一种基于YOLOv5模型的水工程表面裂缝检测方法技术

本发明专利技术公开了一种基于YOLOv5模型的水工程表面裂缝检测方法。它包括如下步骤，步骤一：采用无人机采集水工程表面图像；步骤二：根据采集图像，进行图像增强，扩充数据集；采用图像预处理模块处理所获得的采集图像，步骤三：标注裂缝样本图像，并建立模型训练集、验证集、测试集；将这些数据集分类为YOLOv5模型的训练集、验证集、测试集；步骤四：根据应用需求，完成指定模型训练任务；利用训练集对YOLOv5模型进行训练、采用验证集对YOLOv5模型进行验证，以获得训练过程中最优的YOLOv5模型；步骤五：采用测试集进行测试，应用模型至实际工程项目中。本发明专利技术具有提高缺陷检测精度和效率的优点。点。点。

【技术实现步骤摘要】
一种基于YOLOv5模型的水工程表面裂缝检测方法


[0001]本专利技术涉及信息技术里的机器学习和图像处理
，更具体地说它是基于YOLOv5模型的水工程表面裂缝检测方法。更具体地说它是一种基于YOLOv5模型和无人机的水工程表面裂缝检测方法。
[0002]本专利技术中的水工程包括大坝坝顶的道路表面，大坝溢洪道的侧边表面等。

技术介绍

[0003]中国如何在高速发展水利工程建设的同时，加强大坝的安全性监测,以及如何形成有效的“巡、检、诊、维”智能系统都成为水利工程发展过程中亟待解决的问题。目前来看，裂缝、磨损、气蚀和侵蚀等众多因素都可能会直接威胁到混凝土型大坝的安全。其中，裂缝所带来的危害往往是最大的，因为裂缝不但会存在于大坝的表面，而且还可以延伸到大坝的内部，直接影响整个坝体的安全。针对坝面、边坡和高层建筑等此类场景所固有的不易达、不易检且危险系数较高的特点，以及其巡测存在的采集传感器信号类型不全面、通信方式比较单一、硬件处理平台配置不高和不能将采集的数据及时进行分类、处理及分析等问题，目前主要有传统的人工巡检和智能化系统巡检两种方式。使用传统的人工巡检不但对人力和物力是巨大的消耗，而且检测的效率也极其低下，达不到快速检测以及诊断维护的目的。同时，就目前的智能化巡检系统来看，主要是通过使用智能化设备将缺陷数据采集回来，结合深度学习的各类方法对数据进行相应处理，最后利用得到的检测模型完成指定的视觉任务。
[0004]然而由于坝面这类特殊的场景，单单使用这种方式往往面临着数据量不足和数据噪声较多的影响，得到的检测模型存在一定的瑕疵，容易出现误检和漏检的情况，并且对缺陷的定量信息不能及时反映，对后期的维护工作也会产生一定影响。
[0005]因此，开发一种提高检测精度和检测效率的大坝坝面裂缝检测方法很有必要。

