【技术实现步骤摘要】
本专利技术涉及水下缺陷检测，特别涉及一种水下结构物缺陷检测方法及装置。
技术介绍
1、对于大坝坝体的水下部分、引水隧洞、城市水下管网等水下结构物表面由于长时间处于高压水环境而产生的裂缝等表面缺陷，需要定期进行检测维修，对于此类情况现阶段主要依靠人工检修，然而，这种方法不仅危险系数高，且人工检测存在效率低、漏检误检率高等问题；由此出现了一些使用水下机器人的检测方法，主要使用遥控无人潜水器(rov)、无缆水下机器人(auv)或专用特种水下机器人进行缺陷目标的检测与识别任务，机器人的检测系统通常基于光学视觉，然而在不同水域和同一水域的不同深度中，由于水体环境复杂且差异较大，复杂水域环境中采集的数据容易出现雾化模糊、色偏严重、对比度亮度低和清晰度不足等问题，进而由于成像质量低导致检测效率低、检测精度低。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种水下结构物缺陷检测方法及装置，能够解决现有技术面临复杂水域环境时采集的数据出现雾化模糊、色偏严重、对比度亮度低和清晰度不足等问题，进而解决由于成像质量低导致的检测效率低、检测精度不高的问题。
2、本专利技术通过以下技术方案实现：
3、一种水下结构物缺陷检测方法，包括以下步骤：
4、使用水下结构物缺陷检测装置采集水下结构物表面图像数据；
5、使用一种基于卷积神经网络的水下图像复原方法对图像进行清晰化处理；
6、使用基于轻量化的yolov5深度学习模型检测识别图像中的缺陷目标，
7、进一步的，所述步骤s1中的图像数据为rgb图像数据。
8、进一步的，所述步骤：使用一种基于卷积神经网络的水下图像复原方法对图像进行清晰化处理，具体包括如下步骤：
9、利用水下光学成像模型与rgb-d深度数据集结合合成水下图像数据集；
10、建立用于估计水下环境必要参数的卷积神经网络；
11、使用合成的水下图像数据集训练卷积神经网络；
12、使用训练好的卷积神经网络，且结合水下光学成像物理模型复原水下图像，实现图像的清晰化。
13、进一步的，所述水下光学成像模型的具体模型如下：
14、ic(x)＝jc(x)tc(x)+bc(1-tc(x))；
15、其中，x表示图像中的单个像素点(i,j),c表示图像的红绿蓝(rgb)三个颜色通道，ic是深水网络摄像机采集得到的原始水下图像；jc(x)tc(x)是直接传输分量；bc(1-tc(x))是后向散射分量；tc(x)是介质透射率，表示为其中，d(x)是深度信息，是c通道衰减因子。
16、进一步的，所述rgb-d深度数据集包括nyu-v2 depth数据集和middlebury数据集。
17、进一步的，所述卷积神经网络包括：
18、环境光参数估计网络，用于估计水下环境光参数；
19、传输图参数估计网络，用于估计传输图参数；
20、并且，环境光参数估计网络和传输图参数估计网络的整体均采用编码-解码的网络结构组织方式。
21、进一步的，所述步骤：使用合成的水下图像数据集训练卷积神经网络，具体包括：
22、使用合成的水下图像数据集训练环境光参数估计网络：使用合成得到的水下图像rgb图像数据和对应的环境光标签训练环境光估计网络，环境光标签为rgb三个通道的数值，训练时将三通道数值扩充成三个二维矩阵，每个矩阵中填充单通道环境光值，使形成的环境光图与rgb水下图像保持相同尺寸与相同维度，环境光参数估计网络的损失函数采用平均绝对误差和均方差的加权组合；
23、使用合成的水下图像数据集训练传输图参数估计网络：使用合成水下rgb图像数据和对应的多尺度透射图标签训练透射率估计网络，所述采用平均绝对误差,均方差与多尺度结构相似度量的混合加权作为传输图参数估计网络的损失函数。
24、进一步的，所述步骤：使用训练好的卷积神经网络，且结合水下光学成像物理模型复原水下图像，实现图像的清晰化，具体包括以下步骤：
25、将图像输入环境光参数估计网络，输出rgb三通道环境光矩阵br、bg、bb；
26、将图像输入传输图参数估计网络，输出蓝色通道传输图tb；
27、基于三通道光在水中衰减程度不同的光学特性，由三通道环境光矩阵br、bg、bb和蓝色通道传输图tb计算出绿色通道传输图tg和红色通道传输图tr，具体计算方式如下：
28、
29、基于水下光学成像物理模型：ic(x)＝jc(x)tc(x)+bc(1-tc(x))，结合估计得到的背景光、蓝色通道传输图tb和计算得到的绿色通道传输图tg、红色通道传输图tr，反演计算得到复原图像：jc＝(ic-bc)/tc+bc。
