一种水下结构病害的识别方法、系统及存储介质技术方案

本发明专利技术公开了一种水下结构病害的识别方法、系统及存储介质，方法包括：获取目标水下结构病害的原始图像；对原始图像分别进行图像还原处理、超分辨率处理和低光增强处理，对应得到多幅增强图像；将多幅增强图像进行图像融合处理，得到融合图像；利用水下病害检测模型，对融合图像进行分析，获得病害信息；基于激光点对的入射状态，根据固定距离和虚拟标尺确定像素比例尺；对定位框图像进行边缘检测，获得目标病害的边缘位置；基于边缘位置和像素比例尺，获得目标病害的尺寸信息。本发明专利技术能够实现水下结构病害的准确识别，可广泛应用于图像处理技术领域。理技术领域。理技术领域。

【技术实现步骤摘要】
一种水下结构病害的识别方法、系统及存储介质


[0001]本专利技术涉及图像处理
，尤其是一种水下结构病害的识别方法、系统及存储介质。

技术介绍

[0002]随着数字图像处理技术和水下无人机技术的日益成熟，被广泛应用在桥梁结构检测中。其主要通过在水下无人机上搭载高清摄像机进行水下全方位采集桥梁表面图像，再利用计算机技术对采集的桥梁表面图像进行处理与分析，最终可以了解到桥梁表面健康状况。水下特殊的物理和化学特性导致水下图像表现出特有的退化特征。由于红、绿、蓝三种光的衰减率不同，图像表现出严重的蓝绿色偏。水中悬浮的微粒吸收光线的能量并改变了光路，这导致了图像的低对比度、模糊和有雾，再加上水流导致无人机成像不稳定难以判断水下病害的尺寸，检测结果主观性强，极其依赖工程技术人员的经验。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供一种水下结构病害的识别方法、系统及存储介质，能够准确实现水下结构病害的识别。
[0004]一方面，本专利技术的实施例提供了一种水下结构病害的识别方法，包括：
[0005]获取目标水下结构病害的原始图像；其中，所述目标水下结构病害处通过固定距离的激光发射器组形成激光点对，所述激光点对作为所述原始图像的虚拟标尺；
[0006]对所述原始图像分别进行图像还原处理、超分辨率处理和低光增强处理，对应得到多幅增强图像；
[0007]将多幅所述增强图像进行图像融合处理，得到融合图像；
[0008]利用水下病害检测模型，对所述融合图像进行分析，获得病害信息；其中，所述病害信息包括目标病害的种类信息、位置信息和定位框图像；所述水下病害检测模型根据目标检测模型基于已标记病害信息的地面病害数据集进行模型训练，并结合迁移学习得到；所述目标检测模型包括骨干网络、特征金字塔和目标检测头；所述骨干网络设有全局注意力机制；
[0009]基于所述激光点对的入射状态，根据所述固定距离和所述虚拟标尺确定像素比例尺；
[0010]对所述定位框图像进行边缘检测，获得所述目标病害的边缘位置；
[0011]基于所述边缘位置和所述像素比例尺，获得所述目标病害的尺寸信息。
[0012]可选地，方法还包括：
[0013]在所述定位框图像标记所述目标病害的所述种类信息、位置信息和尺寸信息，基于标记后的定位框图像对所述水下病害检测模型进行参数更新。
[0014]可选地，图像还原处理，包括以下至少之一：
[0015]对待处理图像进行自动白平衡处理，并对所述待处理图像的绿色通道和蓝色通道
进行修正处理；
[0016]在三原色光模式中，对所述待处理图像进行自适应直方图拉伸；
[0017]在Lab颜色模式中，通过拉伸亮度分量修正颜色通道分量的输出颜色，完成对所述待处理图像的线性和曲线自适应拉伸优化操作；
[0018]其中，所述待处理图像表征所述原始图像或所述原始图像经过其它图像还原处理步骤所获得的图像。
[0019]可选地，将多幅所述增强图像进行图像融合处理，得到融合图像，包括：
[0020]对多幅所述增强图像进行细节增强处理，调整各所述增强图像的局部过曝光或欠曝光；并通过色彩增强处理确定各所述增强图像到融合图像的色彩映射；
[0021]基于对各所述增强图像的局部过曝光或欠曝光的调整，并结合所述色彩映射，获得所述融合图像。
[0022]可选地，方法还包括：
[0023]在预构的YOLOv8模型的骨干网络的末端插入全局注意力机制，获得所述目标检测模型；其中，所述全局注意力机制包括通道注意力子模块、空间注意力子模块和至少两个多层感知器；
[0024]根据所述已标记病害信息的地面病害数据集，确定训练样本；
[0025]利用所述训练样本对所述目标检测模型进行初步训练，获得预训练权重；
[0026]获取水下病害数据集；
[0027]对所述预训练权重进行迁移学习，以所述水下病害数据集作为模型输入，结合定位损失函数和分类损失函数进行迁移训练，获得水下病害检测模型。
[0028]可选地，利用水下病害检测模型，对所述融合图像进行分析，获得病害信息，包括：
[0029]利用所述骨干网络对所述融合图像进行特征提取，得到多层次的特征图；
[0030]其中，所述特征提取的过程中，通过所述全局注意力机制进行三维信息的保留、跨维通道
‑
空间依赖关系的放大以及空间信息的聚焦；
[0031]利用所述特征金字塔，通过上采样和下采样将不同层次的所述特征图融合，得到多尺度特征；
[0032]利用所述目标检测头，通过不同尺度的卷积模块对所述多尺度特征进行多尺度检测，获得病害信息。
[0033]可选地，基于所述激光点对的入射状态，根据所述固定距离和所述虚拟标尺确定像素比例尺，包括：
[0034]根据所述虚拟标尺，确定所述激光点对的落点质心间的像素个数；
[0035]当所述激光点对的入射角为90
°
，根据所述固定距离与所述像素个数的比值，确定像素比例尺；
[0036]当所述激光点对的入射角不为90
°
，获取入射角，基于所述入射角与激光光束的几何关系，确定所述激光点对的实际距离，根据所述实际距离与所述像素个数的比值，确定像素比例尺。
[0037]可选地，对所述定位框图像进行边缘检测，获得所述目标病害的边缘位置，包括：
[0038]基于Zernike矩的旋转不变性，对所述定位框图像进行旋转处理，获得若干Zernike矩；
[0039]通过若干所述Zernike矩，结合预设模板系数确定边缘参数；
[0040]基于所述边缘参数得到亚像素坐标，获得所述目标病害的边缘位置。
[0041]另一方面，本专利技术的实施例提供了一种水下结构病害的识别系统，包括：
[0042]第一模块，用于获取目标水下结构病害的原始图像；其中，所述目标水下结构病害处通过固定距离的激光发射器组形成激光点对，所述激光点对作为所述原始图像的虚拟标尺；
[0043]第二模块，用于对所述原始图像分别进行图像还原处理、超分辨率处理和低光增强处理，对应得到多幅增强图像；
[0044]第三模块，用于将多幅所述增强图像进行图像融合处理，得到融合图像；
[0045]第四模块，用于利用水下病害检测模型，对所述融合图像进行分析，获得病害信息；其中，所述病害信息包括目标病害的种类信息、位置信息和定位框图像；所述水下病害检测模型根据目标检测模型基于已标记病害信息的地面病害数据集进行模型训练，并结合迁移学习得到；所述目标检测模型包括骨干网络、特征金字塔和目标检测头；所述骨干网络设有全局注意力机制；
[0046]第五模块，用于基于所述激光点对的入射状态，根据所述固定距离和所述虚拟标尺确定像素比例尺；
[0047]第六模块，用于对所述定位框图像进行边缘检测，获得所述目标病害的边缘位置；...

