陷数据以及第三观测混凝土缺陷数据得到。

示例性地，基于混凝土区域图像确定船闸混凝土区域所对应的第一观测混凝土缺陷数据，可以包括：

基于混凝土区域图像获取一个或多个图像分块，图像分块属于参考图像分块序列中的参考图像分块；

获取一个或多个图像分块中每个图像分块所对应的显著性特征值；

基于每个图像分块所对应的显著性特征值以及每个图像分块所对应的实际观测混凝土缺陷数据，确定船闸混凝土区域所对应的第一观测混凝土缺陷数据。

可以基于混凝土区域图像获取一个或多个图像分块，并且该图像分块属于参考图像分块序列中的参考图像分块，然后获取一个或多个图像分块中每个图像分块所对应的显著性特征值，最后基于每个图像分块所对应的显著性特征值以及每个图像分块所对应的实际观测混凝土缺陷数据，确定第一观测混凝土缺陷数据。

一种可替代的实施方式中，以上方法实施例还可以包括：

获取候选应用环境数据所对应的参考图像分块；

基于参考图像分块获取相关混凝土区域图像序列，相关混凝土区域图像序列包括一个或多个相关混凝土区域图像，相关混凝土区域图像表示与参考图像分块存在相匹配的混凝土应用类型所对应的混凝土区域图像；

依据相关混凝土区域图像序列，通过混凝土缺陷分类网络获取每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据；

基于每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据，确定参考图像分块所对应的实际观测混凝土缺陷数据。

一种可替代的实施方式中，可以先获取候选应用环境数据所对应的参考图像分块，然后基于参考图像分块获取相关混凝土区域图像序列，并且该相关混凝土区域图像序列包括一个或多个相关混凝土区域图像，相关混凝土区域图像可以表示与参考图像分块存在相匹配的混凝土应用类型所对应的混凝土区域图像，进一步地依据相关混凝土区域图像序列，通过混凝土缺陷分类网络获取每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据，最后可以基于每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据，确定参考图像分块所对应的实际观测混凝土缺陷数据。

基于以上步骤，基于候选应用环境数据所对应的参考图像分块获取相关混凝土区域图像序列，并且依据相关混凝土区域图像序列，通过混凝土缺陷分类网络获取每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据，再基于每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据，确定参考图像分块所对应的实际观测混凝土缺陷数据。由此，由于混凝土区域图像序列包括的混凝土区域图像，而该混凝土区域图像可以表示与参考图像分块存在相匹配的混凝土应用类型所对应的混凝土区域图像，因此可以从而扩展与船闸混凝土相关的特征数据量，提高混凝土缺陷分类预测的可靠性，进而提高船闸混凝土修复决策的精准度。

一种可替代的实施方式中，基于混凝土区域图像确定船闸混凝土区域所对应的第二观测混凝土缺陷数据，可以包括：

基于混凝土区域图像，从其它混凝土图像采集数据源中获取关联混凝土区域图像序列，关联混凝土区域图像序列包括一个或多个关联混凝土区域图像，关联混凝土区域图像与混凝土区域图像对应相关联的混凝土来源和混凝土应用船闸；

针对关联混凝土区域图像序列中的每个关联混凝土区域图像，获取关联混凝土区域图像中每个图像分块所对应的显著性特征值；

针对关联混凝土区域图像序列中的每个关联混凝土区域图像，基于关联混凝土区域图像中每个图像分块所对应的显著性特征值以及每个图像分块所对应的实际观测混凝土缺陷数据，确定第四观测混凝土缺陷数据；

基于每个关联混凝土区域图像所对应的第四观测混凝土缺陷数据，确定观测混凝土缺陷融合数据；

获取混凝土区域图像中每个图像分块所对应的显著性特征值；

基于混凝土区域图像中每个图像分块所对应的显著性特征值、实际观测混凝土缺陷数据以及观测混凝土缺陷融合数据，确定船闸混凝土区域所对应的第二观测混凝土缺陷数据。

一种可替代的实施方式中，可以基于所获取的混凝土区域图像，从其它混凝土图像采集数据源中获取关联混凝土区域图像序列，并且该关联混凝土区域图像序列包括一个或多个关联混凝土区域图像，关联混凝土区域图像与混凝土区域图像对应相关联的混凝土来源和混凝土应用船闸，然后针对关联混凝土区域图像序列中的每个关联混凝土区域图像，获取关联混凝土区域图像中每个图像分块所对应的显著性特征值，进而基于关联混凝土区域图像中每个图像分块所对应的显著性特征值，以及每个图像分块所对应的实际观测混凝土缺陷数据，通过确定第四观测混凝土缺陷数据，进一步地，基于每个关联混凝土区域图像所对应的第四观测混凝土缺陷数据，确定观测混凝土缺陷融合数据，然后获取混凝土区域图像中每个图像分块所对应的显著性特征值，最后基于所获取的混凝土区域图像中每个图像分块所对应的显著性特征值，实际观测混凝土缺陷数据以及观测混凝土缺陷融合数据，确定船闸混凝土区域所对应的第二观测混凝土缺陷数据。

