CN116758026B - 一种基于双目遥感图像显著性分析的大坝渗水区域测量方法 - Google Patents
一种基于双目遥感图像显著性分析的大坝渗水区域测量方法 Download PDFInfo
- Publication number
- CN116758026B CN116758026B CN202310699628.4A CN202310699628A CN116758026B CN 116758026 B CN116758026 B CN 116758026B CN 202310699628 A CN202310699628 A CN 202310699628A CN 116758026 B CN116758026 B CN 116758026B
- Authority
- CN
- China
- Prior art keywords
- image
- water seepage
- seepage area
- area
- dam
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 238000000691 measurement method Methods 0.000 title claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 78
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 241001478428 Syngnathus Species 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 9
- 230000035515 penetration Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双目遥感图像显著性分析的大坝渗水区域测量方法，包括：实时获取待检测双目图像，并对左目图像和右目图像进行校正；通过大坝渗水区域的显著性检测模型对校正后的大坝渗水区域的左目图像和右目图像进行预测，分别得到左目图像和右目图像的大坝渗水区域分割结果；根据左目图像和右目图像的大坝渗水区域分割结果，利用轮廓匹配的方式找到轮廓线上的对应匹配点并结合张正友双目视觉的标定结果，恢复三维信息；根据三维信息得出渗水区域面积大小。本发明采用无人机对大坝渗水区域及疑似渗水区域进行航拍，并利用深度学习模型对渗水区域精确分割，在节约人力成本的同时，保证了大坝渗水区域检测的实时性及测量的精确性。
Description
技术领域
本发明属于大坝安全监测领域，具体涉及一种基于双目遥感图像显著性分析的大坝渗水区域测量方法。
背景技术
我国水利设施众多，受季风气候和地理条件的影响，易发生管涌、泄洪等灾害。同时，大坝、水库、河道等水利设施一般长时间处于露天环境，破损、腐蚀等损害严重，易发生渗水、裂缝、变形等。大坝险情检测是指对大坝主体结构、地基基础或两岸边坡等环境进行测量及观察，及时获取监测点地面实时时空影像。能够有效预防灾害发生并及时处理，对灾前及时掌握监测点安全状态、灾后准确分析灾害状况具有重要现实意义，为救援单位实时掌握灾情、科学指挥救灾提供有力支撑。
近年来，基于深度学习、计算机视觉等各种技术越来越多地应用于大坝渗水区域测量中，以评估大坝的损伤状况，如渗水、裂缝、变形和有析出物等现象。大坝渗水区域检测现已逐步从主要依靠人工巡检过渡至自动检测和人工辅助相结合阶段。深度学习方法主要通过收集大规模的大坝损伤图像进行预训练，构建大坝渗水区域检测模型，检测出渗水区域边缘处，实现对渗水区域的分割。而后再对分割结果进行轮廓匹配及三维尺寸计算，得出渗水区域面积大小，为大坝安全检测提供更多的技术支持和更全面的科学依据。
但是现有的深度学习检测方法对于边缘的检测效果不够精细，且无法达到轻量化，难以满足实际应用需求。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种基于双目遥感图像显著性分析的大坝渗水区域测量方法，采用无人机对大坝渗水区域及疑似渗水区域进行航拍，并利用深度学习模型对渗水区域精确分割，在节约人力成本的同时，保证了大坝渗水区域检测的实时性及测量的精确性。