30、一种执行上述的水下结构物缺陷检测方法的检测装置，包括：
31、深水网络摄像头，用于采集水下结构物表面图像数据；
32、嵌入式主板，其内置有深度学习算法用于对图像进行清晰化处理；
33、交换机，用于将所述深水网络摄像头采集水下结构物表面图像数据传输到嵌入式主板内。
34、进一步的，所述检测装置还包括机壳，所述机壳包括相互连接的流线型头部和圆柱形主体，所述嵌入式主板和交换机设置在所述圆柱形主体内部，所述圆柱形主体外部固定有环形固定架用于固定所述深水网络摄像头。
35、相比于现有技术，本专利技术的优点在于：
36、1、本专利技术有效解决现阶段技术手段在复杂水域环境下由于成像质量低导致检测精度不高、检测效率低的问题。
37、2、本专利技术通过使用一种基于卷积神经网络的水下图像复原方法实现采集水下图像数据的清晰化，去除模糊雾效应，校正色偏，提高图像亮度、对比度和清晰度，为进一步的缺陷目标检测与识别提供良好的预处理支持；采用兼顾速度与精度的yolov5目标检测框架进行缺陷目标检测识别任务，并在此基础上对模型进行轻量化，在不损失其检测精度的基础上进一步提高实时检测能力，提高水下机器人的视觉检测能力。
38、3、本专利技术中的检测装置可装载于水下机器人上为其提供视觉系统支持。装置头部能够减小水下运动阻力，主体部分内部搭载的微型以太网交换机模块和基于边缘人工智能模组的主板系统，为视觉深度学习算法在机器人边缘侧实时运行提供支持，增强水下机器人的检测能力和检测效率。
39、4、通过装置集成的基于卷积神经网络的水下图像恢复方法提高采集图像的质量，增强水下机器人视觉能力；通过嵌入式板搭载的深度学习目标检测算法处理多路成像数据，实现缺陷的智能检测与识别，以不依赖复杂水下成像设备的低成本方法解决水下机器人在复杂水域环境中由于采集图像质量低导致检测精度和效率不高的问题。
本文档来自技高网...【技术保护点】
1.一种水下结构物缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水下结构物缺陷检测方法，其特征在于，所述步骤S1中的图像数据为RGB图像数据。
3.根据权利要求2所述的水下结构物缺陷检测方法，其特征在于，所述步骤：使用一种基于卷积神经网络的水下图像复原方法对图像进行清晰化处理，具体包括如下步骤：
4.根据权利要求3所述的水下结构物缺陷检测方法，其特征在于，所述水下光学成像模型的具体模型如下：
5.根据权利要求3所述的水下结构物缺陷检测方法，其特征在于，所述RGB-D深度数据集包括NYU-v2 Depth数据集和Middlebury数据集。
6.根据权利要求3所述的水下结构物缺陷检测方法，其特征在于，所述卷积神经网络包括：
7.根据权利要求6所述的水下结构物缺陷检测方法，其特征在于，所述步骤：使用合成的水下图像数据集训练卷积神经网络，具体包括：
8.根据权利要求7所述的水下结构物缺陷检测方法，其特征在于，所述步骤：使用训练好的卷积神经网络，且结合水下光学成像物理模型复原水下图像，
9.一种执行如权利要求1-8任一项所述的水下结构物缺陷检测方法的检测装置，其特征在于，包括：
10.根据权利要求9所述的检测装置，其特征在于，所述检测装置还包括机壳(4)，所述机壳(4)包括相互连接的流线型头部(40)和圆柱形主体(41)，所述嵌入式主板(2)和交换机(3)设置在所述圆柱形主体(41)内部，所述圆柱形主体(41)外部固定有环形固定架用于固定所述深水网络摄像头(1)。
...【技术特征摘要】
1.一种水下结构物缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水下结构物缺陷检测方法，其特征在于，所述步骤s1中的图像数据为rgb图像数据。
3.根据权利要求2所述的水下结构物缺陷检测方法，其特征在于，所述步骤：使用一种基于卷积神经网络的水下图像复原方法对图像进行清晰化处理，具体包括如下步骤：
4.根据权利要求3所述的水下结构物缺陷检测方法，其特征在于，所述水下光学成像模型的具体模型如下：
5.根据权利要求3所述的水下结构物缺陷检测方法，其特征在于，所述rgb-d深度数据集包括nyu-v2 depth数据集和middlebury数据集。
6.根据权利要求3所述的水下结构物缺陷检测方法，其特征在于，所述卷积神经网络包括：
【专利技术属性】
技术研发人员：黄俊凯，张仲英，魏世峰，
申请(专利权)人：慧芯加苏州智能科技有限公司，
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。