一种水下大坝表面裂缝识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115953672A(43)申请公布日2023.04.11(21)申请号202310232702.1(22)申请日2023.03.13(71)申请人南昌工程学院地址330000江西省南昌市高新区天祥大道289号(72)发明人郭波王家辉于祯(74)专利代理机构南昌逸辰知识产权代理事务所(普通合伙)36145专利代理师石聪灿(51)Int.Cl.G06V20/05(2022.01)G06V10/42(2022.01)G06V10/44(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书2页说明书9页附图2页(54)发明名称一种水下大坝表面裂缝识别方法(57)摘要本发明提出一种水下大坝表面裂缝识别方法，利用PGGAN模型生成更多的水下大坝表面图像来构造训练数据；将训练数据输入到CNN特征提取器中获取特征，构建训练模型并计算图像组中两图像对的特征空间距离；根据特征空间距离判断图像对是否属于同一类别，将判断结果与预设的特征空间距离相对比，若不属于同一类别，则计算二者之间的损失；将损失回传至训练模型中，并调整训练模型的参数，直至训练模型准确度达到预设值，最后输入需要识别的图像至训练模型中，获得图像是否存在裂缝的判断结果，本申请通过傅里叶变换后的图像可以消除大坝表面杂物的干扰，从而提取特定的裂缝信息，使得检测的准确度增加。CN115953672ACN115953672A权利要求书1/2页1.一种水下大坝表面裂缝识别方法，其特征在于，包括：S1：将拍摄的图像进行预处理，输入水下大坝表面有裂缝和无裂缝的彩色图像，作为母图像，利用PGGAN模型生成更多的水下大坝表面图像；S2：构造训练数据，对生成的图像进行有裂缝图像和有裂缝的图像配对、无裂缝图像和无裂缝图像配对，有裂缝图像和无裂缝图像配对，将图像对做傅里叶变换，获得图像对的频域分布图像的图像对，两图像对构成图像组；S3：将图像组输入到CNN特征提取器中获取特征，构建训练模型并计算图像组中两图像对的特征空间距离；S4：根据特征空间距离判断图像对是否属于同一类别，将判断结果与预设的特征空间距离相对比，若不属于同一类别，则计算二者之间的损失；S5：将损失回传至训练模型中，并调整训练模型的参数，重复步骤S3至步骤S4，直至训练模型准确度达到预设值；S6：对训练模型进行验证，分别输入有裂缝和无裂缝图像的预设数据集到训练模型中进行训练，将训练结果与预设的特征空间距离比对以获得二者的预测准确率，若准确率较低则调整模型参数并重复步骤S3，直到训练模型预测准确率达到预设值；S7：输入需要识别的图像至训练模型中，获得图像是否存在裂缝的判断结果。2.根据权利要求1所述的水下大坝表面裂缝识别方法，其特征在于，在所述利用PGGAN模型生成更多的水下大坝表面图像步骤中，包括：在预先设置的至少一个状态数据参数中，确定母图像和生成图像的状态类型参数；调取需要融合的素材，并转换至相同的状态数据参数；对母图像进行小波分解；确认素材镶嵌在母图像上不同的位置坐标，并将素材融合在图像中；进行小波逆变换，得到生成图像。3.根据权利要求2所述的水下大坝表面裂缝识别方法，其特征在于，所述在预先设置的至少一个状态数据参数中，确定母图像和生成图像的状态类型参数步骤中，所述状态数据参数包括图像分辨率和图像颜色；所述图像分辨率包括：4x4到8x8，……，1024x1024，其中的一种或多种。4.根据权利要求2所述的水下大坝表面裂缝识别方法，其特征在于，在所述对母图像进行小波分解步骤中，包括：对母图像进行水平低通和高通滤波后对图像进行采样，随后对母图像进行垂直低通和高通滤波后进行采样，同时得到母图像的轮廓图像、水平方向细节图像、垂直方向细节图像和对角线方向细节图像。5.根据权利要求2所述的水下大坝表面裂缝识别方法，其特征在于，在匹配素材镶嵌在母图像上的位置信息，并将素材融合在图像中步骤中，包括：若所述素材的位置坐标设于母图像范围内，则采用居中融合的方式；若所述素材的位置坐标设于所述母图像的边缘上，则采用边缘融合的方式；若所述素材的位置坐标部分设于母图像范围内，则采用部分融合的方式。6.根据权利要求2所述的水下大坝表面裂缝识别方法，其特征在于，在所述确认素材镶嵌在母图像上不同的位置坐标，并将素材融合在图像中的步骤内，包括：2CN115953672A权利要求书2/2页采用加权平均算法将素材融合于母图像重合的区域中；在加权平均算法中，素材P融合在母图像Q中，令加权函数W（x）为0到1的单调递减函数，且0≤W（x）≤1，则融合区域的合成图像为R：。7.根据权利要求1所述的水下大坝表面裂缝识别方法，其特征在于，在所述S4步骤中，包括：损失函数的计算过