技术方案：为实现上述目的，本发明提供一种基于双目遥感图像显著性分析的大坝渗水区域测量方法，包括如下步骤：
S1：实时获取待检测双目图像，所述待检测双目图像为大坝渗水区域的左目图像和右目图像，并对左目图像和右目图像进行校正；
S2：通过大坝渗水区域的显著性检测模型对步骤S1校正后的大坝渗水区域的左目图像和右目图像进行预测，分别得到左目图像和右目图像的大坝渗水区域分割结果；
S3：根据左目图像和右目图像的大坝渗水区域分割结果，利用轮廓匹配的方式找到轮廓线上的对应匹配点并结合张正友双目视觉的标定结果，恢复三维信息；
S4：根据三维信息得出渗水区域面积大小。
进一步地，所述步骤S1中对左目图像和右目图像进行校正的具体过程为：
A1：进行畸变校正：
假设基于小孔成像模型，得到空间中某一点对应图像物理坐标系中的点为(x，y)，令r2＝x2+y2，当考虑镜头的径向和切向畸变时，成像点由(x，y)T变为(xrec，yrec)T，即：
式中，k1、k2、k3为径向畸变参数，p1、p2为切向畸变参数；
A2：进行极线校正：
将左右两张图象的视线方向调整成共面，具体为：计算相机的本征矩阵和基础矩阵，通过基础矩阵计算出极线，并将左右两张图像上每个像素对应到其在另一张图像上可能出现的位置上，根据极线的位置，在左右两张图像中找到对应的像素，从而建立起对应点对之间的约束关系，对左右两幅图像进行重投影，使得它们共面并且对应点在垂直方向上对齐，这样就可以使用简单的坐标变换来进行后续的立体匹配。
进一步地，所述步骤S2中大坝渗水区域的显著性检测模型为基于深度学习的图像处理模型，包括特征编码模块、基于Transformer的特征增强模块、双尺度特征融合模块、特征解码模块、边缘监督模块。
进一步地，所述步骤S2中通过显著性检测模型获得左目图像和右目图像的大坝渗水区域分割结果的具体过程为：
B1：将拍摄渗水区域的左目图像作为输入图像，输入显著性检测模型；
B2：利用特征编码模块对输入特征进行编码，得到输入图像的浅层特征；
B3：将步骤B2得到的浅层特征通过短链接传入相应的基于Transformer的特征增强模块，使得局部特征与相应的全局特征结合，协同深度提取大坝渗水区域的位置信息以及语义信息；
B4：利用双尺度特征融合模块的交叉注意力机制对第一层特征(代表浅层特征)和第三层特征(代表深层特征)进行融合，获得更加精细的大坝渗水区域的特征图；
B5：利用特征解码模块对步骤B4的大坝渗水区域的特征进行解码，得到渗水区域的分割图；
B6：通过边缘监督模块联合学习渗水区域的边界特征和区域特征，并用其边缘信息对分割结果进行监督，进一步优化渗水区域分割结果，获得左目图像的大坝渗水区域分割结果；
B7：将拍摄渗水区域的右目图像作为输入图像，输入显著性检测模型，重复步骤B2～B6，获得右目图像的大坝渗水区域分割结果。
进一步地，所述步骤B2中特征编码模块选取ResNet34的四个阶段对输入图像特征进行初步提取，得到输入图像的浅层特征。
进一步地，所述步骤B5中特征解码模块的解码过程为：对输入的低分辨率特征图进行上采样，以恢复原始图像的分辨率；将上采样后的特征图与编码器不同层级的输出特征图进行融合以增强语义信息；通过卷积和和激活函数对特征图进行卷积操作，以进一步提取特征信息，最后再输出处理结果，即为渗水区域的分割图。
进一步地，所述步骤S3的具体过程为：
C1：对目标的轮廓线进行均匀采样，得到左目与右目图像中待测目标的轮廓点的集合将形状上下文特征向量与局部外观特征向量进行联合，构建每个轮廓点的特征描述符；
C2：依次求解左目图像与右目图像中每个轮廓离散点的形状上下文特征向量与局部外观特征向量，记为与/>
C3：构建轮廓线的匹配代价C＝(1-β)Cs+βCA，其中，前一个约束项Cs∈[0，1]，用于描述边缘点的形状相似性，令Ks＝r×v表示描述符的维度，则Cs为左目图像与右目图像轮廓线离散点集描述符之间的χ2距离，即两个点集之间特征差异矩阵，其数学表达式为：
后一个约束项CA∈[0，1]代表轮廓上不同点在图像中的局部外观分布特性相似度，其数学表达式为：
其中β＝0.1是两个约束项的权重系数，用于调节两个约束项对匹配代价的影响程度；
