【技术实现步骤摘要】
基于深度学习的水下结构表观病害识别方法及系统
[0001]本文件涉及水下结构表观病害识别
，尤其涉及一种基于深度学习的水下结构表观病害识别方法及系统。
技术介绍
[0002]近年来，随着经济发展与科技进步，我国建设了大量的如桥梁、大坝、码头等涉水基础设施，其在服役过程中长期承受荷载与环境侵蚀作用，会出现程度不一的损伤，影响结构自身的安全运行和使用寿命，严重者会造成如桥梁坍塌等重大事故。因此，为了保障构筑物的安全，定期对其水下基础进行病害检测是必不可少的一项措施。传统上，水下结构表观病害的判定主要采用人工探摸的方式，该方式不仅存在人身安全隐患，而且只能粗略估计结构表面损伤情况。同时，利用水下相机等设备进行数据采集的过程中，检测结果易受水体浑浊等因素影响，造成病害识别精确度大大下降。近年来，随着计算机视觉与人工智能技术的快速发展，越来越多的智能算法被运用到结构病害检测中来，虽国内外的许多专家学者针对此做了许多研究并取得了一定的成果，但在实际工程的应用过程中效果并不理想。因此，如何将人工智能技术有效地运用到水下结构检测领域，...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的水下结构表观病害识别方法，其特征在于，包括：S1、根据预设的融合模型与预设的目标识别模型结合生成预先设置的水下结构表观病害识别模型；S2、通过所述预先设置的水下结构表观病害识别模型对水下表观病害进行识别；其中，所述预设的融合模型通过改进的CycleGAN模型与多尺度Retinex算法网络搭建而成，用于将水下图像转换成特征明显且清晰的图像；所述预设的目标识别模型通过YOLOv5模型进行获取，用于实现水下结构表观病害的定位与分类。2.一种基于深度学习的水下结构表观病害识别方法，其特征在于，所述步骤S1中预先设置的水下结构表观病害识别模型的构建步骤具体包括：S21、采集不同水下环境的图像数据，根据清晰度将所述图像数据划分为清水集和浑水集，按照预定比例将清水集划分为清水训练集和清水验证集，将浑水集划分为浑水训练集和浑水测试集；S22、通过所述清水训练集和浑水训练集对改进的CycleGAN模型进行训练，获取训练好的CycleGAN生成器；将所述训练好的CycleGAN生成器与Retinex算法网络搭建图像生成融合模型；S23、通过清水集对YOLOv5模型进行训练，并优化YOLOv5模型权重，得到能实现水下结构病害高精度分类的目标识别模型；S24、将所述融合模型与所述目标识别模型进行串联形成水下结构表观病害识别模型。3.根据权利要求2所述的方法，其特征在于，所述步骤S21具体包括：获取浑浊水域的图像数据作为浑水集，获取清水水域的图像数据作为清水集，对所述浑水集和所述清水集根据水下表观病害进行标记；对标记好的浑水集和清水集进行划分，清水集按8：2的比例划分为清水训练集和清水验证集，浑水集按8:2的比例划分为浑水训练集和浑水测试集。4.根据权利要求2所述的方法，其特征在于，所述步骤S22中通过所述清水训练集和浑水训练集对改进的CycleGAN模型进行训练具体包括：对CycleGAN模型进行改进，具体包括：在所述CycleGAN模型的循环一致性损失之外添加循环感知一致性损失，用于增强单图像去模糊的CycleGAN架构；将所述CycleGAN模型中的ReLU激活函数替换成SiLu激活函数；将所述CycleGAN模型中的的残差结构替换为注意力机制模块；通过所述清水训练集和浑水训练集对改进的CycleGAN模型进行训练，从而获取训练好的改进CycleGAN模型，所述训练好的改进CycleGAN模型用于将模糊图片转化为清晰图片。5.根据权利要求4所述的方法，其特征在于，所述步骤S22中将所述训练好的CycleGAN生成器与多尺度Retinex算法网络搭建图像生成融合模型具体包括：通过多尺度Retinex算法网络生成物体本质特征图像；将所述CycleGAN模型转化后的清晰图片所述物体...
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。