[發(fā)明專(zhuān)利]聚氨酯覆蓋區(qū)域檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910854631.2
• 申請(qǐng)日: 2019-09-10
• 公開(kāi)（公告）號(hào): CN110738634B
• 公開(kāi)（公告）日: 2022-07-29
• 發(fā)明（設(shè)計(jì)）人: 楊宗立;楊寧;樊啟祥;牟榮峰;喬雨;劉迎雨;晁燕安;蔣龍;陳世明;厲向軍;陳偉金;宋波;張五平;張鵬飛;張新宇
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)三峽建設(shè)管理有限公司;浙江大華系統(tǒng)工程有限公司
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06T7/11;G06T7/62;G06N3/04;G06N3/08
• 代理公司: 杭州華進(jìn)聯(lián)浙知識(shí)產(chǎn)權(quán)代理有限公司 33250
• 代理人: 舒丁

1.一種聚氨酯覆蓋區(qū)域檢測(cè)方法，其特征在于，所述方法包括：

獲取大壩上游面的第一圖像；

將所述第一圖像輸入訓(xùn)練完備的聚氨酯檢測(cè)模型中，得到第一目標(biāo)圖像，其中，所述第一目標(biāo)圖像是在所述第一圖像上以矩形框標(biāo)注聚氨酯未覆蓋區(qū)域得到的圖像；所述訓(xùn)練完備的聚氨酯檢測(cè)模型的訓(xùn)練過(guò)程包括：構(gòu)建初始聚氨酯檢測(cè)模型，其中，所述初始聚氨酯檢測(cè)模型包括特征提取網(wǎng)絡(luò)、初始區(qū)域生成網(wǎng)絡(luò)、初始目標(biāo)分類(lèi)和回歸網(wǎng)絡(luò)；獲取圖像訓(xùn)練樣本，其中，所述圖像訓(xùn)練樣本包括：大壩上游面在不同時(shí)間段的多個(gè)第二圖像，以及與所述第二圖像一一對(duì)應(yīng)的多個(gè)真實(shí)目標(biāo)圖像，所述真實(shí)目標(biāo)圖像是在所述第二圖像上以矩形框標(biāo)注聚氨酯未覆蓋區(qū)域得到的圖像；將所述圖像訓(xùn)練樣本輸入到所述特征提取網(wǎng)絡(luò)，得到第二編碼特征圖像；將所述第二編碼特征圖像輸入到所述初始區(qū)域生成網(wǎng)絡(luò)，得到第二候選感興趣區(qū)域集合；從所述第二候選感興趣區(qū)域集合篩選出第二目標(biāo)感興趣區(qū)域集合，將所述第二目標(biāo)感興趣區(qū)域集合映射到所述第二編碼特征圖像中，再經(jīng)過(guò)感興趣區(qū)域池化，得到預(yù)設(shè)大小的第二特征圖像；將所述第二特征圖像輸入到所述初始目標(biāo)分類(lèi)和回歸網(wǎng)絡(luò)，得到第二目標(biāo)圖像；根據(jù)所述初始區(qū)域生成網(wǎng)絡(luò)和所述目標(biāo)分類(lèi)和回歸網(wǎng)絡(luò)的損失函數(shù)，調(diào)整所述初始區(qū)域生成網(wǎng)絡(luò)和所述目標(biāo)分類(lèi)和回歸網(wǎng)絡(luò)的參數(shù)，直至收斂或者訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)次數(shù)，得到所述訓(xùn)練完備的聚氨酯檢測(cè)模型；

根據(jù)所述第一目標(biāo)圖像，確定所述大壩上游面的聚氨酯未覆蓋區(qū)域；

計(jì)算所述大壩上游面的聚氨酯未覆蓋區(qū)域占所述大壩上游面的聚氨酯未覆蓋率；判斷所述聚氨酯未覆蓋率是否大于告警閾值；在判斷結(jié)果為所述聚氨酯未覆蓋率大于所述告警閾值的情況下，發(fā)出告警。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述第一圖像輸入訓(xùn)練完備的聚氨酯檢測(cè)模型中，得到第一目標(biāo)圖像包括：