C4：获取轮廓点的匹配代价后，利用匈牙利匹配策略求取匹配代价最小的同名点匹配结果，再求解轮廓点的三维空间坐标，实现待测目标三位轮廓线的三维重建，从轮廓线三维点云集合中提取/>对应的三维坐标/>再用海龙公式或矩阵行列式计算多边形在投影平面上的面积，以此完成对渗水区域面积的计算。
进一步地，所述步骤S2中利用损失函数对显著性检测模型进行优化，具体为：
其中Pre是预测结果，GT是真值，P是像素的总数。
有益效果：本发明与现有技术相比，采用无人机对大坝渗水区域及疑似渗水区域进行航拍，并利用深度学习模型对渗水区域精确分割，在节约人力成本的同时，保证了大坝渗水区域检测的实时性及测量的精确性，整个过程无需人工干预，以自动化的手段监测大坝安全状态，能够进一步提高大坝运行管理和安全管理水平，加强对大坝运行状况的实时监测力度，强化突发险情的处理能力。
附图说明
图1是本发明一个实施例提供的大坝渗水区域检测方法的实现流程图；
图2是本发明中大坝渗水区域的显著性检测模型的网络流程图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1和图2所示，本发明提供一种基于双目遥感图像显著性分析的大坝渗水区域测量方法，包括如下步骤：
S1：实时获取待检测双目图像，待检测双目图像为大坝渗水区域的左目图像和右目图像，并对左目图像和右目图像进行校正；
本实施例中大量采集大坝渗水区域双目图像并对渗水区域标注。为了使训练模型能够应对场景的变换(不同的光照条件、颜色分布、复杂背景等)，避免过拟合的问题，提高模型的泛化能力，在多种天气、光照条件下以多种拍摄角度采集大坝渗水区域图像。并采用交叉验证法的方式将所获取到的数据分为训练集和测试集，为训练模型提供大量的多样化的训练图像。
S2：通过大坝渗水区域的显著性检测模型对步骤S1校正后的大坝渗水区域的左目图像和右目图像进行预测，分别得到左目图像和右目图像的大坝渗水区域分割结果；
本实施例中显著性检测模型的训练方法为：将训练集输入神经网络进行训练，直至神经网络收敛，得到初始的训练好的神经网终模型；将测试集输入目前得到的神经网络模型进行测试，得到满足要求的训练集和最终的显著性检测模型。
S3：根据左目图像和右目图像的大坝渗水区域分割结果，利用轮廓匹配的方式找到轮廓线上的对应匹配点并结合张正友双目视觉的标定结果，恢复三维信息；
S4：根据三维信息得出渗水区域面积大小。
步骤S1中对左目图像和右目图像进行校正的具体过程为：
A1：进行畸变校正：
假设基于小孔成像模型，得到空间中某一点对应图像物理坐标系中的点为(x，y)，令r2＝x2+y2，当考虑镜头的径向和切向畸变时，成像点由(x，y)T变为(xrec，yrec)T，即：
式中，k1、k2、k3为径向畸变参数，p1、p2为切向畸变参数；
A2：进行极线校正：
将左右两张图象的视线方向调整成共面，具体为：计算相机的本征矩阵和基础矩阵，通过基础矩阵计算出极线，并将左右两张图像上每个像素对应到其在另一张图像上可能出现的位置上，根据极线的位置，在左右两张图像中找到对应的像素，从而建立起对应点对之间的约束关系，对左右两幅图像进行重投影，使得它们共面并且对应点在垂直方向上对齐，这样就可以使用简单的坐标变换来进行后续的立体匹配。
如图2所示，步骤S2中大坝渗水区域的显著性检测模型为基于深度学习的图像处理模型，包括特征编码模块、基于Transformer的特征增强模块、双尺度特征融合模块、特征解码模块、边缘监督模块。
步骤S2中通过显著性检测模型获得左目图像和右目图像的大坝渗水区域分割结果的方法为利用特征提取模块提取大坝渗水区域的局部特征，利用基于transformer的特征金字塔增强模块提取大坝渗水区域的全局特征，利用交叉注意力机制将局部特征与全局特征进行充分融合，并进行特征解码得出分割结果，利用边缘对结果进行监督，得到更精确的分割图。
上述方法的具体过程为：
B1：将拍摄渗水区域的左目图像作为输入图像，输入显著性检测模型；
B2：利用特征编码模块对输入特征进行编码，得到输入图像的浅层特征；
特征编码模块选取ResNet34的四个阶段对输入图像特征进行初步提取，得到输入图像的浅层特征。
B3：将步骤B2得到的浅层特征通过短链接传入相应的基于Transformer的特征增强模块，使得局部特征与相应的全局特征结合，协同深度提取大坝渗水区域的位置信息以及语义信息；
