【技术实现步骤摘要】
本专利技术属于语义分割领域，具体涉及一种基于边缘信息融合的混凝土大坝裂缝分割方法和系统。
技术介绍
1、水利大坝的健康状况直接涉及到周边居民的生活安全。在大坝结构健康监测中，裂缝分割是一个关键的环节，在实际应用中，采用监控画面、遥感图像、卫星数据以及先进的图像处理和机器学习算法，可以提高水利大坝分割技术的准确性，从而更好地保障水利工程的安全和可持续运行。然而，传统的裂缝分割方法在处理真实场景下的大坝图像时往往存在难以区分背景、裂缝断裂等问题，而当下流行的大模型技术通常需要大量的计算资源，导致处理速度慢，尤其是对于高分辨率图像，一定程度上影响了监测的实时性。因此，一个参数相对较少，能够充分聚合裂缝信息以达到提高准确性的裂缝分割方法是必需的。
2、已有的大坝裂缝分割方法往往是通用的，例如经典的u-net分割网络，其网络架构中主要包含了一个编码器(下采样路径)和一个解码器(上采样路径)，形状呈u型，因此得名u-net。u-net最初于2015年提出，用于生物医学图像分割，后来在此基础架构上又产生了众多变体，并且在各个领域都取得了成功。后来随着注意力机制的提出，出现了在自然语言处理(natural language process，nlp)领域大放异彩的transformer结构，很快也拓展到图像领域，提出了vision transformer(vit)架构。而vit由于缺乏图像的先验信息，在密集预测任务上的性能较差，往往需要大量训练数据。而水利大坝的裂缝图像采集难度大，标注需要专家进行指导，耗费大量人力物力，因此大坝相关的
3、通用图像分割方法在许多领域获取了不错的效果，但在大坝图像上仍然存在一定问题。首先裂缝与背景存在强烈的样本不均衡问题，传统的图像分割方法在提取图像特征时难以区分样本的重要程度，裂缝的特征是单一的，而背景的特征是丰富的，模型可能存在更加关注背景的问题，而出现误判、精度不高等问题。同时大坝图像数据集数量目前仍然较为有限，在需要大量训练数据的模型上难以达到预计的效果，往往导致裂缝分割结果较为宽泛、不够准确等问题。本专利技术中，在传统的u-net分割网络中融合了边界信息，利用边界信息辅助模型更好地整合特征表示，获取了更多的裂缝定位，方向等信息，有效提高了模型的拟合速度，解决了裂缝分割误判、精度不高等问题。
技术实现思路
1、本专利技术旨在解决目前通用的图像分割网络在水利大坝图像上无法有效整合特征信息的问题，针对此，提供一种基于边缘信息融合的混凝土大坝裂缝分割方法和系统。
2、本专利技术利用一个提取裂缝边界特征模块指导模型的训练方向，使模型更快拟合到全局最优点，同时使用一个融合模块将裂缝的边界特征与图像特征进行融合，使模型更加关注于前景裂缝区域而非背景区域，获得更准确的特征表示方式，提高检测精度，减少漏检情况，从而提升模型的整体性能。
3、本专利技术的第一个方面涉及基于边缘信息融合的混凝土大坝裂缝分割方法，包括如下步骤：
4、1.预处理水利大坝图像，去除图像阴影区域并降噪，通过灰度线性拉伸增强图像对比度；
5、1)图像阴影处理；
6、输入一张混凝土大坝裂缝图像，获得其灰度图i(一般灰度为0-255)，随后基于灰度图将影像划分为类似海拔等高图的亮度等高图，一共划分l级，设定1-l1级为阴影区域(l1＜l)，计算出背景区域(即非阴影区域)的灰度均值bmean与灰度标准差bstd。遍历阴影区域，计算每个区域的灰度均值smean与灰度标准差sstd，代入下列公式获得去除阴影后的图像i′，
7、
8、
9、i′i，j＝α*ii，j+λ (3)
10、2)抑制图像噪声；
11、首先使用小波变换对图像i′进行分解，得到低频分量(近似系数)和高频分量(细节系数)x(j，k)，其中ψj，k(n)是小波基函数，具体使用haar小波基函数，
12、
13、然后对细节系数进行阈值处理，将较小的细节系数置零。这是因为噪声通常表现为较小的细节，而真实信号则主要体现在较大的细节系数上，y(j，k)是处理后的细节系数，t是阈值。
14、
15、最后使用逆小波变换将处理后的低频分量和细节系数合成为去噪后的图像：
16、
17、其中，是去噪后的图像。
18、3)灰度线性拉伸；
19、找到图像中的最小和最大灰度值，即和将原始图像中的每个像素值映射到新的像素值映射方式如公式所示，其中l是新的灰度级别，
20、
21、2.图像特征编码；使用级联结构逐步提取图像特征获取高维语义信息，压缩特征图大小，编码混凝土大坝裂缝特征；
22、对初始输入进行卷积得到语义特征c，第一层的输入为预处理后的图像，随后应用非线性激活函数得到特征a，然后使用最大池化操作减小特征图的尺寸得到特征p，分别进入步骤3和步骤4，并将p作为下一层级的输入重复上述过程：
