【技术实现步骤摘要】
一种基于无人机的水坝周边异常监测方法与装置
本专利技术属于图像处理
，具体是一种基于无人机的水坝周边异常监测方法与装置。
技术介绍
当前，水坝建设已成为国家发展战略中举足轻重的一环；水坝的安全运行为国家发展提供了保障，更为人民生活提供了便利。在水坝巡检工作中，常用的方法是人工巡检，通过肉眼观察、敲击听声以及脚踩等传统方法，或辅以锤、钎以及钢卷尺等简单工具对工程表面和异常现象进行检查量测，从而去判断水坝是否出现异常情况；日常巡查检查次数正常为每周一次，特殊情况时，如发生特大暴雨、洪水、有感地震，发生险情后会24小时不间断地检查。发生比较严重的破坏现象或出现其他危险迹象时，会有专门人员对可能出现险情的部位进行连续监视观测。然而，人工巡检的方法费时费力，而且很大程度上依赖于经验判断，并不准确。因此，有人提出，通过无人机实现基于空基的自主监视，对水坝异常情况进行巡检。无人机可通过携带的摄像头采集水坝的图像数据，并运用计算机视觉的技术进行智能分析与处理，对坝体、坝基、坝肩、泄洪设施及其闸门，以及对大坝安全有重大影响的近坝区岸坡和其他与大坝安全有直接关系的建筑物和设施，...
【技术保护点】
1.一种基于无人机的水坝周边异常监测方法，其特征在于，具体步骤如下：步骤一、无人机搭载高清摄像装置，按特定轨迹和特定高度飞行，对水坝进行巡检，采集指定位置图像，并对采集的图像按照水坝异常情况分类整理；步骤二、将分类好的每类图像数据分别划分为训练集和测试集，并对训练集进行预处理；步骤三、针对每类预处理后的训练集图像，利用VGG网络进行卷积神经网络的多尺度融合，训练分类模型并将该类的测试集输入分类模型得到分类结果；VGG网络包含十六个卷积层，十六个池化层，三个全连接层和一个softmax层；每个卷积层后面分别连接一个池化层；具体过程如下：步骤301，针对某类训练集图像，将3个不...
【技术特征摘要】
1.一种基于无人机的水坝周边异常监测方法，其特征在于，具体步骤如下：步骤一、无人机搭载高清摄像装置，按特定轨迹和特定高度飞行，对水坝进行巡检，采集指定位置图像，并对采集的图像按照水坝异常情况分类整理；步骤二、将分类好的每类图像数据分别划分为训练集和测试集，并对训练集进行预处理；步骤三、针对每类预处理后的训练集图像，利用VGG网络进行卷积神经网络的多尺度融合，训练分类模型并将该类的测试集输入分类模型得到分类结果；VGG网络包含十六个卷积层，十六个池化层，三个全连接层和一个softmax层；每个卷积层后面分别连接一个池化层；具体过程如下：步骤301，针对某类训练集图像，将3个不同尺度的预处理图片分别输入3个VGG网络模型，经过各自VGG网络的全部卷积层和池化层后，得到了3个统一尺寸为W*H*C的特征图；W是特征图的长，H是特征图的宽，C是通道数；步骤302，将统一尺寸为W*H*C的3个特征图使用通道拼接法进行特征融合，得到融合后的尺寸为W*H*3C的特征图；融合后的多尺度特征图F为：F＝Concatenate(F1,F2,F3)；F1,F2,F3分别是3个不同尺度的预处理图片分别输入3个VGG网络模型后得到的统一尺寸为W*H*C的特征；步骤303，将融合后的尺寸为W*H*3C的特征图使用1*1的卷积核减小通道数，变成W*H*C的特征图；步骤304，将卷积后的W*H*C的特征图送入VGG网络模型的全连接层，再通过softmax层，得到这3个预处理图片所属的一个分类结果；步骤305、返回步骤301，依次选取训练集中的3个数据进行训练得到分类结果，重复训练分类模型；步骤306、用分类模型对该类图像数据的测试集进行测试，得到测试集的最终分类结果；步骤四、对每类测试集的最终分类结果，标记异常位置的特征点；并将标记了特征点的图像再次划分训练集和测试集；步骤五、针对某类标记了特征点的训练集图像，使用去掉全连接层和softmax的VGG网络进行分类模型的训练；步骤六、将标记了特征点的测试集输入分类模型中，对每个图像中各个特征点进行异常情况的定位。2.如权利要求1所述的一种基于无人机的水坝周边异常监测方法，其特征在于，步骤一中所述的分类整理包括：迎水面大坝附近水面有否旋涡为一个类别，大坝附近及溢洪道两侧山体岩石有否错动或出现新裂缝为一个类别，进水段有无坍塌、崩岸、淤堵为一个类别，近水面有无冒泡、变浑为一个类别，溢洪道有无冲刷或砂石、杂物堆积为一个类别，坝趾近区有无阴湿、渗水为一个类别，依次进行分类整理数据。3.如权利要求1所述的一种基于无人机的水坝周边异常监测方法，其特征在于，步骤二中所述的训练...
【专利技术属性】
技术研发人员：曹先彬，杜文博，甄先通，李岩，张安然，胡宇韬，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。