B4：利用双尺度特征融合模块的交叉注意力机制对第一层特征(代表浅层特征)和第三层特征(代表深层特征)进行融合，获得更加精细的大坝渗水区域的特征图；
B5：利用特征解码模块对步骤B4的大坝渗水区域的特征进行解码，得到渗水区域的分割图；
特征解码模块的解码过程为：对输入的低分辨率特征图进行上采样，以恢复原始图像的分辨率；将上采样后的特征图与编码器不同层级的输出特征图进行融合以增强语义信息；通过卷积和和激活函数对特征图进行卷积操作，以进一步提取特征信息，最后再输出处理结果，即为渗水区域的分割图。
B6：通过边缘监督模块联合学习渗水区域的边界特征和区域特征，并用其边缘信息对分割结果进行监督，进一步优化渗水区域分割结果，获得左目图像的大坝渗水区域分割结果；
B7：将拍摄渗水区域的右目图像作为输入图像，输入显著性检测模型，重复步骤B2～B6，获得右目图像的大坝渗水区域分割结果。
利用损失函数对显著性检测模型进行优化，具体为：
其中Pre是预测结果，GT是真值，P是像素的总数。
步骤S3的具体过程为：
C1：对目标的轮廓线进行均匀采样，得到左目与右目图像中待测目标的轮廓点的集合将形状上下文特征向量与局部外观特征向量进行联合，构建每个轮廓点的特征描述符；
C2：依次求解左目图像与右目图像中每个轮廓离散点的形状上下文特征向量与局部外观特征向量，记为与/>
C3：构建轮廓线的匹配代价C＝(1-β)Cs+βCA，其中，前一个约束项Cs∈[0，1]，用于描述边缘点的形状相似性，令Ks＝r×v表示描述符的维度，则Cs为左目图像与右目图像轮廓线离散点集描述符之间的χ2距离，即两个点集之间特征差异矩阵，其数学表达式为：
后一个约束项CA∈[0，1]代表轮廓上不同点在图像中的局部外观分布特性相似度，其数学表达式为：
其中β＝0.1是两个约束项的权重系数，用于调节两个约束项对匹配代价的影响程度；
C4：获取轮廓点的匹配代价后，利用匈牙利匹配策略求取匹配代价最小的同名点匹配结果，再求解轮廓点的三维空间坐标，实现待测目标三位轮廓线的三维重建，从轮廓线三维点云集合中提取/>对应的三维坐标/>再用海龙公式或矩阵行列式计算多边形在投影平面上的面积，以此完成对渗水区域面积的计算。
Claims (4)
1.一种基于双目遥感图像显著性分析的大坝渗水区域测量方法，其特征在于，包括如下步骤：
S1：实时获取待检测双目图像，所述待检测双目图像为大坝渗水区域的左目图像和右目图像，并对左目图像和右目图像进行校正；
S2：通过大坝渗水区域的显著性检测模型对步骤S1校正后的大坝渗水区域的左目图像和右目图像进行预测，分别得到左目图像和右目图像的大坝渗水区域分割结果；
S3：根据左目图像和右目图像的大坝渗水区域分割结果，利用轮廓匹配的方式找到轮廓线上的对应匹配点并结合双目视觉的标定结果，恢复三维信息；
S4：根据三维信息得出渗水区域面积大小；
所述步骤S2中大坝渗水区域的显著性检测模型为基于深度学习的图像处理模型，包括特征编码模块、基于Transformer的特征增强模块、双尺度特征融合模块、特征解码模块、边缘监督模块；
所述步骤S2中通过显著性检测模型获得左目图像和右目图像的大坝渗水区域分割结果的具体过程为：
B1：将拍摄渗水区域的左目图像作为输入图像，输入显著性检测模型；
B2：利用特征编码模块对输入特征进行编码，得到输入图像的浅层特征；
B3：将步骤B2得到的浅层特征通过短链接传入相应的基于Transformer的特征增强模块，使得局部特征与相应的全局特征结合，协同深度提取大坝渗水区域的位置信息以及语义信息；
B4：利用双尺度特征融合模块的交叉注意力机制对浅层特征和深层特征进行融合，获得大坝渗水区域的特征图；
B5：利用特征解码模块对步骤B4的大坝渗水区域的特征进行解码，得到渗水区域的分割图；
B6：通过边缘监督模块联合学习渗水区域的边界特征和区域特征，并用其边缘信息对分割结果进行监督，进一步优化渗水区域分割结果，获得左目图像的大坝渗水区域分割结果；
B7：将拍摄渗水区域的右目图像作为输入图像，输入显著性检测模型，重复步骤B2～B6，获得右目图像的大坝渗水区域分割结果；
所述步骤B2中特征编码模块选取ResNet34的四个阶段对输入图像特征进行初步提取，得到输入图像的浅层特征；