23、
24、其中i表示层次的索引。
25、3.提取裂缝边界特征；使用门控卷积过滤图像的输入像素得到有效信息像素点，级联连接图像特征编码模块获取不同分辨率下裂缝的边界特征；
26、利用步骤2得到的特征在特征空间的每个通道下提供可学习的动态特征选择模块，具体使用门控机制，包括一个更新门z和一个重置门r：
27、
28、其中，σ是sigmoid激活函数，xi是输入序列中的第i个元素，wz，uz，bz分别是更新门的权重、上一个隐藏状态的权重和偏置，wr，ur，br分别是重置门的权重、上一个隐藏状态的权重和偏置。然后使用重置门r来更新候选隐藏状态hi′，⊙表示逐元素相乘，
29、h′i＝tanh(wh·xi+uh·(r⊙hi-1)+bh) (10)
30、再接着使用更新门z来整合新的隐藏状态hi和上一个隐藏状态hi-1，
31、hi＝z⊙h′i+(1-z)⊙hi-1 (11)
32、这一步允许网络选择性地保留先前的信息或者整合新的信息，从而传递了序列数据中的依赖关系，最后计算经过门控模块获取的边界特征与裂缝边界间的损失值，为模型添加正则化效果：
33、
34、其中，pi是模型对第i个类别的预测概率，yi是第i个类别的真实标签，γ是调整因子，同时将边界特征输入到步骤4。
35、4.特征与边界特征融合；获取大坝图像特征和裂缝边界特征两个特征，首先进行特征融合获取更为精确的特征表示，随后将特征图不断向上一层级传递，恢复特征图大小，获取大坝图像的裂缝分割结果；
36、将输入特征在通道维度上串联在一起形成新的特征concatenation＝concat(x1本文档来自技高网...
【技术保护点】
1.基于边缘信息融合的混凝土大坝裂缝分割方法，包括以下步骤：
2.如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割方法，其特征在于：步骤1包括：
3.如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割方法，其特征在于：步骤2包括：
4.如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割方法，其特征在于：步骤3包括：
5.如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割方法，其特征在于：步骤4包括：
6.如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割方法，其特征在于：步骤5包括：根据步骤4获得的裂缝分割结果确定裂缝的宽泛区域M，根据该区域从图像中划分出图像裂缝区域MI，并将多余的区域用背景色白色像素进行填充获得最终处理完成的图像IM。然后在一定区域内计算平均阈值，该阈值由每个像素点的邻域像素加权平均(高斯均值)计算得到：
7.实现如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割的系统，其特征在于，包括：
8.基于边缘信息融合的混凝土大坝裂缝分割装置，其特征在于，包括
9.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-3中任一项所述的基于边缘信息融合的混凝土大坝裂缝分割方法。
...【技术特征摘要】
1.基于边缘信息融合的混凝土大坝裂缝分割方法，包括以下步骤：
2.如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割方法，其特征在于：步骤1包括：
3.如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割方法，其特征在于：步骤2包括：
4.如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割方法，其特征在于：步骤3包括：
5.如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割方法，其特征在于：步骤4包括：
6.如权利要求1所述的基于边缘信息融合的混凝土大坝裂缝分割方法，其特征在于：步骤5包括：根据步骤4获得的裂缝分割结果确定裂缝的宽泛区域m，根据该区域从图像中划分出图像裂缝区域mi，并将多...
【专利技术属性】
技术研发人员：孙辅庭，龚士林，黄维，王佳，刘西军，田振宇，李倩，孙立，宋明黎，
申请(专利权)人：中国电建集团华东勘测设计研究院有限公司，
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。