一种可替代的实施方式中，以上方法实施例还包括：

获取参考观测混凝土缺陷特征；

若参考观测混凝土缺陷特征与其它混凝土图像采集数据源中的观测混凝土缺陷特征匹配成功，则执行基于混凝土区域图像，从其它混凝土图像采集数据源中获取关联混凝土区域图像序列的步骤。

一种可替代的实施方式中，可以先获取参考观测混凝土缺陷特征，然后从其它混凝土图像采集数据源中获取相关的观测混凝土缺陷特征，然后将参考观测混凝土缺陷特征与其它混凝土图像采集数据源中的观测混凝土缺陷特征进行匹配，当匹配成功时，则执行前述方法中基于混凝土区域图像，从其它混凝土图像采集数据源中获取关联混凝土区域图像序列的步骤。

一种可替代的实施方式中，通过混凝土缺陷预测网络获取每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据的步骤，包括：

步骤S201、获取相关混凝土区域图像以及先验模板缺陷图像数据，相关混凝土区域图像包括多个图像分块，先验模板缺陷图像数据包括多个先验模板缺陷图像；

本实施例中，获取相关混凝土区域图像以及先验模板缺陷图像数据，该相关混凝土区域图像包括多个图像分块，先验模板缺陷图像数据包括多个先验模板缺陷图像。

步骤S202、基于相关混凝土区域图像以及先验模板缺陷图像数据，获取相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列；

基于步骤S201所获取的相关混凝土区域图像以及先验模板缺陷图像数据，能够获取相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列。例如，可以基于相关混凝土区域图像以及先验模板缺陷图像数据生成相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合，然后对相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合进行语义特征提取，生成相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列。

步骤S203、基于相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，获取共性语义特征序列，共性语义特征序列包括图像分块之间的共性语义特征以及图像分块与先验模板缺陷图像之间的共性语义特征；

依据步骤S202所获取的相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，获取共性语义特征序列，该共性语义特征序列包括图像分块之间的共性语义特征以及图像分块与先验模板缺陷图像之间的共性语义特征。

例如，对相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合进行语义特征提取后，相关混凝土区域图像中的每个图像分块均可以生成对应的图像纹理形状矢量，此时每个图像分块对应的图像纹理形状矢量即构成一个相关混凝土区域图像的图像纹理形状矢量阵列(即相关混凝土区域图像的图像语义特征序列)，同理可知，先验模板缺陷图像数据的每个先验模板缺陷图像均可以生成对应的图像纹理形状矢量，此时每个先验模板缺陷图像对应的图像纹理形状矢量即构成一个先验模板缺陷图像数据的图像纹理形状矢量阵列(即先验模板缺陷图像数据的图像语义特征序列)。依据此，将相关混凝土区域图像的图像纹理形状矢量阵列乘以先验模板缺陷图像数据的图像纹理形状矢量阵列，由此能够得到匹配度阵列(即共性语义特征序列)，此时匹配度阵列中能够包括每个图像分块之间的共性语义特征以及图像分块与先验模板缺陷图像之间的共性语义特征。

步骤S204、基于共性语义特征序列获取相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度。

依据步骤S203得到的共性语义特征序列，获取相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度。例如，若先验模板缺陷图像数据为单个先验模板缺陷图像，那么此时获取到的置信度为“1”或者“0”。其次，若先验模板缺陷图像数据为多个先验模板缺陷图像，且包括先验模板缺陷图像A，先验模板缺陷图像B以及先验模板缺陷图像C，那么能够获取到的相关混凝土区域图像匹配先验模板缺陷图像A的置信度A，相关混凝土区域图像匹配先验模板缺陷图像B的置信度B以及相关混凝土区域图像匹配先验模板缺陷图像C的置信度C。并且对置信度A，置信度B以及置信度C进行规则化转换后，规则化转换后得到的置信度A，规则化转换后得到的置信度B以及规则化转换后得到的置信度C之和为1。

步骤S205、基于相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定相关混凝土区域图像所对应的目标观测混凝土缺陷数据，目标观测混凝土缺陷数据包括所述相关混凝土区域图像与至少一个先验模板缺陷图像的匹配语义特征所在的缺陷定位子区域和对应的缺陷类别。

依据以上步骤，先获取相关混凝土区域图像以及先验模板缺陷图像数据，该相关混凝土区域图像包括多个图像分块，且先验模板缺陷图像数据包括至少一个先验模板缺陷图像，然后基于相关混凝土区域图像以及先验模板缺陷图像数据，获取相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，并且基于相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，获取共性语义特征序列，该共性语义特征序列包括图像分块之间的共性语义特征以及图像分块与先验模板缺陷图像之间的共性语义特征，进而基于共性语义特征序列获取相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，最后基于相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定相关混凝土区域图像所对应的目标观测混凝土缺陷数据，该目标观测混凝土缺陷数据包括至少一个先验模板缺陷图像。由此在结合混凝土区域图像的特征表达的基础上，结合了混凝土区域图像与先验模板缺陷图像数据的相关性，从而进一步增强特征表达能力，从而提高混凝土缺陷预测的准确性。