所述步骤B5中特征解码模块的解码过程为：对输入的低分辨率特征图进行上采样，以恢复原始图像的分辨率；将上采样后的特征图与编码器不同层级的输出特征图进行融合以增强语义信息；通过卷积和激活函数对特征图进行卷积操作，以进一步提取特征信息，最后再输出处理结果，即为渗水区域的分割图。
2.根据权利要求1所述的一种基于双目遥感图像显著性分析的大坝渗水区域测量方法，其特征在于，所述步骤S1中对左目图像和右目图像进行校正的具体过程为：
A1：进行畸变校正：
假设基于小孔成像模型，得到空间中某一点对应图像物理坐标系中的点为(x,y)，令r2＝x2+y2，当考虑镜头的径向和切向畸变时，成像点由(x,y)T变为(xrec,yrec)T，即：
式中，k1、k2、k3为径向畸变参数，p1、p2为切向畸变参数；
A2：进行极线校正：
将左右两张图像的视线方向调整成共面，具体为：计算相机的本征矩阵和基础矩阵，通过基础矩阵计算出极线，并将左右两张图像上每个像素对应到其在另一张图像上可能出现的位置上，根据极线的位置，在左右两张图像中找到对应的像素，从而建立起对应点对之间的约束关系，对左右两幅图像进行重投影，使得它们共面并且对应点在垂直方向上对齐。
3.根据权利要求1所述的一种基于双目遥感图像显著性分析的大坝渗水区域测量方法，其特征在于，所述步骤S3的具体过程为：
C1：对目标的轮廓线进行均匀采样，得到左目与右目图像中待测目标的轮廓点的集合将形状上下文特征向量与局部外观特征向量进行联合，构建每个轮廓点的特征描述符；
C2：依次求解左目图像与右目图像中每个轮廓离散点的形状上下文特征向量与局部外观特征向量，记为与/>
C3：构建轮廓线的匹配代价C＝(1-β)CS+βCA，其中，前一个约束项CS∈[0，1]，用于描述边缘点的形状相似性，令KS＝r×v表示描述符的维度，则CS为左目图像与右目图像轮廓线离散点集描述符之间的χ2距离，即两个点集之间特征差异矩阵，其数学表达式为：
后一个约束项CA∈[0,1]代表轮廓上不同点在图像中的局部外观分布特性相似度，其数学表达式为：
其中β＝0.1是两个约束项的权重系数，用于调节两个约束项对匹配代价的影响程度；
C4：获取轮廓点的匹配代价后，利用匈牙利匹配策略求取匹配代价最小的同名点匹配结果，再求解轮廓点的三维空间坐标，实现待测目标三位轮廓线的三维重建，从轮廓线三维点云集合中提取/>对应的三维坐标/>再用海龙公式或矩阵行列式计算多边形在投影平面上的面积，以此完成对渗水区域面积的计算。
4.根据权利要求1所述的一种基于双目遥感图像显著性分析的大坝渗水区域测量方法，其特征在于，所述步骤S2中利用损失函数对显著性检测模型进行优化，具体为：
其中Pre是预测结果，GT是真值，P是像素的总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310699628.4A CN116758026B (zh) | 2023-06-13 | 2023-06-13 | 一种基于双目遥感图像显著性分析的大坝渗水区域测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310699628.4A CN116758026B (zh) | 2023-06-13 | 2023-06-13 | 一种基于双目遥感图像显著性分析的大坝渗水区域测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116758026A CN116758026A (zh) | 2023-09-15 |
| CN116758026B true CN116758026B (zh) | 2024-03-08 |
Family
ID=87952681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310699628.4A Active CN116758026B (zh) | 2023-06-13 | 2023-06-13 | 一种基于双目遥感图像显著性分析的大坝渗水区域测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758026B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109029381A (zh) * | 2018-10-19 | 2018-12-18 | 石家庄铁道大学 | 一种隧道裂缝的检测方法、系统及终端设备 |
