一种基于无人机视觉的坝体裂纹识别与测量方法技术

一种基于无人机视觉的坝体裂纹识别与测量方法，它包括以下步骤：步骤1：进行图像的采集，采集待检测坝体的RGB图像，所采集的图像能够完整覆盖检测区域；步骤2：进行裂纹的粗检测；步骤3：进行基于视觉显著性的裂纹精识别；步骤4：进行边缘提取；步骤5：进行裂纹特征信息计算；步骤6：进行图像拼接，通过图像拼接还原坝体全景图，从而确定局部裂纹相对坝体的位置信息；步骤7：进行裂纹定位及评估。本发明专利技术的目的是为了解决现有技术对复杂环境下坝体裂纹检测误差较大以及裂纹几何信息测量中精度不高的技术问题，而提供的基于无人机视觉的坝体裂纹识别与测量方法。裂纹识别与测量方法。裂纹识别与测量方法。

【技术实现步骤摘要】
一种基于无人机视觉的坝体裂纹识别与测量方法


[0001]本专利技术涉及机器视觉检测及测量
，尤其涉及一种基于无人机视觉的坝体裂纹识别与测量方法。

技术介绍

[0002]裂缝是危害水电站坝体结构安全的重要病害，对裂缝的位置检测及几何形态尤其是宽度的测量是坝体检测的重要内容。传统的检测方法主要基于人工视觉检测，需要搭建脚手架、挂篮或者使用望远镜，耗费的人力物力较大，检测安全隐患大，检测效率较低，检测效果往往依赖于检测人员的经验丰富程度。
[0003]随着人工智能技术和无人机产业发展，越来越多运维人员将无人机结合AI巡检引入大坝或者道路桥梁等行业的运维工作中，通过遥控无人机采集待检测区域图像，然后使用计算机视觉技术识别裂纹，
[0004]例如申请号为2017103826144的专利文献提出了一种基于显著性检测的表面裂纹识别方法，该方法先将图像从RGB变换到Lab颜色空间，然后采用超像素分割算法对图像预分割，结合均值漂移算法对图像聚类，接着提取图像的颜色显著图和纹理显著图，最后自适应分割裂纹区域。
[0005]申请号为20本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机视觉的坝体裂纹识别与测量方法，其特征在于，它包括以下步骤：步骤1：进行图像的采集，采集待检测坝体的RGB图像，所采集的图像能够完整覆盖检测区域；步骤2：进行裂纹的粗检测；步骤3：进行基于视觉显著性的裂纹精识别；步骤4：进行边缘提取；步骤5：进行裂纹特征信息计算；步骤6：进行图像拼接，通过图像拼接还原坝体全景图，从而确定局部裂纹相对坝体的位置信息；步骤7：进行裂纹定位及评估。2.根据权利要求1所述的方法，其特征在于，在步骤2中，使用预训练的卷积神经网络模型检测图像中是否有裂纹，如果没检测出裂纹，则不需要做下一步的精细化检测，从而提高算法效率；如果检测出裂纹则通过模型输出图像中裂纹边界框，从而过滤复杂的背景干扰信息，提高后续裂纹边缘提取的准确度和裂纹测量的精度。3.根据权利要求1所述的方法，其特征在于，在步骤3中，依据图像的裂纹相对于图像背景在颜色和亮度上的差异，使用FT(Frequency
‑
tuned)显著性检测算法先得的图像的显著图，再结合均值漂移算法(MeanShift)自适应计算图像阈值，然后二值化分割裂纹。4.根据权利要求1所述的方法，其特征在于，在步骤4中，使用Canny边缘检测算法提取裂纹边缘像素点，用高斯滤波器平滑图象，用一阶偏导的有限差分来计算梯度的幅值和方向，对梯度幅值进行非极大值抑制，用双阈值算法检测和连接边缘。5.根据权利要求1所述的方法，其特征在于，在步骤5中，首先是摄像机标定，计算采集相机的内外参数，用于计算图像坐标系到世界坐标系之间的转换，然后根据裂纹边缘像素采用最短距离法计算宽度；通过计算裂纹起始点和终止点的欧氏距离作为裂纹长度；将裂纹的拟合直线的夹角作为裂纹的夹角。6.根据权利要求1所述的方法，其特征在于，还包括步骤7：进行裂纹定位及评估；定位裂纹相对坝体的位置，方便运维检修人员精准确定裂纹的位置信息；通过步骤5对裂纹的长度、宽度、角度和面积信息，确定裂纹的危害等级；并且预测裂纹的发展趋势，及时做好坝体危害工作，防患未然。7.根据权利要求1或2所述的方法，其特征在于，在步骤2中，在进行裂纹的粗检测时，具体采用以下步骤：2.1、进行数据集的采集；采集坝体裂纹数据，采集环境包括阴天、雾天、迎光、背光等，保证采集的数据集包含一般检测环境下的各种情况；2.2、进行数据集的扩充；通过图像旋转、亮度变换、剪切、加高斯噪声的方式扩充数据集；2.3、进行数据集的标注；半监督学习中使用图像标注工具标注数据集，提高特征提取的速度和精度，将数据制作成指定格式，并生成对应图像的指定文件；2.4、进行网络的优化；(1)针对裂纹尺寸不一的问题，使用K
‑
means++算法重新设计先验框尺寸并将其匹配到相应的特征层；(2)在特征提取网络中引入多光谱通道注意力模块，使网络能够自主学习每个通道的权重，增强特征间的信息传播，从而加强网络对前景和背
景的辨别能力，并在训练迭代过程中随机输入不同尺寸的图像，以此增强模型的泛化能力；(3)采用CIoU_loss作为目标检测任务的回归损失函数，CIoU_loss中考虑了预测框与目标框之间的重叠面积和中心点距离，当目标框包裹预测框的时候，直接度量2个框的距离，从而考虑了边界框中心点距离的信息与边界框宽高比的尺度信息，与此同时也考虑了预测框和目标框的长宽比，使边界回归结果更好，损失函数计算公式如下其中，IoU是预测框和目标框的交集和并集的比值，预测框中心点用b表示，目标框中心点用b
gt
表示，ρ(
·
)表示欧氏距离，c代表相交的预测框与目标框之间所构成外接最小矩形的对角线距离，α是一个权重系数，ν代表长宽比一致性的参数，w
gt
和h
gt
分别代表目标框的宽和高，w和h代表预测框的宽和高；2.5、进行模型的训练；将制作的数据集带入优化的网络中训练，通过参数调整不断迭代模型，使模型的损失函数降到最低；最后生成裂纹检测模型；2.6、进行裂纹区域的检测；调用裂纹检测模型，将待检测图像输入模型中，通过模型端到端输出裂纹的类别和边界框。8.根...

【专利技术属性】
技术研发人员：周登科，谭志翔，史凯特，汤鹏，于傲，郑开元，张亚平，李哲，
申请(专利权)人：黄河勘测规划设计研究院有限公司，
类型：发明
国别省市：