[发明专利]一种基于无人机的水坝周边异常监测方法与装置

权利要求书

1.一种基于无人机的水坝周边异常监测方法，其特征在于，具体步骤如下：

步骤一、无人机搭载高清摄像装置，按特定轨迹和特定高度飞行，对水坝进行巡检，采集指定位置图像，并对采集的图像按照水坝异常情况分类整理；

步骤二、将分类好的每类图像数据分别划分为训练集和测试集，并对训练集进行预处理；

步骤三、针对每类预处理后的训练集图像，利用VGG网络进行卷积神经网络的多尺度融合，训练分类模型并将该类的测试集输入分类模型得到分类结果；

VGG网络包含十六个卷积层，十六个池化层，三个全连接层和一个softmax层；每个卷积层后面分别连接一个池化层；

具体过程如下：

步骤301，针对某类训练集图像，将3个不同尺度的预处理图片分别输入3个VGG网络模型，经过各自VGG网络的全部卷积层和池化层后，得到了3个统一尺寸为W*H*C的特征图；

W是特征图的长，H是特征图的宽，C是通道数；

步骤302，将统一尺寸为W*H*C的3个特征图使用通道拼接法进行特征融合，得到融合后的尺寸为W*H*3C的特征图；

融合后的多尺度特征图F为：F＝Concatenate(F₁,F₂,F₃)；F₁,F₂,F₃分别是3个不同尺度的预处理图片分别输入3个VGG网络模型后得到的统一尺寸为W*H*C的特征；

步骤303，将融合后的尺寸为W*H*3C的特征图使用1*1的卷积核减小通道数，变成W*H*C的特征图；

步骤304，将卷积后的W*H*C的特征图送入VGG网络模型的全连接层，再通过softmax层，得到这3个预处理图片所属的一个分类结果；

步骤305、返回步骤301，依次选取训练集中的3个数据进行训练得到分类结果，重复训练分类模型；

步骤306、用分类模型对该类图像数据的测试集进行测试，得到测试集的最终分类结果；

步骤四、对每类测试集的最终分类结果，标记异常位置的特征点；并将标记了特征点的图像再次划分训练集和测试集；

步骤五、针对某类标记了特征点的训练集图像，使用去掉全连接层和softmax的VGG网络进行分类模型的训练；

具体为：首先，将某个训练集图片输入到去掉全连接层和softmax的VGG网络中，经过所有卷积层后得到W*H*C的特征图；

然后，将该W*H*C的特征图沿通道维度进行池化操作，得到W*H的特征图；

进而，将W*H的特征图的二维数据拉伸成W*H的一维数据，并通过包含十六个卷积层，十六个池化层，三个全连接层和一个softmax层的VGG网络，输出该张训练集图片上K个特征点的2K个坐标数据；

每个特征点的位置由x轴，y轴两个数据表示；

最后，继续选取该训练集中的下一个图片，输入去掉全连接层和softmax的VGG网络中重复上述步骤，得到该训练集图片中各个特征点的坐标数据；依次对分类模型进行训练；

步骤六、将标记了特征点的测试集输入分类模型中，对每个图像中各个特征点进行异常情况的定位。

2.如权利要求1所述的一种基于无人机的水坝周边异常监测方法，其特征在于，步骤一中所述的分类整理包括：迎水面大坝附近水面有否旋涡为一个类别，大坝附近及溢洪道两侧山体岩石有否错动或出现新裂缝为一个类别，进水段有无坍塌、崩岸、淤堵为一个类别，近水面有无冒泡、变浑为一个类别，溢洪道有无冲刷或砂石、杂物堆积为一个类别，坝趾近区有无阴湿、渗水为一个类别，依次进行分类整理数据。

3.如权利要求1所述的一种基于无人机的水坝周边异常监测方法，其特征在于，步骤二中所述的训练集和测试集的划分为：选分类好的图像数据中80％做训练集，20％做测试集。

4.如权利要求1所述的一种基于无人机的水坝周边异常监测方法，其特征在于，步骤二中所述的预处理包括：通过旋转从已有数据中创造出新的训练集；

旋转变换是指：将训练集中的每张图像都随机旋转一定的角度，保留旋转前和旋转后的图片，将数据集扩大2倍。