| CN109615654A (zh) * | 2019-01-09 | 2019-04-12 | 中国矿业大学(北京) | 基于双目视觉的排水管道内表面腐蚀深度及面积测量方法 |
| CN112529880A (zh) * | 2020-12-16 | 2021-03-19 | 武汉巨合科技有限公司 | 一种基于双目视觉的大坝图像裂纹检测装置及方法 |
| CN113393413A (zh) * | 2020-03-11 | 2021-09-14 | 河海大学 | 基于单目与双目视觉协同的水域面积测量方法和系统 |
| CN113689326A (zh) * | 2021-08-06 | 2021-11-23 | 西南科技大学 | 一种基于二维图像分割引导的三维定位方法 |
| CN114255286A (zh) * | 2022-02-28 | 2022-03-29 | 常州罗博斯特机器人有限公司 | 一种多视角双目视觉感知的目标尺寸测量方法 |
| CN114463614A (zh) * | 2022-01-25 | 2022-05-10 | 浙江大学 | 使用生成式参数的层次性显著建模的显著性目标检测方法 |
| CN114677601A (zh) * | 2022-04-12 | 2022-06-28 | 雅砻江流域水电开发有限公司 | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 |
| CN115909025A (zh) * | 2022-09-30 | 2023-04-04 | 北京空间飞行器总体设计部 | 一种小天体表面采样点地形视觉自主检测识别方法 |
| WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
-
2023
- 2023-06-13 CN CN202310699628.4A patent/CN116758026B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109029381A (zh) * | 2018-10-19 | 2018-12-18 | 石家庄铁道大学 | 一种隧道裂缝的检测方法、系统及终端设备 |
| CN109615654A (zh) * | 2019-01-09 | 2019-04-12 | 中国矿业大学(北京) | 基于双目视觉的排水管道内表面腐蚀深度及面积测量方法 |
| CN113393413A (zh) * | 2020-03-11 | 2021-09-14 | 河海大学 | 基于单目与双目视觉协同的水域面积测量方法和系统 |
| CN112529880A (zh) * | 2020-12-16 | 2021-03-19 | 武汉巨合科技有限公司 | 一种基于双目视觉的大坝图像裂纹检测装置及方法 |
| CN113689326A (zh) * | 2021-08-06 | 2021-11-23 | 西南科技大学 | 一种基于二维图像分割引导的三维定位方法 |
| WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
| CN114463614A (zh) * | 2022-01-25 | 2022-05-10 | 浙江大学 | 使用生成式参数的层次性显著建模的显著性目标检测方法 |
| CN114255286A (zh) * | 2022-02-28 | 2022-03-29 | 常州罗博斯特机器人有限公司 | 一种多视角双目视觉感知的目标尺寸测量方法 |
| CN114677601A (zh) * | 2022-04-12 | 2022-06-28 | 雅砻江流域水电开发有限公司 | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 |
