一种大坝安全检测方法及系统与流程

1.本发明涉及图像处理技术领域，具体涉及一种大坝安全检测方法及系统。


背景技术：

2.大坝由于暴露于空气中，常年承受温度变化、水压、水的冲刷、侵蚀等，其极容易出现裂纹或裂缝，坝体变形、滑坡等问题，影响大坝的运行，也造成了安全隐患，因此，需要经常对大坝进行检测，保障大坝结构的稳定。
3.采用人力巡视的方式来对大坝进行巡视，其能起到一定监控作用，但是对于人来说，耗费大量劳动量且容易存在疏忽，并不能时刻注意到大坝的问题。
4.现有采用雷达设备来对大坝进行检测，发射电磁波，通过反馈电磁波信号获取大坝多段倾斜度数据，通过处理器处理大坝多段倾斜度数据，实现对大坝的检测，但是，采用精度高的雷达设备的成本太高，其并不太适用于大坝等大型建筑。
5.现有采用神经网络等深度学习算法对大坝图像进行处理，但是由于拍摄天气环境不同设备不同，会造成图像成像差异，因此，识别精度较低。


技术实现要素：

6.针对现有技术中的上述不足，本发明提供的一种大坝安全检测方法及系统通过图像采集，去避免使用雷达设备发射电磁波的方式实现大坝检测，同时解决了由于拍摄天气环境不同设备不同，造成图像成像差异，使得识别精度较低的问题。
7.为了达到上述发明目的，本发明采用的技术方案为：一种大坝安全检测方法，包括以下步骤：s1、采集大坝图像；s2、对大坝图像提取图像特征；s3、采用裂纹识别模型处理图像特征，得到大坝的裂纹区域。
8.本发明方法的有益效果为：本发明通过图像采集，去避免使用雷达设备发射电磁波方式实现大坝检测，通过对大坝图像提取图像特征，再采用裂纹识别模型去处理图像特征，避免直接对大坝原始图像进行处理，提高识别的精度。
9.进一步地，所述s2包括以下分步骤：s21、将大坝图像进行剪裁，得到大坝建筑架构图像；s22、将大坝建筑架构图像灰度处理，得到大坝建筑架构灰度图像；s23、根据大坝的结构特征，将大坝建筑架构灰度图像与预存大坝灰度图像进行对齐；s34、根据对齐后的大坝建筑架构灰度图像与预存大坝灰度图像，筛选出图像特征。
10.上述进一步方案的有益效果为：先对大坝图像进行剪裁，提取大坝建筑架构图像，将大坝建筑架构图像灰度处理，降低数据量，将大坝建筑架构灰度图像与预存大坝灰度图
像进行对齐，对齐后便于后续进行同区域分块。
11.进一步地，所述s34包括以下分步骤：s341、将大坝建筑架构灰度图像和预存大坝灰度图像分别划分为多个图像块；s342、将相同位置的大坝建筑架构灰度图像的图像块与预存大坝灰度图像的图像块，构成图像块对；s343、对图像块对中每张图像块取其像素点，并基于像素点的灰度值，计算灰度系数；s345、根据正常灰度系数，对大坝建筑架构灰度图像的所有图像块进行修正，得到修正图像块；s346、将灰度系数异常的修正图像块筛选出来，作为图像特征。
12.上述进一步方案的有益效果为：由于大坝建筑架构灰度图像与预存大坝灰度图像进行了对齐，因此，划分出来图像块对属于大坝的相同位置，对图像块对中每张图像块取其像素点，根据每张图像块灰度值，计算得到成对的两张图像块间的灰度系数，灰度系数表征当前图像块与预存大坝灰度图像的图像块之间由于拍摄天气环境不同设备不同，造成图像成像差异的情况。由于某些大坝结构已经出现裂缝，则使得该图像块的灰度系数明显异常于其他大多数图像块的灰度系数。将少部分灰度系数异常的修正图像块筛选出来，作为图像特征，由于图像特征，已经通过步骤s345采用正常灰度系数，对大坝建筑架构灰度图像的所有图像块进行修正，因此，使得后续输入裂纹识别模型中图像数据尽量排除拍摄天气环境不同设备不同的影响。
13.进一步地，所述s343中计算灰度系数的公式为：其中，为第对图像块对应的灰度系数，为预存大坝灰度图像的第张图像块的第个像素点的灰度值，为大坝建筑架构灰度图像的第张图像块的第个像素点的灰度值，为图像块中的像素点。