一种可替代的实施方式中，先验模板缺陷图像数据包括多个先验模板缺陷图像；

共性语义特征序列还包括先验模板缺陷图像之间的共性语义特征。

一种可替代的实施方式中，由于先验模板缺陷图像数据能够包括一个或多个先验模板缺陷图像，在先验模板缺陷图像数据包括多个先验模板缺陷图像的情况下，共性语义特征序列还包括先验模板缺陷图像之间的共性语义特征。

例如，依据步骤S202，对相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合进行语义特征提取后，相关混凝土区域图像中的每个图像分块均可以生成对应的图像纹理形状矢量，此时每个图像分块对应的图像纹理形状矢量即构成一个相关混凝土区域图像的图像纹理形状矢量阵列(即相关混凝土区域图像的图像语义特征序列)，对应的，先验模板缺陷图像数据的每个先验模板缺陷图像均可以生成对应的图像纹理形状矢量，此时每个先验模板缺陷图像对应的图像纹理形状矢量即构成一个先验模板缺陷图像数据的图像纹理形状矢量阵列(即先验模板缺陷图像数据的图像语义特征序列)。依据此，将相关混凝土区域图像的图像纹理形状矢量阵列乘以先验模板缺陷图像数据的图像纹理形状矢量阵列，进而生成匹配度阵列(即共性语义特征序列)，而匹配度阵列中不仅可以包括每个图像分块之间的共性语义特征以及图像分块与先验模板缺陷图像之间的共性语义特征，还可以包括先验模板缺陷图像之间的共性语义特征。

一种可替代的实施方式中，基于相关混凝土区域图像以及先验模板缺陷图像数据，获取相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，具体包括：

基于相关混凝土区域图像以及先验模板缺陷图像数据生成待处理图像数据队列，待处理图像数据队列包括相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合；

对待处理图像数据队列进行语义特征提取，生成相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列。

一种可替代的实施方式中，可以基于相关混凝土区域图像以及先验模板缺陷图像数据生成待处理图像数据队列，该待处理图像数据队列包括相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合。

进一步地，再对待处理图像数据队列进行语义特征提取，生成相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列。

相关混凝土区域图像的每个图像分块均可以生成对应的图像纹理形状矢量，每个图像分块对应的图像纹理形状矢量即构成一个相关混凝土区域图像的图像纹理形状矢量阵列CK(即相关混凝土区域图像的图像语义特征序列)。其次，先验模板缺陷图像数据的每个先验模板缺陷图像均可以生成对应的图像纹理形状矢量，此时每个先验模板缺陷图像对应的图像纹理形状矢量即构成一个先验模板缺陷图像数据的图像纹理形状矢量阵列CM(即先验模板缺陷图像数据的图像语义特征序列)。然后将相关混凝土区域图像的图像纹理形状矢量阵列乘以先验模板缺陷图像数据的图像纹理形状矢量阵列，由此能够得到匹配度阵列(即共性语义特征序列)，此时匹配度阵列中能够包括每个图像分块之间的共性语义特征CK·CK，图像分块与先验模板缺陷图像之间的共性语义特征CK·CM以及先验模板缺陷图像与先验模板缺陷图像之间的共性语义特征CM·CM。

一种可替代的实施方式中，基于相关混凝土区域图像以及先验模板缺陷图像数据生成待处理图像数据队列，具体包括：

对相关混凝土区域图像进行滑窗分块，生成相关混凝土区域图像的滑窗图像分块集合；

对先验模板缺陷图像数据进行滑窗分块，生成先验模板缺陷图像数据的滑窗图像分块集合；

对相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合进行汇聚，生成待处理图像数据队列。

本实施例中，对相关混凝土区域图像进行滑窗分块，生成相关混凝土区域图像的滑窗图像分块集合，再对先验模板缺陷图像数据进行滑窗分块，生成先验模板缺陷图像数据的滑窗图像分块集合，依据此，最后对相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合进行汇聚，生成待处理图像数据队列。

一种可替代的实施方式中，对待处理图像数据队列进行语义特征提取，生成相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，具体包括：

对相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合进行语义特征提取，生成每个图像分块所对应的图像纹理形状矢量以及每个先验模板缺陷图像所对应的图像纹理形状矢量；

