System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种大坝深水结构隐患病害实时检测方法,属于大坝深水结构的非接触式缺陷检测。
技术介绍
1、目前我国已修建水库大坝9.8万余座,总库容8983亿m3,水电装机容量3.91亿千瓦,规模和数量均位居世界前列。这些工程在调蓄江河、抵御洪水、水力发电、航运灌溉等方面发挥重要作用,是国家水安全和经济发展的重要基础保障。然而,它们普遍存在有建设标准低、施工工艺差、三边工程等历史遗留问题,加之年久失修、后期养护管理不到位,坝体普遍存在诸多病害隐患。
2、传统大坝结构缺陷识别方法主要是基于人工巡视检查,辅以钢尺、锤敲、试纸等手段。实践表明,该方法存在检测效率低、危险度高、漏判率高等不足,且识别结果易受到工程师主观判断影响。此外,人工巡检难以在大坝深水结构区域开展实施,而改进的蛙人水下检测技术同样存在着下潜深度有限(通常不能超过60m)、下潜作业范围狭窄、作业时间短和潜在风险大等问题。
3、水下机器人是一类通过脐带缆实现动力和信号传输,由岸边人员操作并可执行特定水下作业任务的无人载运设备,近些年水下机器人搭载高清可见光相机被应用于大坝深水隐蔽缺陷的高分辨率图像视频信息采集,可有效克服传统传感器和工程物探感知手段空间分辨率低的限制。
4、然而,大坝深水部位结构形式复杂多变且水下体积庞大,一次大范围大坝深水探测任务会产生海量图像和视频数据。完全依赖人工读取和记录手段从这些海量数据中提取和结构损伤密切相关信息,不仅耗时长、人工成本高,而且识别难度大、误判率及漏检率高。
技术实现
1、本专利技术所要解决的技术问题是:提供一种大坝深水结构隐患病害实时检测方法,采用yolov5s单阶段神经网络构建大坝多类别缺陷检测模型,并对模型进行稀疏和剪枝,运用模型迁移和知识蒸馏理论,构建强背景干扰下大坝深水多类别缺陷实时目标框架。
2、本专利技术为解决上述技术问题采用以下技术方案:
3、一种大坝深水结构隐患病害实时检测方法,包括如下步骤:
4、步骤1,获取大坝深水结构部位的病害图像视频,从病害图像视频中提取病害图像构建大坝深水结构多类别病害数据集;
5、步骤2,对每张病害图像进行病害类别和病害区域的信息标注,将标注后的数据集划分为训练集、验证集和测试集;
6、步骤3,以单阶段目标检测模型yolov5s为识别器,构建大坝深水多类别病害目标检测模型,利用训练集和验证集对大坝深水多类别病害目标检测模型进行预训练,并利用测试集进行评价,得到预训练后的大坝深水多类别病害目标检测模型;
7、步骤4,对步骤3构建的大坝深水多类别病害目标检测模型中的批处理层进行稀疏正则化,并根据0.5的剪枝率对稀疏正则化后的模型进行剪枝,得到剪枝后的目标检测模型;
8、步骤5,将步骤3构建的大坝深水多类别病害目标检测模型作为教师网络,步骤4得到的剪枝后的目标检测模型作为学生网络,利用知识蒸馏方法对剪枝后的目标检测模型进行参数优化,得到最终的目标检测模型;
9、步骤6,获取大坝深水结构部位实时病害图像,利用步骤5得到的最终的目标检测模型对实时病害图像进行检测,得到病害所属类别及位置结果。
10、作为本专利技术的一种优选方案,所述步骤1中,采用水下机器人搭载可见光相机获取大坝深水结构部位的病害图像视频,可见光相机的采样频率为25帧每秒,每隔五帧提取一帧放入数据集中,从而得到大坝深水结构多类别病害数据集。
11、作为本专利技术的一种优选方案,所述步骤2中,对数据集中的每张图像采用图形界面可视化标注软件labelme进行标注,利用矩形框确定病害区域在图像中的位置,标注信息包括矩形框的左上角点和右下角点坐标,根据左上角点和右下角点坐标得到矩形框中心点坐标及矩形框的长度和宽度,对矩形框中心点坐标及矩形框的长度和宽度进行归一化后保存在json文件中,同时将病害所属类别一并保存;
12、所述病害所属类别包括裂缝、凹陷、孔洞以及骨料外露。
13、作为本专利技术的一种优选方案,所述步骤4中,稀疏正则化的计算公式如下:
14、
15、其中,d表示字典矩阵,μi表示稀疏向量,m表示多类别病害数据集中所有样本的总数目,xi表示多类别病害数据集中的第i个样本,λ表示稀疏化比率,||||1、||||2分别表示1范数、2范数。
16、作为本专利技术的一种优选方案,所述步骤5中,知识蒸馏方法中的蒸馏损失函数如下:
17、lcls=μlhard(ps,y)+(1-μ)lsoft(ps,pt)