14.上述进一步方案的有益效果为：拍摄天气环境不同设备不同的影响是对于整张大坝图像，因此，将大坝图像变为灰度图，通过灰度图灰度值与背景灰度图灰度值的差距，来表征拍摄天气环境不同设备不同的影响程度。
15.进一步地，所述s345中所述正常灰度系数为：在上限灰度系数阈值和下限灰度系数阈值之间的灰度系数。
16.上述进一步方案的有益效果为：出现裂缝的部分图像特征在整个大坝图像中所占比例较小，因此，在分块后，计算出来的灰度系数，大多数是处于同一水平，小部分是处于异常水平，因此，可以设定上限灰度系数阈值和下限灰度系数阈值，去筛选出正常灰度系数。
17.进一步地，所述s346包括以下分步骤：s3461、选择一对图像块，该图像块满足条件：图像块对应修正图像块的灰度值总和与预存大坝灰度图像的图像块的灰度值总和的差值小于设定阈值；s3462、将步骤s3461中差值小于阈值的修正图像块筛选出来，作为中心图像块；
s3463、计算中心图像块的灰度系数与其临近修正图像块的灰度系数的差值；s3464、判断中心图像块的灰度系数与其临近修正图像块的灰度系数的差值绝对值是否大于差值阈值，若是，则将临近修正图像块筛选出来，不参与后续遍历，若否，则跳转至s3465；s3465、任选其中一个临近修正图像块作为下一中心图像块，并跳转至步骤s3463，直到所有修正图像块被遍历完；s3466、将步骤s3464中筛选出来的修正图像块作为图像特征。
18.上述进一步方案的有益效果为：在步骤s3461中须满足选择条件：图像块对应修正图像块的灰度值总和与预存大坝灰度图像的图像块的灰度值总和的差值小于设定阈值，这样选择出来的图像块不包含裂纹特征。在修正后，修正图像块中若无裂缝特征，则同位置的灰度总值与背景图像块的灰度总值的差值是很小的，因此，通过步骤s3461选择出无裂纹特征的修正图像块作为第一张中心图像块，通过中心图像块与其他临近修正图像块的灰度系数进行对比，筛选出与中心图像块的灰度系数相差较大的修正图像块，则这些修正图像块中存在裂缝特征。若其临近修正图像块与中心图像块的灰度系数差不多，则说明临近修正图像块不存在裂缝特征，则可以选择一个不存在裂缝特征的临近修正图像块作为下一个遍历对象，直到找遍所有修正图像块。
19.进一步地，所述s3中裂纹识别模型采用神经网络。
20.进一步地，所述s3包括以下分步骤：s31、将属于同一张大坝图像的所有图像特征进行融合，得到融合特征；s32、将融合特征输入到裂纹识别模型，得到大坝的裂纹区域。
21.上述进一步方案的有益效果为：由于前面将多个图像分成了多个图像块，因此，在步骤s31中将多个图像块进行融合，将属于同一张大坝图像的裂缝特征图像全部通过裂纹识别模型进行识别。
22.进一步地，所述s31中融合特征为：其中，为融合特征，为0和1构成的第一剪裁矩阵，为0和1构成的第剪裁矩阵，为0和1构成的第剪裁矩阵，为哈达玛积，为第一图像特征，为第图像特征，为第图像特征，为图像特征的数量。
23.上述进一步方案的有益效果为：通过第一剪裁矩阵至第剪裁矩阵分别对第一图像特征至第图像特征进行剪裁，得到裂缝融合特征。
24.一种大坝安全检测方法的系统，其特征在于，包括：采集大坝图像单元、图像特征提取单元和裂纹区域识别单元；所述采集大坝图像单元用于采集大坝图像；所述图像特征提取单元用于对大坝图像提取图像特征；所述裂纹区域识别单元用于采用裂纹识别模型处理图像特征，得到大坝的裂纹区域。
25.本发明系统的有益效果为：本发明通过图像采集，去避免使用雷达设备发射电磁
波方式实现大坝检测，通过对大坝图像提取图像特征，再采用裂纹识别模型去处理图像特征，避免直接对大坝原始图像进行处理，提高识别的精度。