基于每个图像分块所对应的图像纹理形状矢量生成相关混凝土区域图像的图像语义特征序列；

基于每个先验模板缺陷图像所对应的图像纹理形状矢量生成先验模板缺陷图像数据的图像语义特征序列。

本实施例中，用过对相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合进行语义特征提取，生成每个图像分块所对应的图像纹理形状矢量以及每个先验模板缺陷图像所对应的图像纹理形状矢量，然后基于每个图像分块所对应的图像纹理形状矢量生成相关混凝土区域图像的图像语义特征序列，并且基于每个先验模板缺陷图像所对应的图像纹理形状矢量生成先验模板缺陷图像数据的图像语义特征序列，既能够得到待处理图像数据队列的图像语义特征序列。例如，每个图像分块所对应的图像纹理形状矢量以及每个先验模板缺陷图像所对应的图像纹理形状矢量是依据全局对相关混凝土区域图像的滑窗图像分块集合以及先验模板缺陷图像数据的滑窗图像分块集合进行混合语义特征提取得到的，这样使得各图像分块的图像纹理形状矢量以及各先验模板缺陷图像的图像纹理形状矢量能够充分学习到图像分块与图像分块之间的共性语义特征，图像分块与先验模板缺陷图像之间的共性语义特征，以及先验模板缺陷图像与先验模板缺陷图像之间的共性语义特征。

一种可替代的实施方式中，基于共性语义特征序列获取相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，具体包括：

基于共性语义特征序列获取显著性指标特征序列，显著性指标特征序列包括多个显著性指标特征，显著性指标特征与图像分块一一对应，显著性指标特征表示图像分块在相关混凝土区域图像中与先验模板缺陷图像相关的显著性权重；

基于相关混凝土区域图像以及显著性指标特征序列，获取目标图像语义特征序列；

基于目标图像语义特征序列与先验模板缺陷图像数据，获取相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度。

本实施例中，先基于共性语义特征序列获取显著性指标特征序列，该显著性指标特征序列包括多个显著性指标特征，显著性指标特征与图像分块一一对应，显著性指标特征表示图像分块在相关混凝土区域图像中与先验模板缺陷图像相关的显著性权重，然后基于相关混凝土区域图像以及显著性指标特征序列，获取目标图像语义特征序列，再基于目标图像语义特征序列与先验模板缺陷图像数据，获取相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度。

一种可替代的实施方式中，基于共性语义特征序列获取显著性指标特征序列，具体包括：

依据注意力网络对所述共性语义特征序列进行分析，获取所述显著性指标特征序列；

基于相关混凝土区域图像以及显著性指标特征序列，获取目标图像语义特征序列，具体包括：

对相关混凝土区域图像以及显著性指标特征序列进行处理，获取目标图像语义特征序列。

一种可替代的实施方式中，先验模板缺陷图像数据包括多个先验模板缺陷图像；

基于相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定相关混凝土区域图像所对应的目标观测混凝土缺陷数据，具体包括：

将相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度大于第一门限置信度的至少一个置信度输出为目标置信度；

将目标置信度对应的先验模板缺陷图像输出为相关混凝土区域图像所对应的目标观测混凝土缺陷数据。

本实施例中，先验模板缺陷图像数据包括多个先验模板缺陷图像。依据此，将相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度大于第一门限置信度的至少一个置信度输出为目标置信度，并且将目标置信度对应的先验模板缺陷图像输出为相关混凝土区域图像所对应包括多个先验模板缺陷图像的目标观测混凝土缺陷数据。

一种可替代的实施方式中，先验模板缺陷图像数据为单个先验模板缺陷图像；基于相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定相关混凝土区域图像所对应的目标观测混凝土缺陷数据，具体包括：

当相关混凝土区域图像匹配先验模板缺陷图像的置信度大于第二门限置信度时，则将先验模板缺陷图像数据输出为相关混凝土区域图像所对应的目标观测混凝土缺陷数据。

本实施例中，先验模板缺陷图像数据为单个先验模板缺陷图像。依据此，当相关混凝土区域图像匹配先验模板缺陷图像的置信度大于第二门限置信度时，则将先验模板缺陷图像数据输出为相关混凝土区域图像所对应的目标观测混凝土缺陷数据。应理解，先验模板缺陷图像数据为单个先验模板缺陷图像，即相关混凝土区域图像匹配先验模板缺陷图像的置信度为可以为“1”或者“0”。若相关混凝土区域图像匹配先验模板缺陷图像的置信度小于第二门限置信度(即相关混凝土区域图像匹配先验模板缺陷图像的置信度为“0”)，那么此时将不确定相关混凝土区域图像所对应的目标观测混凝土缺陷数据，若大于第二门限置信度(即相关混凝土区域图像匹配先验模板缺陷图像的置信度为“1”)，目标观测混凝土缺陷数据一定为单个，此时先验模板缺陷图像数据为目标观测混凝土缺陷数据。

一种可替代的实施方式中，基于相关混凝土区域图像以及先验模板缺陷图像数据，获取相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，具体包括：

依据相关混凝土区域图像以及先验模板缺陷图像数据，通过混凝土缺陷预测网络的第一语义编码子网络获取相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列；

基于相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，获取共性语义特征序列，具体包括：

依据相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，通过混凝土缺陷预测网络的第二语义编码子网络获取共性语义特征序列；

基于共性语义特征序列获取相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，具体包括：

依据共性语义特征序列，通过混凝土缺陷预测网络的特征比对子网络获取相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度；

