[發明專利]基于Faster_RCNN的無人機熱紅外圖像堤壩險情檢測方法

有效

• 申請號: 202110682705.6
• 申請日: 2021-06-21
• 公開（公告）號: CN113139528B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 許小華;葉發茂;張秀平;黃萍;高江林;周信文
• 申請（專利權）人: 江西省水利科學院;東華理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南昌豐擇知識產權代理事務所(普通合伙) 36137
• 代理人: 張榮

本發明公開了基于Faster_RCNN的熱紅外圖像堤壩險情檢測方法，使用圖像收集模塊用于采集堤防無人機巡檢取得的圖像數據；使用特征提取模塊將圖像數據進行基本的分類和篩選，剔除無效熱紅外圖像；利用圖像處理模塊對于熱紅外圖像進行識別和標注，確定訓練集與測試集；構建Faster_RCNN模型進行訓練；目標檢測識別模塊利用訓練好的Faster_RCNN模型對堤壩中的險情區域進行檢測，并判斷是否有險情以及確定險情的具體位置、大小及置信度。本發明修改基本Faster_RCNN模型，增強水體的顏色信息的作用，減少池化層，提升小目標檢測性能。本發明相對于傳統的Faster_RCNN目標檢測網絡，識別效率和準確率都更突出；檢測速度快，能夠滿足無人機巡檢堤壩的應用需求。

技術領域

本發明涉及圖像分析檢測技術領域，特別涉及一種基于Faster_RCNN的無人機熱紅外圖像堤壩險情檢測方法，采用改進的Faster_RCNN模型進行目標檢測。

背景技術

堤防工程是防御洪水侵襲的重要屏障，關系到區域人民的生命財產安全和社會經濟發展，堤防險情及時發現和早期處理是洪水防御的關鍵工作，然而險情識別目前仍主要依賴人海戰術實施拉網式排查，人力消耗巨大，危險性大，且易存在漏查，造成堤防安全隱患。堤壩險情檢測是通過計算機自動檢測堤壩尤其在汛期出現的管涌、滲漏等問題。利用人工智能技術對堤壩的熱紅外圖像進行自動分析，對有效防止堤壩險情惡化，人工處理圖像數據多造成的視覺疲勞以及遺漏等有著較高的優化與提升。

堤壩險情的檢測問題實際上是圖像的相似性對比問題，或者稱之為模式識別問題。隨著人工智能技術的快速發展，一些技術人員利用人工智能技術在一些材料的破損方面展開探索實踐，根據裂紋或滲漏的特點，將先進的計算機技術應用于實際的檢測過程中，利用計算機信息處理分析方面的優勢，結合專業人員的建筑知識對險情進行科學的判斷。但堤壩險情識別與其它應用不同，有自身的特點，如目標小，顏色是重要的特征等。如何根據堤防險情問題的特點，將人工智能的強大識別能力應用于實際的堤防險情檢測過程中，提高堤防險情檢測的檢測速度和精度，還有待于研究。

目標檢測問題是一類研究熱點問題。隨著數字圖像技術的發展和實際應用的需要，出現了新的需求是需要將目標的分割和識別合二為一，這就是近20年來發展起來的一門新興技術科學--目標檢測。它綜合了目標的分割與識別，在復雜場景中對多個目標進行實時處理，以代替傳統的人工完成分類，分割，識別的任務為目的。而在堤壩的熱紅外圖像檢測上應用相對較少，堤壩的熱紅外圖像檢測主要采用卷積神經網絡(CNN)模型。

發明內容

本發明的目的是針對現有技術的不足，提供一種基于Faster_RCNN的熱紅外圖像堤壩險情檢測方法，采用Faster_RCNN模型進行目標檢測，速度更快，檢測效率更高，實現了堤壩險情的自動化檢測。

為了實現上述的目的，本發明采用以下技術方案：基于Faster_RCNN的熱紅外圖像堤壩險情檢測方法，采用的系統包括圖像數據收集模塊、特征提取模塊、圖像處理模塊、訓練模塊和目標檢測識別模塊，步驟如下：

S1、圖像數據收集：使用圖像收集模塊用于采集堤防無人機巡檢取得的圖像數據，包含有險情以及無險情的熱紅外圖像；

S2、基礎特征提取：使用特征提取模塊將圖像數據進行基本的分類和篩選，剔除無效熱紅外圖像；

S3、圖像處理：利用圖像處理模塊對于熱紅外圖像進行識別和標注，確定訓練集與測試集；

S4、 Faster_RCNN訓練：先將圖像數據保存，然后利用卷積神經網絡提取輸入的熱紅外圖像的特征，此時將保存的圖像數據與卷積神經網絡提取后的數據進行擬合，然后將數據通過候選區域算法生成對于滲漏檢測的建議框，再將建議框與擬合后的數據相結合，構建Faster_RCNN模型并利用Faster_RCNN模型對圖像數據集進行訓練；