技术实现思路

[0006]本专利技术的目的是为了提供一种基于YOLOv5模型的水工程表面裂缝检测方法，为一种基于YOLOv5模型的坝面表观缺陷实时检测的方法，提高检测精度和检测效率(对于指定数据集，本专利技术的准确率可以达到0.942，检测裂纹精度为1.3mm；本专利技术实时检测主要针对视频数据而言，YOLOv5模型对于640x640的数据处理时间从0.6ms～4.8ms，一般的视频为30Hz，满足实时检测的需求)，解决混凝土型坝面存在的裂缝等缺陷的检测和分类问题。
[0007]为了实现上述本专利技术的目的，本专利技术的技术方案为：一种基于YOLOv5模型的水工程表面裂缝检测方法，其特征在于：包括如下步骤，
[0008]步骤一：采用无人机采集水工程表面图像；
[0009]步骤二：根据采集图像，进行图像增强，扩充数据集；
[0010]采用图像预处理模块处理所获得的采集图像；
[0011]步骤三：标注裂缝样本图像，并建立模型训练集、验证集、测试集；
[0012]根据裂缝特征分段或分片框选标注裂缝样本图像，并将这些数据集分类为YOLOv5模型的训练集、验证集、测试集；
[0013]步骤四：根据应用需求，完成指定模型训练任务；
[0014]利用训练集对YOLOv5模型进行训练、采用验证集对YOLOv5模型进行验证，以获得训练过程中最优的YOLOv5模型；
[0015]步骤五：采用测试集进行测试，根据实际需求选择对应模型以及调整超参数，应用模型至实际工程项目中；
[0016]将最终调试好的YOLOv5模型输入图片测试，输出测试结果。
[0017]在上述技术方案中，在步骤一中，采集图像为不同水工程表面的三通道二维图像；
[0018]利用无人机获取不同水工程表面的三通道二维图像信息的方法，具体包含以下步骤：
[0019]步骤1.1：利用无人机摄像头对水工程表面进行贴近摄影拍摄；
[0020]步骤1.2：根据无人机拍摄照片，抽取水工程表面的每一帧图像，所述图像包括含裂缝的图像和不含裂缝的背景图像。
[0021]在上述技术方案中，在步骤二中，进行图像增强，扩充数据集的方法，具体包含以下步骤：
[0022]步骤2.1：对获取的图片进行平移，旋转，缩放，改变灰度值，白平衡，对比度等操作，以增加样本数量；
[0023]步骤2.2：使用高斯模糊，添加随机噪声处理部分图片，以增加样本数量。
[0024]在上述技术方案中，在步骤三中，建立模型训练集、验证集、测试集的方法，具体包含以下步骤：
[0025]步骤3.1：调整步骤二中的图片的分辨率；
[0026]将图片调整为分辨率为416像素x416像素或608像素x608像素，具体图片的分辨率大小根据自己的设备内存大小或者GPU显存大小进行设置；
[0027]步骤3.2：根据裂缝特征分段或分片框选标注裂缝样本图像；
[0028]裂缝通常会贯穿或横跨整个图像的长和宽，将裂缝一次性标注进去，会带入很多不必要的背景信息，不利于判断，因此可以根据裂缝外接矩形的长宽比进行判断，是否需要分段标注。
[0029]步骤3.3：将步骤3.2中的图片以6：2：2的比例随机的分为训练集、验证集、测试集，尽量保持各个集合之间的裂缝与背景图像比例一致，且测试集和验证集中不应出现训练集中重复出现裂缝的样本。
[0030]在上述技术方案中，在步骤四中，训练YOLOv5模型的方法，具体包含以下步骤：
[0031]步骤4.1：将步骤3.2中的训练集投入YOLOv5s模型中训练，设定训练的轮数N(也即epoch，一轮指将所有训练集完整输入到模型中训练一次)。每当完成一轮训练，则将验证集投入YOLOv5s模型中验证训练效果，记录当前训练的准确率、召回率、mAP(在机器学习中的目标检测领域，mAP(mean Average Precision)是十分重要的衡量指标，用于衡量目标检测算法的性能。一般而言，全类平均正确率(mAP，又称全类平均精度)是将所有类别检测的平均正确率(AP)进行综合加权平均而得到)、F1指标(F1分数(F1 Score)，是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。F1分数可以
看作是模型精确率和召回率的一种调和平均，它的最大值是1，最小值是0)以及模型网络权重。当完成N轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优mAP以及最优F1这四个衡量指标对应的模型；另外，记录对应各个参数的最优YOLOv5s模型的每帧图像运算时间，并保存其模型网络权重YOLOv5s.pt；
[0032]步骤4.2：将步骤3.2中的训练集投入YOLOv5m模型中训练，设定训练的轮数N(也即epoch，一轮指将所有训练集完整输入到模型中训练一次)。每当完成一轮训练，则将验证集投入YOLOv5s模型中验证训练效果，记录当前训练的准确率、召回率、mAP、F1指标以及模型网络权重。当完成N轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优mAP以及最优F1这四个衡量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5模型的水工程表面裂缝检测方法，其特征在于：包括如下步骤，步骤一：采用无人机采集水工程表面图像；步骤二：根据采集图像，进行图像增强，扩充数据集；采用图像预处理模块处理所获得的采集图像，步骤三：标注裂缝样本图像，并建立模型训练集、验证集、测试集；将这些数据集分类为YOLOv5模型的训练集、验证集、测试集；步骤四：根据应用需求，完成指定模型训练任务；利用训练集对YOLOv5模型进行训练、采用验证集对YOLOv5模型进行验证，以获得训练过程中最优的YOLOv5模型；步骤五：采用测试集进行测试，根据实际需求选择对应模型以及调整超参数，应用模型至实际工程项目中；将最终调试好的YOLOv5模型输入图片测试，输出测试结果。2.根据权利要求1所述的基于YOLOv5模型的水工程表面裂缝检测方法，其特征在于：在步骤一中，采集图像为不同水工程表面的三通道二维图像；利用无人机获取不同水工程表面的三通道二维图像信息的方法，具体包含以下步骤：步骤1.1：利用无人机摄像头对水工程表面进行贴近摄影拍摄；步骤1.2：根据无人机拍摄照片，抽取水工程表面的每一帧图像，所述图像包括含裂缝的图像和不含裂缝的背景图像。3.根据权利要求2所述的基于YOLOv5模型的水工程表面裂缝检测方法，其特征在于：在步骤二中，进行图像增强，扩充数据集的方法，具体包含以下步骤：步骤2.1：对获取的图片进行平移，旋转，缩放，改变灰度值，白平衡，对比度的操作，以增加样本数量；步骤2.2：使用高斯模糊，添加随机噪声处理部分图片，以增加样本数量。4.根据权利要求3所述的基于YOLOv5模型的水工程表面裂缝检测方法，其特征在于：在步骤三中，标注裂缝样本图像，并建立模型训练集、验证集、测试集的方法，具体包含以下步骤：步骤3.1：调整步骤二中的图片的分辨率；步骤3.2：根据裂缝特征分段或分片框选标注裂缝样本图像；步骤3.3：将步骤3.2中的图片以6：2：2的比例随机的分为训练集、验证集、测试集，保持各个集合之间的裂缝与背景图像比例一致。5.根据权利要求4所述的基于YOLOv5模型的水工程表面裂缝检测方法，其特征在于：在步骤四中，训练YOLOv5模型的方法，具体包含以下步骤：步骤4.1：将步骤3.2中的训练集投入YOLOv5s模型中训练，设定训练的轮数N；每当完成一轮训练，则将验证集投入YOLOv5s模型中验证训练效果，记录当前训练的准确率、召回率、mAP、F1指标以及模型网络权重；当完成N轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优mAP以及最优F1这四个衡量指标对应的模型；另外，记...

【专利技术属性】
技术研发人员：柯丰恺，伍中华，黄涛，罗兵，廖东晓，李圣田，王成，龚武，张克斌，陈旭，郭雪东，何涛，
申请(专利权)人：中国三峡建工集团有限公司恩施清江大龙潭水电开发有限公司国家能源集团江西电力有限公司万安水力发电厂，
类型：发明
国别省市：