【技术保护点】

【技术特征摘要】
1.一种水下结构病害的识别方法，其特征在于，包括：获取目标水下结构病害的原始图像；其中，所述目标水下结构病害处通过固定距离的激光发射器组形成激光点对，所述激光点对作为所述原始图像的虚拟标尺；对所述原始图像分别进行图像还原处理、超分辨率处理和低光增强处理，对应得到多幅增强图像；将多幅所述增强图像进行图像融合处理，得到融合图像；利用水下病害检测模型，对所述融合图像进行分析，获得病害信息；其中，所述病害信息包括目标病害的种类信息、位置信息和定位框图像；所述水下病害检测模型根据目标检测模型基于已标记病害信息的地面病害数据集进行模型训练，并结合迁移学习得到；所述目标检测模型包括骨干网络、特征金字塔和目标检测头；所述骨干网络设有全局注意力机制；基于所述激光点对的入射状态，根据所述固定距离和所述虚拟标尺确定像素比例尺；对所述定位框图像进行边缘检测，获得所述目标病害的边缘位置；基于所述边缘位置和所述像素比例尺，获得所述目标病害的尺寸信息。2.根据权利要求1所述的一种水下结构病害的识别方法，其特征在于，所述方法还包括：在所述定位框图像标记所述目标病害的所述种类信息、位置信息和尺寸信息，基于标记后的定位框图像对所述水下病害检测模型进行参数更新。3.根据权利要求1所述的一种水下结构病害的识别方法，其特征在于，所述图像还原处理，包括以下至少之一：对待处理图像进行自动白平衡处理，并对所述待处理图像的绿色通道和蓝色通道进行修正处理；在三原色光模式中，对所述待处理图像进行自适应直方图拉伸；在Lab颜色模式中，通过拉伸亮度分量修正颜色通道分量的输出颜色，完成对所述待处理图像的线性和曲线自适应拉伸优化操作；其中，所述待处理图像表征所述原始图像或所述原始图像经过其它图像还原处理步骤所获得的图像。4.根据权利要求1所述的一种水下结构病害的识别方法，其特征在于，所述将多幅所述增强图像进行图像融合处理，得到融合图像，包括：对多幅所述增强图像进行细节增强处理，调整各所述增强图像的局部过曝光或欠曝光；并通过色彩增强处理确定各所述增强图像到融合图像的色彩映射；基于对各所述增强图像的局部过曝光或欠曝光的调整，并结合所述色彩映射，获得所述融合图像。5.根据权利要求1所述的一种水下结构病害的识别方法，其特征在于，所述方法还包括：在预构的YOLOv8模型的骨干网络的末端插入全局注意力机制，获得所述目标检测模型；其中，所述全局注意力机制包括通道注意力子模块、空间注意力子模块和至少两个多层感知器；根据所述已标记病害信息的地面病害数据集，确定训练样本；
利用所述训练样本对所述目标检测模型进行初步训练，获得预训练权重；获取水下病害数据集；对所述预训练权重进行迁移学习，以所述水下病害数据集作为模型输入，结合定位损失函数和分类损失函数进行迁移训练，获得水下病害检测模型。6.根据权利要求1所述的一种水下结构病害的识别方...

【专利技术属性】
技术研发人员：黄永辉，卓启业，刘爱荣，饶瑞，陈炳聪，
申请(专利权)人：广州大学，
类型：发明
国别省市：