一种适用于复杂水下环境的深度学习大坝裂缝检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114299060A(43)申请公布日2022.04.08(21)申请号202210001115.7(22)申请日2022.01.04(71)申请人东北电力大学地址132012吉林省吉林市长春路169号(72)发明人夏琳琳韩克航张道畅孟德昂张培鑫胡源子(74)专利代理机构西安合创非凡知识产权代理事务所(普通合伙)61248代理人高志永(51)Int.Cl.G06T7/00(2017.01)G06N3/04(2006.01)G06V10/764(2022.01)G06V10/82(2022.01)G06V20/05(2022.01)权利要求书2页说明书8页附图5页(54)发明名称一种适用于复杂水下环境的深度学习大坝裂缝检测方法(57)摘要本发明公开了一种适用于复杂水下环境的深度学习大坝裂缝检测方法，包括以下步骤：对于水下相机采集的图像信息使用MSRCR算法进行图像增强，改善图像的视觉效果，使得改善后图像更适合被神经网络识别；获取裂缝目标图像，对图像中的裂缝目标进行手动标注，形成裂缝数据库；搭建YOLOv5神经网络，进行训练学习，将得到的保存着最佳权重值的文件作为训练网络的输入；将经过MSRCR图像增强后的图片传到YOLOv5神经网络进行训练，按照预先设定好的锚框对图像中的裂缝进行标注。本发明的方法可以有效地改善图像的视觉效果，克服了阴暗的水下环境导致获取的图像信息不利于裂缝识别的问题。CN114299060ACN114299060A权利要求书1/2页1.一种适用于复杂水下环境的深度学习大坝裂缝检测方法，其特征在于，包括以下步骤：S1，对于水下相机采集的图像信息使用MSRCR算法进行图像增强，改善图像的视觉效果，使得改善后图像更适合被神经网络识别；S2，获取裂缝目标图像，对图像中的裂缝目标进行手动标注，此标签作为真实边框，形成裂缝数据库；S3，搭建YOLOv5神经网络，使用YOLOv5神经网络对裂缝数据集进行训练学习，将得到的保存着最佳权重值的文件作为训练网络的输入；S4，将经过MSRCR图像增强后的图片传到YOLOv5神经网络进行训练，按照预先设定好的锚框对图像中的裂缝进行标注，并显示出裂缝类别。2.根据权利要求1所述的大坝裂缝检测方法，其特征在于，所述步骤S1具体为：采用MSRCR增强算法，MSRCR的公式如下表示：其中N是尺度的数量，表示第k个尺度加权时的加权系数，应满足条件：；其中是第k个尺度上的滤波函数：表示第个彩色通道的色彩恢复系数，用来调节红绿蓝三个通道颜色在图像中的比例，表达式如下：其中是增益常数，是取值控制非线性的强度。3.根据权利要求1所述的大坝裂缝检测方法，其特征在于，所述步骤S2还包括：采集复杂水域情况的水下裂缝图像，数量在500张以上；使用MAKESENSE网页进行图片标注，标注后每一张图片对应一个.txt文件，.txt文件内包含标注裂缝的种类以及裂缝所在图像信息；将所有的图片整合在一起得到图片数据库，将所有图像对应的.txt文件整合到一起得到相应的标注信息库。4.根据权利要求1所述的大坝裂缝检测方法，其特征在于，所述步骤S3还包括：在得到关于裂缝的数据集以后，使用YOLOv5神经网络对数据集进行训练；首先对YOLOv5神经网络进行搭建。5.根据权利要求1所述的大坝裂缝检测方法，其特征在于，所述步骤S4具体为：将对数据集的预测得到的高维特征向量、目标真实边框以及裂缝类别标签，加入到构建的训练网络中；将经过MSRCR图像增强过后的图片作为输入进行训练，测试神经网络对大坝裂缝的检测及识别能力；YOLOv5神经网络在预测到裂缝后，首先得到一组坐标，然后根据2CN114299060A权利要求书2/2页该坐标在传入的原图上绘制出预测框，最后显示出带有预测框的裂缝图像，并且判断出图像上裂缝的类别。6.根据权利要求1所述的大坝裂缝检测方法，其特征在于，还包括：所述步骤S1至步骤S4通过水下相机进行图像采集后，进行MSRCR图像增强，得到更为清晰的图片；将增强后的图片传到YOLOv5中进行检测，实时的检测并判断出裂缝类别。3CN114299060A说明书1/8页一种适用于复杂水下环境的深度学习大坝裂缝检测方法技术领域[0001]本发明涉及坝裂缝检测技术，具体涉及一种适用于复杂水下环境的YOLOv5深度学习的大坝裂缝检测方法。背景技术[0002]混凝土应用到大坝领域，很大程度上提高了大坝的安全系数。但是混凝土的开裂，会导致大坝内部金属裸露在水分子浓度极高的环境中，造成内部金属的腐蚀，降低了大坝的使用寿命、抗压能力等，会造成巨大的经济损失，甚至威胁周边居民的生命财产安全。常见的裂缝种类有：表层性裂纹、贯穿性或深层裂纹及龟裂或细微裂痕。不同类型裂缝的