水工结构裂缝检测方法、装置、电子设备及存储介质与流程

本发明涉及图像检测，具体涉及一种水工结构裂缝检测方法、装置、电子设备及存储介质。

背景技术：

1、大坝和水垫塘等水工结构作为水利工程中的关键基础设施，其安全稳定运行至关重要。然而，多种因素如混凝土材料劣化、荷载作用、基础不均匀沉降及长期疲劳服役等，易导致水工结构产生裂缝。这些裂缝不仅可能引发结构性问题，还会加速钢筋腐蚀，破坏混凝土保护层，进一步扩展裂缝，严重影响水工结构的耐久性，因此需要对水工结构的裂缝进行检测。

2、传统的人工裂缝检测方法存在诸多不足，如工作量大、效率低，且易受检测人员主观判断影响，特别是对于复杂裂缝类型如剪切裂缝，容易出现漏检和误判，已难以满足对大规模结构快速准确检测的需求。近年来，基于计算机视觉的自动裂缝检测技术因其高精度、快速分析和自动化处理等优势，受到了广泛关注和研究。但是在背景环境复杂、光照不均以及裂缝细微多样等情况下，传统的图像裂缝检测技术仍然存在裂缝检查精度不足的问题。

技术实现思路

1、鉴于现有技术的上述不足，本发明提供一种水工结构裂缝检测方法、装置、电子设备及存储介质，有效解决裂缝检查精度不足的问题。

2、第一方面，本发明提供一种水工结构裂缝检测方法，所述方法包括：

3、获取水工结构的待检测图像，对所述待检测图像进行粗分割，获得粗分割图像；

4、对所述待检测图像和所述粗分割图像进行特征聚合，获得特征融合图像；

5、采用深度可分离卷积对所述特征融合图像进行特征提取，获得特征提取图像；

6、采用复合注意力机制对所述特征提取图像进行加权，获得特征加权图像；

7、采用激活函数对所述特征加权图像进行特征加强，获得裂缝检测结果。

8、进一步的，所述特征聚合的表达式如下：

9、

10、上式中， fagg表示特征融合结果，表示输入特征图的层数， l表示输入特征图的总层数， fl表示第层的输入特征图， conv1×1表示1×1卷积操作， ul表示将不同分辨率的输入特征图上采样至目标尺寸的操作。

11、进一步的，所述采用深度可分离卷积对所述特征融合图像进行特征提取，包括：

12、对所述特征融合图像在每个通道上进行深度卷积，获得深度卷积结果，所述深度卷积的公式如下：

13、

14、上式中，表示深度卷积输出结果， i和 j分别表示特征图上的行索引和列索引， c表示深度卷积通道， m和 n分别表示深度卷积核的宽和高， k表示偏移总量，表示深度卷积核在偏移量( m, n)且在通道 c上的权重；

15、对所述深度卷积结果进行逐点卷积，所述逐点卷积的公式如下：

16、

17、上式中，表示逐点卷积输出结果， k表示逐点卷积通道，表示深度卷积通道 c与逐点卷积通道 k之间的权重， c表示通道总数。

18、进一步的，所述采用复合注意力机制对所述特征提取图像进行加权，包括：

19、采用通道注意力和空间注意力对所述特征提取图像在空间维度上进行加权，获得初始加权特征图；

20、对所述初始加权特征图进行全局平均池化，并生成自适应权重向量；

21、根据所述自适应权重向量对所述初始加权特征图的通道重要性进行加权。

22、进一步的，所述采用通道注意力和空间注意力对所述特征提取图像在空间维度上进行加权，包括：

23、采用通道注意力对所述特征提取图像进行加权，所述通道注意力进行加权的表达式如下：

24、

25、上式中， mc表示通道注意力权重，表示sigmoid函数，re lu表示非线性激活函数， avgpool( f)表示对输入特征图进行全局最大池化， maxpool( f)表示对输入特征图进行全局平均池化， wc1和 wc2分别表示权重矩阵；

26、采用空间注意力对所述特征提取图像进行加权，所述空间注意力进行加权的表达式如下：

27、

28、上式中， ms表示空间注意力权重， conv7×7表示7×7卷积操作。

29、进一步的，所述根据所述自适应权重向量对所述初始加权特征图的通道重要性进行加权，包括：

30、采用通道注意力对所述通道重要性进行加权，通道注意力进行加权的表达式如下：

31、

32、上式中， mse表示通道重要性权重，表示sigmoid函数，re lu表示非线性激活函数，表示自适应权重向量， wse1和 wse2分别表示权重矩阵。

33、进一步的，所述采用激活函数对所述特征加权图像进行特征加强，包括：

34、采用swish激活函数对所述特征加权图像中的裂缝边缘细节进行加强，获得初始检测图像；

35、采用mish激活函数对所述初始检测图像中的裂缝边缘特征进行收敛。

36、第二方面，本发明提供一种水工结构裂缝检测装置，所述装置包括：

37、图像处理模块，用于获取水工结构的待检测图像，对所述待检测图像进行粗分割，获得粗分割图像；

38、特征聚合模块，用于对所述待检测图像和所述粗分割图像进行特征聚合，获得特征融合图像；

39、特征提取模块，用于采用深度可分离卷积对所述特征融合图像进行特征提取，获得特征提取图像；

40、特征加权模块，用于采用复合注意力机制对所述特征提取图像进行加权，获得特征加权图像；

41、裂缝检测模块，用于采用激活函数对所述特征加权图像进行特征加强，获得裂缝检测结果。

42、第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序实现如本发明第一方面所述的水工结构裂缝检测方法。

43、第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面所述的水工结构裂缝检测方法。

44、本发明提供的水工结构裂缝检测方法、装置、电子设备及存储介质，引入了分层多分辨率特征聚合模块，实现了不同尺度特征的有效融合，以适应多种裂缝尺寸的检测需求。通过计算高效的深度可分离卷积结构，降低计算复杂度，从而支持边缘设备上的实时检测。采用复合注意力机制，能够在复杂背景下更准确地聚焦裂缝区域，有效地抑制背景中的无关特征，同时提升裂缝特征的显著性，在背景复杂的情况下保持较高的检测精度和鲁棒性。在裂缝检测任务中表现出色，不仅在检测精度上具有显著提升，还具备较强的实时性和抗干扰能力，为水工结构的健康监测提供了有力的技术支持。