通過(guò)特征提取網(wǎng)絡(luò)，提取所述第一圖像的第一編碼特征圖像；

通過(guò)訓(xùn)練完備的區(qū)域生成網(wǎng)絡(luò)，根據(jù)所述第一編碼特征圖像，生成第一候選感興趣區(qū)域集合；

從所述第一候選感興趣區(qū)域集合篩選出第一目標(biāo)感興趣區(qū)域集合，將所述第一目標(biāo)感興趣區(qū)域集合映射到所述第一編碼特征圖像中，再經(jīng)過(guò)感興趣區(qū)域池化，得到預(yù)設(shè)大小的第一特征圖像；

通過(guò)訓(xùn)練完備的目標(biāo)分類(lèi)和回歸網(wǎng)絡(luò)，根據(jù)所述第一特征圖像，生成所述第一目標(biāo)圖像。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，從所述第一候選感興趣區(qū)域集合篩選出第一目標(biāo)感興趣區(qū)域集合包括：

選取所述第一候選感興趣區(qū)域集合中的候選感興趣區(qū)域?qū)儆诰郯滨ノ锤采w區(qū)域的概率較高的多個(gè)候選感興趣區(qū)域，組成所述第一目標(biāo)感興趣區(qū)域集合。

4.根據(jù)權(quán)利要求1至3任意一項(xiàng)所述的方法，其特征在于，確定所述大壩上游面的聚氨酯未覆蓋區(qū)域之后還包括：

顯示所述大壩上游面的聚氨酯未覆蓋區(qū)域，和/或，所述大壩上游面的聚氨酯未覆蓋率。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述損失函數(shù)包括：交叉熵?fù)p失函數(shù)，和/或Smooth L1損失函數(shù)。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，根據(jù)所述初始區(qū)域生成網(wǎng)絡(luò)和所述目標(biāo)分類(lèi)和回歸網(wǎng)絡(luò)的損失函數(shù)，調(diào)整所述初始區(qū)域生成網(wǎng)絡(luò)和所述目標(biāo)分類(lèi)和回歸網(wǎng)絡(luò)的參數(shù)包括：

根據(jù)所述交叉熵?fù)p失函數(shù)計(jì)算所述第二候選感興趣區(qū)域相對(duì)于所述真實(shí)目標(biāo)圖像中標(biāo)注的矩形框的第一類(lèi)別損失，以及根據(jù)所述Smooth L1損失函數(shù)計(jì)算所述第二候選感興趣區(qū)域相對(duì)于所述真實(shí)目標(biāo)圖像中標(biāo)注的矩形框的第一坐標(biāo)回歸損失；

根據(jù)所述交叉熵?fù)p失函數(shù)計(jì)算所述第二目標(biāo)圖像中標(biāo)注的矩形框相對(duì)于所述真實(shí)目標(biāo)圖像中標(biāo)注的矩形框的第二類(lèi)別損失，以及根據(jù)所述Smooth L1損失函數(shù)計(jì)算所述第二目標(biāo)圖像中標(biāo)注的矩形框相對(duì)于所述真實(shí)目標(biāo)圖像中標(biāo)注的矩形框的第二坐標(biāo)回歸損失；

疊加所述第一類(lèi)別損失和所述第二類(lèi)別損失得到第三類(lèi)別損失，以及疊加所述第一坐標(biāo)回歸損失和所述第二坐標(biāo)回歸損失得到第三坐標(biāo)回歸損失；

根據(jù)所述第三類(lèi)別損失和所述第三坐標(biāo)回歸損失，調(diào)整所述初始區(qū)域生成網(wǎng)絡(luò)和所述目標(biāo)分類(lèi)和回歸網(wǎng)絡(luò)的參數(shù)。