[發(fā)明專利]網格梁覆蓋區(qū)域異常檢測方法和裝置

有效

• 申請?zhí)枺?/td>: 201911025801.2
• 申請日: 2019-10-25
• 公開（公告）號: CN110827243B
• 公開（公告）日: 2022-07-05
• 發(fā)明（設計）人: 曾崛;陳壯壯;李堅強;陳杰;王云飛
• 申請（專利權）人: 深圳中科保泰空天技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/187
• 代理公司: 深圳中一聯(lián)合知識產權代理有限公司 44414
• 代理人: 甘東陽

1.一種網格梁覆蓋區(qū)域異常檢測方法，其特征在于，包括：

獲取包括待檢測網格梁覆蓋區(qū)域的圖像；

將所述圖像轉化為目標圖片；

從所述目標圖片中提取多張掩碼圖；其中，所述目標圖片包括至少一個像素部分，掩碼圖數量與所述目標圖片的像素部分數量相等；

對各張所述掩碼圖進行切割，得到掩碼圖像塊；

將各個所述掩碼圖像塊輸入至預先訓練好的卷積神經網絡模型，獲得所述卷積神經網絡模型輸出的表征各個所述掩碼圖像塊屬于網格梁類別的概率值；

根據各個所述掩碼圖像塊的概率值，得到各張所述掩碼圖表征屬于網格梁類別的概率值；

將概率值最大的掩碼圖作為目標掩碼圖；

從所述目標掩碼圖中提取符合預設條件的網格梁圖像塊；

分別計算異常網格梁圖像塊和各個所述網格梁圖像塊的相似度；

根據所述相似度得到所述待檢測網格梁覆蓋區(qū)域的異常檢測結果；

其中，所述將所述圖像轉化為目標圖片，包括：

根據設定的聚類中心數量，對所述圖像使用K-means算法獲得初始點；

使用所述初始點作為聚類中心初始化高斯混合模型的簇中心參數后，再通過最大期望算法調整所述高斯混合模型的簇中心參數，獲得聚類結果，所述聚類結果為所述目標圖片。

2.如權利要求1所述的網格梁覆蓋區(qū)域異常檢測方法，其特征在于，所述從所述目標掩碼圖中提取符合預設條件的網格梁圖像塊，包括：

基于關注區(qū)域的輪廓，通過輪廓提取方法對所述目標掩碼圖中的網格梁區(qū)域進行標注，所述關注區(qū)域的輪廓為網格梁區(qū)域的輪廓；

提取標注的網格梁區(qū)域，得到所述網格梁圖像塊。

3.如權利要求1所述的網格梁覆蓋區(qū)域異常檢測方法，其特征在于，所述方法還包括：

使用形態(tài)學方法對所述目標掩碼圖進行去噪處理；

所述從所述目標掩碼圖中提取符合預設條件的網格梁圖像塊，包括：

從去噪后的目標掩碼圖中提取符合所述預設條件的所述網格梁圖像塊。

4.如權利要求1至3任一項所述的網格梁覆蓋區(qū)域異常檢測方法，其特征在于，所述分別計算異常網格梁圖像塊和各個所述網格梁圖像塊的相似度，包括：

將所述各個所述網格梁圖像塊和所述異常網格梁圖像塊輸入至預先訓練好的深度學習模型，獲得所述深度學習模型輸出的相似度。

5.如權利要求4所述的網格梁覆蓋區(qū)域異常檢測方法，其特征在于，所述根據所述相似度得到所述待檢測網格梁覆蓋區(qū)域的異常檢測結果，包括：

在對相似度超出預設閾值的網格梁圖像塊進行標注之后，將各個網格梁圖像塊按照提取時的位置進行合并，得到表征異常檢測結果的圖片。

6.一種網格梁覆蓋區(qū)域異常檢測裝置，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權利要求1至5任一項所述的網格梁覆蓋區(qū)域異常檢測方法。

7.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權利要求1至5任一項所述的網格梁覆蓋區(qū)域異常檢測方法。