基于相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定相关混凝土区域图像所对应的目标观测混凝土缺陷数据，具体包括：

依据相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，通过混凝土缺陷预测网络的全连接子网络确定相关混凝土区域图像所对应的目标观测混凝土缺陷数据。

本实施例中，先依据相关混凝土区域图像以及先验模板缺陷图像数据，通过混凝土缺陷预测网络的第一语义编码子网络获取相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，再依据相关混凝土区域图像的图像语义特征序列以及先验模板缺陷图像数据的图像语义特征序列，通过混凝土缺陷预测网络的第二语义编码子网络获取共性语义特征序列，进而依据共性语义特征序列，通过混凝土缺陷预测网络的特征比对子网络获取相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，最后依据相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，通过混凝土缺陷预测网络的全连接子网络确定相关混凝土区域图像所对应的目标观测混凝土缺陷数据。

进一步地，混凝土缺陷预测网络的第二语义编码子网络向特征比对子网络输出共性语义特征序列，混凝土缺陷预测网络的注意力网络对共性语义特征序列进行分析，获取显著性指标特征序列，并对相关混凝土区域图像以及显著性指标特征序列进行处理，获取目标图像语义特征序列，由此能够基于目标图像语义特征序列与先验模板缺陷图像数据，获取相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度。最后混凝土缺陷预测网络的特征比对子网络向全连接子网络输出相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，全连接子网络能够基于相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定相关混凝土区域图像所对应的目标观测混凝土缺陷数据，

一种可替代的实施方式中，以上方法还包括：

获取训练凝土区域图像序列，训练先验缺陷图像数据以及标注混凝土缺陷数据序列，训练凝土区域图像序列包括多个训练凝土区域图像，训练凝土区域图像包括多个图像分块，训练先验缺陷图像数据包括至少一个先验模板缺陷图像；

依据训练凝土区域图像序列以及训练先验缺陷图像数据，通过初始化混凝土缺陷预测网络的第一语义编码子网络获取训练凝土区域图像序列的图像语义特征序列以及训练先验缺陷图像数据的图像语义特征序列；

依据训练凝土区域图像序列的图像语义特征序列以及训练先验缺陷图像数据的图像语义特征序列，通过初始化混凝土缺陷预测网络的第二语义编码子网络获取预测共性语义特征序列，预测共性语义特征序列包括每个训练凝土区域图像的图像分块之间的共性语义特征以及每个训练凝土区域图像的图像分块与每个训练先验缺陷图像数据的先验模板缺陷图像之间的共性语义特征；

依据预测共性语义特征序列，通过初始化混凝土缺陷预测网络的特征比对子网络获取每个训练凝土区域图像的图像分块分别匹配每个先验模板缺陷图像的置信度序列；

依据每个训练凝土区域图像的图像分块分别匹配每个先验模板缺陷图像的置信度序列，通过初始化混凝土缺陷预测网络的全连接子网络获取训练凝土区域图像序列所对应的训练混凝土缺陷数据序列，训练混凝土缺陷数据序列包括多个训练混凝土缺陷数据，每个训练混凝土缺陷数据包括至少一个先验模板缺陷图像；

依据训练混凝土缺陷数据序列以及标注混凝土缺陷数据序列，对初始化混凝土缺陷预测网络进行迭代权重参数优化，生成混凝土缺陷预测网络。

由此，痛获取标注混凝土缺陷数据序列，然后依据标注混凝土缺陷数据序列与所得到的训练混凝土缺陷数据序列对初始化混凝土缺陷预测网络进行迭代优化。例如，需要将训练凝土区域图像序列以及训练先验缺陷图像数据作为初始化混凝土缺陷预测网络的第一语义编码子网络的输入，由此输出训练凝土区域图像序列的图像语义特征序列以及训练先验缺陷图像数据的图像语义特征序列。进而将训练凝土区域图像序列的图像语义特征序列以及训练先验缺陷图像数据的图像语义特征序列作为初始化混凝土缺陷预测网络的第二语义编码子网络的输入，由此输出获取预测共性语义特征序列，再将预测共性语义特征序列作为初始化混凝土缺陷预测网络的特征比对子网络的输入，由此输出每个训练凝土区域图像的图像分块分别匹配每个先验模板缺陷图像的置信度序列，最后将所得到的置信度序列作为初始化混凝土缺陷预测网络的全连接子网络的输入，即可输出训练凝土区域图像序列所对应的训练混凝土缺陷数据序列。

