基于深度学习的水下结构表观病害识别方法及系统

本文件涉及水下结构表观病害识别，尤其涉及一种基于深度学习的水下结构表观病害识别方法及系统。

背景技术：

1、近年来，随着经济发展与科技进步，我国建设了大量的如桥梁、大坝、码头等涉水基础设施，其在服役过程中长期承受荷载与环境侵蚀作用，会出现程度不一的损伤，影响结构自身的安全运行和使用寿命，严重者会造成如桥梁坍塌等重大事故。因此，为了保障构筑物的安全，定期对其水下基础进行病害检测是必不可少的一项措施。传统上，水下结构表观病害的判定主要采用人工探摸的方式，该方式不仅存在人身安全隐患，而且只能粗略估计结构表面损伤情况。同时，利用水下相机等设备进行数据采集的过程中，检测结果易受水体浑浊等因素影响，造成病害识别精确度大大下降。近年来，随着计算机视觉与人工智能技术的快速发展，越来越多的智能算法被运用到结构病害检测中来，虽国内外的许多专家学者针对此做了许多研究并取得了一定的成果，但在实际工程的应用过程中效果并不理想。因此，如何将人工智能技术有效地运用到水下结构检测领域，实现复杂水下环境下的结构表观病害的高效与精确检测具有非常重要的工程和经济意义。

2、近年来，深度学习网络在图像处理和目标识别分类方面取得了显著进展，但还是存在一定的局限性，适合复杂水域下模型较少。在水下环境中，由于水介质的散射和吸收以及水流的影响，导致水下图像模糊、雾化、失真及分辨率低等问题，使得水下结构健康检测工作难以开展。将目标识别算法运用于水下结构病害检测中，由于成像设备的影响，造成了在复杂的水域下识别率不高以及分类不准确的问题。现有的水下图像增强处理算法都是基于特定的环境来构建的处理模型，同时普遍存在依赖退化模型及效率低的问题，从而在应用范围及实时性方面受到了限制。因此，找到一种快速有效的方法来对水下图像进行处理，从而获取到信噪比高、清晰度好的图像是十分有必要且迫切的。

技术实现思路

1、本说明书一个或多个实施例提供了一种基于深度学习的水下结构表观病害识别方法及系统，旨在解决上述问题。

2、本发明实施例提供了一种基于深度学习的水下结构表观病害识别方法，包括：

3、s1、根据预设的融合模型与预设的目标识别模型结合生成预先设置的水下结构表观病害识别模型；

4、s2、通过预先设置的水下结构表观病害识别模型对水下表观病害进行识别；

5、其中，预设的融合模型通过改进的cyclegan模型与多尺度retinex算法网络搭建而成，用于将水下图像转换成特征明显且清晰的图像；预设的目标识别模型通过yolov5模型进行获取，用于实现水下结构表观病害的定位与分类。

6、本发明实施例提供了一种基于深度学习的水下结构表观病害识别系统，包括：

7、构建模型模块，用于根据预设的融合模型与预设的目标识别模型结合生成预先设置的水下结构表观病害识别模型；

8、识别模块，用于通过预先设置的水下结构表观病害识别模型对水下表观病害进行识别；

9、其中，预设的融合模型通过改进的cyclegan模型与多尺度retinex算法网络搭建而成，用于将水下图像转换成特征明显且清晰的图像；预设的目标识别模型通过yolov5模型进行获取，用于实现水下结构表观病害的定位与分类。

10、采用本发明实施例，将从复杂水域下采集到的图像数据，先通过图像处理网络来增强病害的可检测性，阶段一实现了cyclegan增强的原始水下图像与多尺度retinex算法还原的物体本质特征图像的权重融合；再通过yolov5目标识别算法达到对复杂水域下水下结构表观病害类型的快速、准确定位与分类的目的。本发明打破了传统方法的局限性，为后期将深度学习算法搭载在水下设备上进行水下结构检测工作提供了支撑和帮助，是对现今水下结构病害检测方法方面一次重大创新和突破。

技术特征：

1.一种基于深度学习的水下结构表观病害识别方法，其特征在于，包括：

2.一种基于深度学习的水下结构表观病害识别方法，其特征在于，所述步骤s1中预先设置的水下结构表观病害识别模型的构建步骤具体包括：

3.根据权利要求2所述的方法，其特征在于，所述步骤s21具体包括：

4.根据权利要求2所述的方法，其特征在于，所述步骤s22中通过所述清水训练集和浑水训练集对改进的cyclegan模型进行训练具体包括：

5.根据权利要求4所述的方法，其特征在于，所述步骤s22中将所述训练好的cyclegan生成器与多尺度retinex算法网络搭建图像生成融合模型具体包括：

6.一种基于深度学习的水下结构表观病害识别模型构建系统，其特征在于，包括：

7.根据权利要求6所述的系统，其特征在于，所述构建模型模块具体包括：

8.根据权利要求7所述的系统，其特征在于，所述实验数据获取子模块具体包括：

9.根据权利要求7所述的系统，其特征在于，所述生成器子模型具体包括：

10.根据权利要求9所述的系统，其特征在于，所述融合子模型具体包括：

技术总结
本发明提供了一种基于深度学习的水下结构表观病害识别方法及系统，其中，方法包括：根据融合模型与目标识别模型结合生成预先设置的水下结构表观病害识别模型；通过预先设置的水下结构表观病害识别模型对水下表观病害进行识别；融合模型通过改进的CycleGAN模型与多尺度Retinex算法(MSR)网络搭建而成，用于将水下图像转换成特征明显且清晰的图像；所述目标识别模型通过YOLOv5模型进行获取，用于实现水下结构表观病害的定位与分类。本申请通过水下结构表观病害识别模型解决复杂水域下相机成像模糊、对比度不足、色散、噪声等因素，导致水下结构表观病害分类不准确、识别准确率低的问题问题。

技术研发人员：叶锡钧,骆堪辉,罗智源
受保护的技术使用者：广州大学
技术研发日：
技术公布日：2024/1/12