【技术实现步骤摘要】
本专利技术涉及面板坝表面缺陷识别，具体为一种基于全景图像的面板坝表面缺陷识别方法。
技术介绍
1、面板坝作为水利工程的重要组成部分，如何对其进行有效的安全性诊断一直是学界不断探讨的问题，面板坝一直承受着水压、水的冲刷、渗透、侵蚀等，不可避免地会产生裂缝和剥蚀，坝体内裂缝可能会形成集中渗漏通道，恶化面板坝的运行状态，影响坝体的安全，因此对面板坝裂缝的检测极其重要；现今常用的面板坝裂缝识别方法是人工观察法、超声波法和通过卷积神经网络识别等，其中人工观察法耗时耗力，超声波法对于形状比较不规则的或者是非均质材料的检查不够精确，而卷积神经网络方法目前针对水面上方的面板坝表面裂缝识别的很多，但若用于水面下方面板坝裂缝识别的精确度却不能满足要求。
2、现有技术在使用时由于水下光照较弱、水流的波动、水质的差异、透光率、摄像机多介质传播引起的影像畸变等因素的影响，导致采集的影像视觉效果差、精度低、成像模糊等问题，从而影响病害的识别。
技术实现思路
1、解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于全景图像的面板坝表面缺陷识别方法，解决了面板坝表面裂缝检测时精度差和图像不清晰的问题。
3、技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于全景图像的面板坝表面缺陷识别方法，所述识别方法包括以下步骤：
5、s1：标注和训练，所述标注和训练为通过已有的混凝土面板表面和水下的图像，完成图像的标注和训练；>
6、s2：面板缺陷识别，所述面板缺陷识别为根据水下机器人和无人机采集的大量面板表面的图像，通过步骤s1中训练得到的模型，完成面板表面缺陷的识别；
7、s3：图像预处理，所述图像处理为将图像进行滤波和增强处理；
8、s4：全景图像的获取，所述全景图像的获取为对所述区域图像进行拼接融合处理，分别得到裂缝和剥蚀的全景图像；
9、s5：图像二次处理，所述图像二次处理为使用imagej对图像进行二值化，随后选定roi，并对图像中选定的roi进行参数的提取；
10、s6：数据存储，所述数据存储为将提取的面板表面缺陷的相关图像的参数保存到数据库中。
11、优选的，所述标注和训练过程中进一步包括以下步骤：
12、s1a:获取面板坝结构表面的图像数据，将获取的图像数据集分类标记为裂缝、剥蚀和正常三个类型，使用lableimg对图片数据集进行打标签得到txt文件；
13、s1b:从图像数据集中按随机比例划分训练集、测试集和验证集；
14、s1c:调整相应的超参数设定，具体包含训练权重文件、数据集yaml文件、训练轮数、batch-size、输入尺寸，对数据集进行训练得到收敛效果和损失值，获取权重文件；
15、s1d:采用测试集对得到的面板坝结构缺陷检测模型进行测试，评估模型性能；
16、s1e:通过模型性能测试后，得到训练好的面板坝结构缺陷检测模型。
17、优选的，所述图像预处理中对图像进行滤波和增强的过程中，水上部分和水下部分的图像分别采取不同的方式处理，其中水上部分的图像处理方式为：
18、s3a：采用待增强图像对重构图像进行初始化，并设定迭代次数和步长；
19、s3b：对梯度场进行非线性变换，得到调整后的梯度场，其中，梯度变换的表达式为：
20、
21、
22、
23、式中，gx和gy分别是图像在(x,y)点处x方向和y方向上的梯度；
24、s3c：利用迭代步长以及增强后的梯度场对重构图像进行更新；
25、s3d：继续对梯度场和重构图进行更新，直至完成迭代，得到增强后的图像。
26、优选的，所述图像预处理过程中，水下部分图像的处理方式为：
27、s3e：将水下图像划分为低能见度和高能见度两类，形成数据集，将低能见度水下桥墩图片作为输入，将高能见度水下桥墩图片作为标签；
28、s3f：建立深度学习retinexnet网络模型，网络包括分解网络和增强网络两个部分，对步骤s3e中的数据集进行训练，并保存训练好的retinexnet模型；
29、s3g：利用步骤s3f中得到的具有自动增强光照强度能力的卷积神经网络模型，去自动处理低能见度图像，将低能见度的图片处理成高能见度的图片。
30、优选的，所述全景图像的获取中，进一步包括以下步骤：
31、s4a：拼接图像预处理：提取并统计图像集合中各图像的亮度分量信息，并分别对各图像的亮度分量信息进行均衡化；然后通过傅里叶变换将各图像变换到频域内，并采用相位相关算法中的归一化互功率谱的相位信息得到图像间的平移参数，完成对相邻图像间重叠区域的预估算；