一种可替代的实施方式中，依据训练混凝土缺陷数据序列以及标注混凝土缺陷数据序列，对初始化混凝土缺陷预测网络进行迭代权重参数优化，生成混凝土缺陷预测网络，具体包括：

依据训练混凝土缺陷数据序列以及标注混凝土缺陷数据序列，基于目标训练误差函数更新初始化混凝土缺陷预测网络的网络权重信息，以得到混凝土缺陷预测网络。

依据训练混凝土缺陷数据序列以及标注混凝土缺陷数据序列，基于目标训练误差函数更新初始化混凝土缺陷预测网络的网络权重信息，以得到混凝土缺陷预测网络。例如，此时可以基于训练混凝土缺陷数据序列以及与之对应的标注混凝土缺陷数据序列之间的区别确定目标训练误差函数的训练误差值，基于目标训练误差函数的训练误差值判断初始化混凝土缺陷预测网络是否训练可以终止，如果初始化混凝土缺陷预测网络训练尚未终止，则利用目标训练误差函数的训练误差值更新初始化混凝土缺陷预测网络的网络权重信息。在初始化混凝土缺陷预测网络每得到训练凝土区域图像序列中每个训练凝土区域图像所对应的训练混凝土缺陷数据后，确定目标训练误差函数的训练误差值，直至初始化混凝土缺陷预测网络训练可以终止，则基于最终对网络权重信息进行更新后获得的网络权重信息生成混凝土缺陷预测网络。

图2示出了本申请实施例提供的用于实现上述的基于人工智能的船闸混凝土修复决策方法的基于人工智能的船闸混凝土修复决策系统100的硬件结构意图，如图2所示，基于人工智能的船闸混凝土修复决策系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

一种可替代的实施例中，基于人工智能的船闸混凝土修复决策系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，基于人工智能的船闸混凝土修复决策系统100可以是分布式的系统)。一种可替代的实施例中，基于人工智能的船闸混凝土修复决策系统100可以是本地的，也可以是远程的。例如，基于人工智能的船闸混凝土修复决策系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，基于人工智能的船闸混凝土修复决策系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种可替代的实施例中，基于人工智能的船闸混凝土修复决策系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

机器可读存储介质120可以储存数据和/或指令。一种可替代的实施例中，机器可读存储介质120可以存储从外部终端获取的数据。一种可替代的实施例中，机器可读存储介质120可以储存基于人工智能的船闸混凝土修复决策系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。一种可替代的实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。

在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于人工智能的船闸混凝土修复决策方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。

处理器110的具体实现过程可参见上述基于人工智能的船闸混凝土修复决策系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于人工智能的船闸混凝土修复决策方法。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (10)

1.一种基于人工智能的船闸混凝土修复决策方法，其特征在于，所述方法包括：

获取船闸混凝土区域的混凝土区域图像；

基于所述混凝土区域图像，从混凝土应用环境监控组件序列中获取混凝土应用环境数据，所述混凝土应用环境监控组件序列包括一种或多种混凝土应用环境监控组件；

基于所述混凝土应用环境数据获取所述船闸混凝土区域所对应的可疑混凝土缺陷特征序列，所述可疑混凝土缺陷特征序列中包括一个或多个可疑混凝土缺陷特征；

基于所述混凝土区域图像以及所述可疑混凝土缺陷特征序列，确定一个或多个观测混凝土缺陷数据；

基于所述一个或多个观测混凝土缺陷数据，确定所述船闸混凝土区域所对应的目标观测混凝土缺陷数据，并基于所述目标观测混凝土缺陷数据生成所述船闸混凝土区域的修复决策信息，所述目标观测混凝土缺陷数据反映所述船闸混凝土区域对应观测混凝土缺陷特征的置信度，所述混凝土缺陷特征用于表征所述船闸混凝土区域中的缺陷定位子区域和对应的缺陷类别。

2.根据权利要求1所述的基于人工智能的船闸混凝土修复决策方法，其特征在于，所述基于所述混凝土区域图像，从混凝土应用环境监控组件序列中获取混凝土应用环境数据，包括：基于所述混凝土区域图像，从第一混凝土应用环境监控组件、第二混凝土应用环境监控组件、第三混凝土应用环境监控组件以及第四混凝土应用环境监控组件中的一种或多种混凝土应用环境监控组件中，获取所述混凝土应用环境数据，所述第一混凝土应用环境监控组件为温度时序变化监控组件，所述第二混凝土应用环境监控组件为湿度时序变化监控组件，所述第三混凝土应用环境监控组件为风速时序变化监控组件，所述第四混凝土应用环境监控组件为辐射时序变化监控组件。

3.根据权利要求1所述的基于人工智能的船闸混凝土修复决策方法，其特征在于，所述基于所述混凝土应用环境数据获取所述船闸混凝土区域所对应的可疑混凝土缺陷特征序列，包括：

如果所述混凝土应用环境数据中包括两个以上应用环境数据，则基于所述两个以上应用环境数据预测参考混凝土缺陷特征序列，所述参考混凝土缺陷特征序列包括K个参考混凝土缺陷特征，所述参考混凝土缺陷特征包括一个或多个混凝土缺陷描述信息，且所述参考混凝土缺陷特征满足缺陷特征输出要求，所述K为不小于1的整数；