| CN115909025A (zh) * | 2022-09-30 | 2023-04-04 | 北京空间飞行器总体设计部 | 一种小天体表面采样点地形视觉自主检测识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Event Causality Extraction Based On Fusion Attention;Longbao Wang等;《2022 4th International Conference on Advances in Computer Technology, Information Science and Communications (CTISC)》;第1-5页 * |
| 形状上下文(shape context)算法完全解读;顧辰;《CSDN》;第1-2页 * |
| 结合 Transformer 的显著性目标检测;闫於虎等;《信息与控制》;第1-10页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116758026A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
| CN111179345B (zh) | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 | |
| CN109029381B (zh) | 一种隧道裂缝的检测方法、系统及终端设备 | |
| CN112766274A (zh) | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 | |
| Yang et al. | Deep learning‐based bolt loosening detection for wind turbine towers | |
| CN111986240A (zh) | 基于可见光和热成像数据融合的落水人员检测方法及系统 | |
| CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
| CN113763484A (zh) | 基于视频图像分析技术的船舶目标定位及速度估算方法 | |
| CN115995058A (zh) | 基于人工智能的输电通道安全在线监测方法 | |
| CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
| CN114359149A (zh) | 基于实时图像边缘增强的坝岸险情视频检测方法及系统 | |
| CN116912675B (zh) | 一种基于特征迁移的水下目标检测方法及系统 | |
| CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
| CN116758026B (zh) | 一种基于双目遥感图像显著性分析的大坝渗水区域测量方法 | |
| CN113052110A (zh) | 一种基于多视图投影和深度学习的三维兴趣点提取方法 | |
| CN110827375B (zh) | 一种基于微光图像的红外图像真彩着色方法及系统 | |
| CN117576461A (zh) | 一种用于变电站场景的语义理解方法、介质及系统 | |
| CN112418226A (zh) | 一种鱼眼分合闸状态识别的方法及装置 | |
| CN114120129B (zh) | 基于无人机图像和深度学习的滑坡滑移面的三维识别方法 | |
| CN115546716A (zh) | 一种基于双目视觉的输电线路周边火灾源头定位方法 | |
| CN110956640B (zh) | 一种异源图像边缘点检测与配准方法 | |
| CN113763261A (zh) | 一种海雾气象条件下的远小目标实时检测方法 | |
| CN113963230A (zh) | 一种基于深度学习的车位检测方法 | |
| CN116309849B (zh) | 一种基于视觉雷达的起重机定位方法 | |
| Liu et al. | An Algorithm for Recognition of Foreign Objects in Transmission Lines with Small Samples |
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 |