18、其中,lcls表示蒸馏损失函数,μ表示硬损失和软损失之间的平衡参数,lhard(ps,y)表示根据教师网络输出和标签值判断出的硬样本损失函数,lsoft(ps,pt)表示教师网络预测出的软样本损失函数,y表示识别对象的真实标签,ps、pt分别表示学生网络、教师网络的预测值。
19、一种计算机设备,包括存储器、处理器,以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的大坝深水结构隐患病害实时检测方法的步骤。
20、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的大坝深水结构隐患病害实时检测方法的步骤。
21、本专利技术采用以上技术方案与现有技术相比,具有以下技术效果:
22、1、本专利技术采用yolov5s单阶段神经网络作为基本模型,构建大坝多类别缺陷检测模型,利用模型稀疏化和剪枝策略,改变模型批处理层权重分布并去除模型冗余参数;进一步地,综合运用模型迁移和知识蒸馏理论,恢复由于剪枝压缩参数带来的精度劣化问题,据此构建出强背景干扰下大坝深水多类别缺陷实时目标框架,实现对海量大坝深水检测图像和视频数据的批量快速检测,大幅降低了人工检测的成本和潜在风险。
23、2、本专利技术方法实现大坝深水缺陷的实时检测,快速探明大坝深水结构损伤区域;同时降低了人工检测频率,避免了放空库水检测代价,极大节约了成本。
24、3、本专利技术仅需一次深度学习模型构建,即可实现海量大坝深水检测视频图像数据的批量处理,具有监测频率高、计算处理效率高、精度高误判率低、实用性强等显著优势,可进一步推广应用于各类涉水水工建筑物的水下结构缺陷检测中,大幅降低人工巡检成本和潜在风险,具有广阔实际应用价值。
本文档来自技高网...【技术保护点】
1.一种大坝深水结构隐患病害实时检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的大坝深水结构隐患病害实时检测方法,其特征在于,所述步骤1中,采用水下机器人搭载可见光相机获取大坝深水结构部位的病害图像视频,可见光相机的采样频率为25帧每秒,每隔五帧提取一帧放入数据集中,从而得到大坝深水结构多类别病害数据集。
3.根据权利要求1所述的大坝深水结构隐患病害实时检测方法,其特征在于,所述步骤2中,对数据集中的每张图像采用图形界面可视化标注软件Labelme进行标注,利用矩形框确定病害区域在图像中的位置,标注信息包括矩形框的左上角点和右下角点坐标,根据左上角点和右下角点坐标得到矩形框中心点坐标及矩形框的长度和宽度,对矩形框中心点坐标及矩形框的长度和宽度进行归一化后保存在json文件中,同时将病害所属类别一并保存;
4.根据权利要求1所述的大坝深水结构隐患病害实时检测方法,其特征在于,所述步骤4中,稀疏正则化的计算公式如下:
5.根据权利要求1所述的大坝深水结构隐患病害实时检测方法,其特征在于,所述步骤5中,知识蒸馏方法中的蒸馏损
6.一种计算机设备,包括存储器、处理器,以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的大坝深水结构隐患病害实时检测方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的大坝深水结构隐患病害实时检测方法的步骤。
...【技术特征摘要】
1.一种大坝深水结构隐患病害实时检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的大坝深水结构隐患病害实时检测方法,其特征在于,所述步骤1中,采用水下机器人搭载可见光相机获取大坝深水结构部位的病害图像视频,可见光相机的采样频率为25帧每秒,每隔五帧提取一帧放入数据集中,从而得到大坝深水结构多类别病害数据集。
3.根据权利要求1所述的大坝深水结构隐患病害实时检测方法,其特征在于,所述步骤2中,对数据集中的每张图像采用图形界面可视化标注软件labelme进行标注,利用矩形框确定病害区域在图像中的位置,标注信息包括矩形框的左上角点和右下角点坐标,根据左上角点和右下角点坐标得到矩形框中心点坐标及矩形框的长度和宽度,对矩形框中心点坐标及矩形框的长度和宽度进行归一化后保存在json...
【专利技术属性】
技术研发人员:李扬涛,包腾飞,李田雨,杜昊轩,向镇洋,
申请(专利权)人:河海大学,
类型:发明
国别省市:
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。