附图说明
26.图1为一种大坝安全检测方法的流程图；图2为一种大坝安全检测系统的系统框图。
具体实施方式
27.下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
28.实施例1：如图1所示，一种大坝安全检测方法，包括以下步骤：s1、采集大坝图像；s2、对大坝图像提取图像特征；s3、采用裂纹识别模型处理图像特征，得到大坝的裂纹区域。
29.本发明实施例1的有益效果为：本发明通过图像采集，去避免使用雷达设备发射电磁波方式实现大坝检测，通过对大坝图像提取图像特征，再采用裂纹识别模型去处理图像特征，避免直接对大坝原始图像进行处理，提高识别的精度。
30.实施例2：针对实施例1中的s2包括以下分步骤：s21、将大坝图像进行剪裁，得到大坝建筑架构图像；s22、将大坝建筑架构图像灰度处理，得到大坝建筑架构灰度图像；s23、根据大坝的结构特征，将大坝建筑架构灰度图像与预存大坝灰度图像进行对齐；s34、根据对齐后的大坝建筑架构灰度图像与预存大坝灰度图像，筛选出图像特征。
31.实施例2的有益效果为：先对大坝图像进行剪裁，提取大坝建筑架构图像，将大坝建筑架构图像灰度处理，降低数据量，将大坝建筑架构灰度图像与预存大坝灰度图像进行对齐，对齐后便于后续进行同区域分块。
32.实施例3：针对实施例2中的s34包括以下分步骤：s341、将大坝建筑架构灰度图像和预存大坝灰度图像分别划分为多个图像块；s342、将相同位置的大坝建筑架构灰度图像的图像块与预存大坝灰度图像的图像块，构成图像块对；s343、对图像块对中每张图像块取其像素点，并基于像素点的灰度值，计算灰度系数；s345、根据正常灰度系数，对大坝建筑架构灰度图像的所有图像块进行修正，得到
修正图像块；s346、将灰度系数异常的修正图像块筛选出来，作为图像特征。
33.实施例3的有益效果为：由于大坝建筑架构灰度图像与预存大坝灰度图像进行了对齐，因此，划分出来图像块对属于大坝的相同位置，对图像块对中每张图像块取其像素点，根据每张图像块灰度值，计算得到成对的两张图像块间的灰度系数，灰度系数表征当前图像块与预存大坝灰度图像的图像块之间由于拍摄天气环境不同设备不同，造成图像成像差异的情况。由于某些大坝结构已经出现裂缝，则使得该图像块的灰度系数明显异常于其他大多数图像块的灰度系数。将少部分灰度系数异常的修正图像块筛选出来，作为图像特征，由于图像特征，已经通过步骤s345采用正常灰度系数，对大坝建筑架构灰度图像的所有图像块进行修正，因此，使得后续输入裂纹识别模型中图像数据尽量排除拍摄天气环境不同设备不同的影响。
34.实施例4：针对实施例3中的s343中计算灰度系数的公式为：其中，为第对图像块对应的灰度系数，为预存大坝灰度图像的第张图像块的第个像素点的灰度值，为大坝建筑架构灰度图像的第张图像块的第个像素点的灰度值，为图像块中的像素点。
35.实施例4的有益效果为：拍摄天气环境不同设备不同的影响是对于整张大坝图像，因此，将大坝图像变为灰度图，通过灰度图灰度值与背景灰度图灰度值的差距，来表征拍摄天气环境不同设备不同的影响程度。
36.实施例5：针对实施例3中的s345中所述正常灰度系数为：在上限灰度系数阈值和下限灰度系数阈值之间的灰度系数。
37.实施例5的有益效果为：出现裂缝的部分图像特征在整个大坝图像中所占比例较小，因此，在分块后，计算出来的灰度系数，大多数是处于同一水平，小部分是处于异常水平，因此，可以设定上限灰度系数阈值和下限灰度系数阈值，去筛选出正常灰度系数。