32、s4b：图像配准：在各相邻图像间重叠区域内提取sift特征点，然后通过自适应对比度阈值法筛选sift特征点，得到由匹配点对组成的特征描述符；并采用ransac算法计算各相邻图像间的投影变换矩阵；
33、s4c：图像融合：首先根据相邻图像间的投影变换矩阵，对相应图像进行投影变换；然后采用渐入渐出融合算法对各相邻图像的rgb三颜色通道分别进行加权平滑过渡，得到拼接图像；。
34、优选的，所述图像二次处理中使用imagej对图像进行二值化时，具体还包括使用otsu算法进行图像的二值化，使用fillholes填充孔洞以及使用deseckle功能去除图像的噪点。最后对所有缺陷部位都标记为roi。
35、优选的，所述一种基于全景图像的面板坝表面缺陷识别的计算机设备，包括存储器、处理器及其存储在存储器上并可在处理器上运行的计算机程序。
36、有益效果
37、本专利技术提供了一种基于全景图像的面板坝表面缺陷识别方法。具备以下有益效果：
38、本专利技术采用对混凝土表面和水下的图像进行标注训练和缺陷识别的方式，配合算法对采集的图像进行分类和滤波增强处理，建立深度学习的retinexnet网络模型，通过模型配合算法进行图像的拼接融合，并通过imagej对图像进行二值化时并标记，从而实现对缺陷位置的识别和定位，检测数据精准，同时通过对水上水下处理后的图像进行拼接，实现水上水下数据一体化，便于对整个检测区域内的信息进行分析处理，以便宏观把握坝体的缺陷信息。
本文档来自技高网...【技术保护点】
1.一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述识别方法包括以下步骤：
2.根据权利要求1所述的一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述标注和训练过程中进一步包括以下步骤：
3.根据权利要求1所述的一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述图像预处理中对图像进行滤波和增强的过程中，水上部分和水下部分的图像分别采取不同的方式处理，其中水上部分的图像处理方式为：
4.根据权利要求3所述的一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述图像预处理过程中，水下部分图像的处理方式为：
5.根据权利要求1所述的一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述全景图像的获取中，进一步包括以下步骤：
6.根据权利要求1所述的一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述图像二次处理中使用imageJ对图像进行二值化时，具体还包括使用OTSU算法进行图像的二值化，使用fillholes填充孔洞以及使用deSeckle功能去除图像的噪点。最后对所有缺陷部位都标记
7.根据权利要求1-6所述的任意一条一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述一种基于全景图像的面板坝表面缺陷识别的计算机设备，包括存储器、处理器及其存储在存储器上并可在处理器上运行的计算机程序。
...【技术特征摘要】
1.一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述识别方法包括以下步骤：
2.根据权利要求1所述的一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述标注和训练过程中进一步包括以下步骤：
3.根据权利要求1所述的一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述图像预处理中对图像进行滤波和增强的过程中，水上部分和水下部分的图像分别采取不同的方式处理，其中水上部分的图像处理方式为：
4.根据权利要求3所述的一种基于全景图像的面板坝表面缺陷识别方法，其特征在于：所述图像预处理过程中，水下部分图像的处理方式为：
5.根据权利要求1所述的一种基...
【专利技术属性】
技术研发人员：许艺煌，庄坚菱，王涛，
申请(专利权)人：国网新源集团有限公司，
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。