获取所述参考混凝土缺陷特征序列中所述参考混凝土缺陷特征与所述混凝土区域图像之间的特征距离；

基于所述参考混凝土缺陷特征序列中所述参考混凝土缺陷特征与所述混凝土区域图像之间的特征距离，从所述K个参考混凝土缺陷特征中确定所述船闸混凝土区域所对应的所述可疑混凝土缺陷特征序列，所述可疑混凝土缺陷特征序列包括P个可疑混凝土缺陷特征，所述P为不小于1，且不大于所述K的整数。

4.根据权利要求1所述的基于人工智能的船闸混凝土修复决策方法，其特征在于，所述基于所述混凝土应用环境数据获取所述船闸混凝土区域所对应的可疑混凝土缺陷特征序列，包括：

如果所述混凝土应用环境数据中包括一个应用环境数据，则通过预设神经网络获取所述一个应用环境数据所对应的参考混凝土缺陷特征序列，所述参考混凝土缺陷特征序列包括K个参考混凝土缺陷特征，所述参考混凝土缺陷特征包括一个或多个混凝土缺陷描述信息，所述K为不小于1的整数；

获取所述参考混凝土缺陷特征序列中所述参考混凝土缺陷特征与所述混凝土区域图像之间的特征距离；

基于所述参考混凝土缺陷特征序列中所述参考混凝土缺陷特征与所述混凝土区域图像之间的特征距离，从所述K个参考混凝土缺陷特征中确定所述船闸混凝土区域所对应的所述可疑混凝土缺陷特征序列，所述可疑混凝土缺陷特征序列包括P个可疑混凝土缺陷特征，所述P为不小于1，且不大于所述K的整数。

5.根据权利要求1所述的基于人工智能的船闸混凝土修复决策方法，其特征在于，所述基于所述混凝土区域图像以及所述可疑混凝土缺陷特征序列，确定一个或多个观测混凝土缺陷数据，包括：

基于所述混凝土区域图像确定所述船闸混凝土区域所对应的第一观测混凝土缺陷数据；

基于所述混凝土区域图像确定所述船闸混凝土区域所对应的第二观测混凝土缺陷数据；

基于所述混凝土区域图像以及所述可疑混凝土缺陷特征序列，确定所述船闸混凝土区域所对应的第三观测混凝土缺陷数据。

6.根据权利要求5所述的基于人工智能的船闸混凝土修复决策方法，其特征在于，所述基于所述混凝土区域图像确定所述船闸混凝土区域所对应的第一观测混凝土缺陷数据，包括：基于所述混凝土区域图像获取一个或多个图像分块，所述图像分块属于参考图像分块序列中的参考图像分块；

获取所述一个或多个图像分块中每个图像分块所对应的显著性特征值；

基于所述每个图像分块所对应的显著性特征值以及所述每个图像分块所对应的实际观测混凝土缺陷数据，确定所述船闸混凝土区域所对应的所述第一观测混凝土缺陷数据，其中，所述每个图像分块所对应的实际观测混凝土缺陷数据通过混凝土缺陷分类网络获得。

7.根据权利要求6所述的基于人工智能的船闸混凝土修复决策方法，其特征在于，所述方法还包括：

获取候选应用环境数据所对应的参考图像分块；

基于所述参考图像分块获取相关混凝土区域图像序列，所述相关混凝土区域图像序列包括一个或多个相关混凝土区域图像，所述相关混凝土区域图像表示与所述参考图像分块存在相匹配的混凝土应用类型所对应的混凝土区域图像；

依据所述相关混凝土区域图像序列，通过混凝土缺陷分类网络获取每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据，其中，所述每个图像分块所对应的实际观测混凝土缺陷数据通过混凝土缺陷分类网络获得；

基于所述每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据，确定所述参考图像分块所对应的实际观测混凝土缺陷数据；

其中，通过混凝土缺陷预测网络获取每个相关混凝土区域图像所对应的目标观测混凝土缺陷数据的步骤，包括：

获取所述相关混凝土区域图像以及先验模板缺陷图像数据，所述相关混凝土区域图像包括多个图像分块，所述先验模板缺陷图像数据包括至少一个先验模板缺陷图像；

基于所述相关混凝土区域图像以及所述先验模板缺陷图像数据，通过混凝土缺陷预测网络获取所述相关混凝土区域图像的图像语义特征序列以及所述先验模板缺陷图像数据的图像语义特征序列；

基于所述相关混凝土区域图像的图像语义特征序列以及所述先验模板缺陷图像数据的图像语义特征序列，获取共性语义特征序列，所述共性语义特征序列包括图像分块之间的共性语义特征以及所述图像分块与所述先验模板缺陷图像之间的共性语义特征；

基于注意力网络对所述共性语义特征序列进行分析，获取显著性指标特征序列，所述显著性指标特征序列包括多个显著性指标特征，所述显著性指标特征与所述图像分块一一对应，所述显著性指标特征表示所述图像分块在所述相关混凝土区域图像中与所述先验模板缺陷图像相关的显著性权重；

对所述相关混凝土区域图像以及所述显著性指标特征序列进行处理，获取目标图像语义特征序列；

基于所述目标图像语义特征序列与所述先验模板缺陷图像数据，获取所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度；