38.实施例6：针对实施例3中的s346包括以下分步骤：s3461、选择一对图像块，该图像块满足条件：图像块对应修正图像块的灰度值总和与预存大坝灰度图像的图像块的灰度值总和的差值小于设定阈值；s3462、将步骤s3461中差值小于阈值的修正图像块筛选出来，作为中心图像块；s3463、计算中心图像块的灰度系数与其临近修正图像块的灰度系数的差值；s3464、判断中心图像块的灰度系数与其临近修正图像块的灰度系数的差值绝对值是否大于差值阈值，若是，则将临近修正图像块筛选出来，不参与后续遍历，若否，则跳转至s3465；s3465、任选其中一个临近修正图像块作为下一中心图像块，并跳转至步骤s3463，
直到所有修正图像块被遍历完；s3466、将步骤s3464中筛选出来的修正图像块作为图像特征。
39.实施例6的有益效果为：在步骤s3461中须满足选择条件：图像块对应修正图像块的灰度值总和与预存大坝灰度图像的图像块的灰度值总和的差值小于设定阈值，这样选择出来的图像块不包含裂纹特征。在修正后，修正图像块中若无裂缝特征，则同位置的灰度总值与背景图像块的灰度总值的差值是很小的，因此，通过步骤s3461选择出无裂纹特征的修正图像块作为第一张中心图像块，通过中心图像块与其他临近修正图像块的灰度系数进行对比，筛选出与中心图像块的灰度系数相差较大的修正图像块，则这些修正图像块中存在裂缝特征。若其临近修正图像块与中心图像块的灰度系数差不多，则说明临近修正图像块不存在裂缝特征，则可以选择一个不存在裂缝特征的临近修正图像块作为下一个遍历对象，直到找遍所有修正图像块。
40.针对上述实施例1~6，s3中裂纹识别模型采用神经网络。
41.实施例7：针对实施例1中的s3包括以下分步骤：s31、将属于同一张大坝图像的所有图像特征进行融合，得到融合特征；s32、将融合特征输入到裂纹识别模型，得到大坝的裂纹区域。
42.实施例7的有益效果为：由于前面将多个图像分成了多个图像块，因此，在步骤s31中将多个图像块进行融合，将属于同一张大坝图像的裂缝特征图像全部通过裂纹识别模型进行识别。
43.实施例8：针对实施例7中的s31中融合特征为：其中，为融合特征，为0和1构成的第一剪裁矩阵，为0和1构成的第剪裁矩阵，为0和1构成的第剪裁矩阵，为哈达玛积，为第一图像特征，为第图像特征，为第图像特征，为图像特征的数量。
44.实施例8的有益效果为：通过第一剪裁矩阵至第剪裁矩阵分别对第一图像特征至第图像特征进行剪裁，得到裂缝融合特征。
45.实施例9：针对上述实施例1~8，所述裂纹识别模型的损失函数为：其中，为损失函数，为裂纹识别模型的输出，为裂纹识别模型的输出对应的期望输出，为交集，为并集，为第一权重系数，为第二权重系数，为裂纹识别模型的输出的几何中心点的横坐标，为期望输出的几何中心点的横坐标，为裂纹识别模型的输出的几何中心点的纵坐标，为期望输出的几何中心点的纵坐标，为裂纹识别模
型的输出上最远点与对应期望输出最远点之间的距离。
46.实施例9的有益效果为：通过裂纹识别模型的输出与期望输出的交集，与输出与期望输出的并集的比值，来衡量输出与期望输出的差距，同时，通过裂纹识别模型的输出的几何中心点与期望的几何中心点来衡量图像之间的距离，通过这两方面的损失情况衡量整体的损失情况。
47.实施例10：针对实施例1~9，如图2所示，提供一种大坝安全检测方法的系统，包括：采集大坝图像单元、图像特征提取单元和裂纹区域识别单元；所述采集大坝图像单元用于采集大坝图像；所述图像特征提取单元用于对大坝图像提取图像特征；所述裂纹区域识别单元用于采用裂纹识别模型处理图像特征，得到大坝的裂纹区域。
48.实施例10的有益效果为：本发明通过图像采集，去避免使用雷达设备发射电磁波方式实现大坝检测，通过对大坝图像提取图像特征，再采用裂纹识别模型去处理图像特征，避免直接对大坝原始图像进行处理，提高识别的精度。