基于所述相关混凝土区域图像分别匹配每个先验模板缺陷图像的置信度，确定所述相关混凝土区域图像所对应的目标观测混凝土缺陷数据，所述目标观测混凝土缺陷数据包括所述相关混凝土区域图像与至少一个先验模板缺陷图像的匹配语义特征所在的缺陷定位子区域和对应的缺陷类别；

其中，所述先验模板缺陷图像数据包括多个先验模板缺陷图像；

所述共性语义特征序列还包括所述先验模板缺陷图像之间的共性语义特征；

所述基于所述相关混凝土区域图像以及所述先验模板缺陷图像数据，获取所述相关混凝土区域图像的图像语义特征序列以及所述先验模板缺陷图像数据的图像语义特征序列，包括：

基于所述相关混凝土区域图像以及所述先验模板缺陷图像数据生成待处理图像数据队列，待处理图像数据队列包括所述相关混凝土区域图像的滑窗图像分块集合以及所述先验模板缺陷图像数据的滑窗图像分块集合；

对所述相关混凝土区域图像的滑窗图像分块集合以及所述先验模板缺陷图像数据的滑窗图像分块集合进行语义特征提取，生成每个图像分块所对应的图像纹理形状矢量以及每个先验模板缺陷图像所对应的图像纹理形状矢量；

基于每个图像分块所对应的图像纹理形状矢量生成所述相关混凝土区域图像的图像语义特征序列；

基于每个先验模板缺陷图像所对应的图像纹理形状矢量生成所述先验模板缺陷图像数据的图像语义特征序列；

所述基于所述相关混凝土区域图像以及所述先验模板缺陷图像数据生成待处理图像数据队列，包括： 对所述相关混凝土区域图像进行滑窗分块，生成所述相关混凝土区域图像的滑窗图像分块集合；

对所述先验模板缺陷图像数据进行滑窗分块，生成所述先验模板缺陷图像数据的滑窗图像分块集合；

对所述相关混凝土区域图像的滑窗图像分块集合以及所述先验模板缺陷图像数据的滑窗图像分块集合进行汇聚，生成所述待处理图像数据队列。

8.根据权利要求5所述的基于人工智能的船闸混凝土修复决策方法，其特征在于，所述基于所述混凝土区域图像确定所述船闸混凝土区域所对应的第二观测混凝土缺陷数据，包括：基于所述混凝土区域图像，从其它混凝土图像采集数据源中获取关联混凝土区域图像序列，所述关联混凝土区域图像序列包括一个或多个关联混凝土区域图像，所述关联混凝土区域图像与所述混凝土区域图像对应相关联的混凝土来源和混凝土应用船闸；

对于所述关联混凝土区域图像序列中的每个关联混凝土区域图像，获取所述关联混凝土区域图像中每个图像分块所对应的显著性特征值；

对于所述关联混凝土区域图像序列中的每个关联混凝土区域图像，基于所述关联混凝土区域图像中每个图像分块所对应的显著性特征值以及所述每个图像分块所对应的实际观测混凝土缺陷数据，确定第四观测混凝土缺陷数据，其中，所述每个图像分块所对应的实际观测混凝土缺陷数据通过混凝土缺陷分类网络获得；

基于所述每个关联混凝土区域图像所对应的第四观测混凝土缺陷数据，确定观测混凝土缺陷融合数据；

获取所述混凝土区域图像中每个图像分块所对应的显著性特征值；

基于所述混凝土区域图像中每个图像分块所对应的显著性特征值、实际观测混凝土缺陷数据以及所述观测混凝土缺陷融合数据，确定所述船闸混凝土区域所对应的所述第二观测混凝土缺陷数据；

所述基于所述混凝土区域图像以及所述可疑混凝土缺陷特征序列，确定所述船闸混凝土区域所对应的第三观测混凝土缺陷数据的步骤，包括：

通过混凝土缺陷特征定位网络确定所述混凝土区域图像对应的初始预测混凝土缺陷特征序列；

获取所述初始预测混凝土缺陷特征序列中与所述可疑混凝土缺陷特征序列中任意一个可疑混凝土缺陷特征匹配的目标预测混凝土缺陷特征，并基于预先训练的混凝土缺陷分类网络对所述目标预测混凝土缺陷特征进行分类输出，生成所述第三观测混凝土缺陷数据。

9.根据权利要求8所述的基于人工智能的船闸混凝土修复决策方法，其特征在于，所述方法还包括：

获取参考观测混凝土缺陷特征；

如果所述参考观测混凝土缺陷特征与所述其它混凝土图像采集数据源中的观测混凝土缺陷特征匹配成功，则执行所述基于所述混凝土区域图像，从其它混凝土图像采集数据源中获取关联混凝土区域图像序列的步骤。

10.一种基于人工智能的船闸混凝土修复决策系统，其特征在于，所述基于人工智能的船闸混凝土修复决策系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求1-8中任意一项所述的基于人工智能的船闸混凝土修复决策方法。