[发明专利]一种基于弱监督深度学习的水下构筑物缺陷检测方法

说明书

本发明公开了一种基于弱监督深度学习的水下构筑物缺陷检测方法，包括以下步骤：S1，以语义信息为标签对输入图像进行弱标注，训练弱监督下的卷积神经网络模型，对正常图像和有缺陷图像进行分类；S2，利用卷积神经网络模型的第三层卷积层信息，实现深度显著性检测算法；S3，根据深度显著性算法的检测结果，进行迭代聚类统一检测算法，训练一个可靠的水下构筑物图像异常点分类器；S4，将迭代聚类统一检测分类器用于水下构筑物图像数据集进行评估测试。本发明提供的一种基于弱监督深度学习的水下构筑物缺陷检测方法，解决了水下构筑物缺陷检测模型难以构建的问题，可以较好地辅助检测人员完成对水下构筑物目标的缺陷检测任务。

技术领域

本发明具体涉及一种基于弱监督深度学习的水下构筑物缺陷检测方法，属于图像处理分析与理解技术领域。

背景技术

随着水利水电建设的发展，越来越多的水利设施被应用在生产生活中。大坝、门槽等水下构筑物容易受到结构应力和水下环境的影响而产生裂缝、腐锈等缺陷。目前基于光学图像的水下成像技术因其较高的分辨率和检测精度被广泛应用于水下检测中。基于深度学习的图像检测方法可以实现对缺陷的自动检测，它根据给定的样本数据集进行训练，得到一个可以完成预期检测效果的模型，应用于图像检测中。然而，传统的深度学习方法大部分需要海量的像素标注数据集来进行训练，水下构筑物缺陷检测过程由于水下复杂环境，以及构筑物缺陷的随机多样很难获取海量标注数据。

发明内容

本发明要解决的技术问题是，克服现有技术的缺陷，提供一种仅需要图像的语义信息作为标注进行训练，能够解决水下构筑物缺陷检测模型难以构建的问题的基于弱监督深度学习的水下构筑物缺陷检测方法。

本发明提出一种基于弱监督深度学习的水下构筑物缺陷检测方法，解决在仅有图像的语义信息作为标签的弱监督训练数据集中，构建一个辅助检测的模型，实现对所获取的水下构筑物图像的语义检测。

为解决上述技术问题，本发明采用的技术方案为：

一种基于弱监督深度学习的水下构筑物缺陷检测方法，其特征在于：包括以下步骤：S1，以语义信息为标签对输入图像进行弱标注，训练弱监督下的卷积神经网络模型，对正常图像和有缺陷图像进行分类；

S2，利用卷积神经网络模型的第三层卷积层信息，实现深度显著性检测算法；

S3，根据深度显著性算法的检测结果，进行迭代聚类统一检测算法，训练一个可靠的水下构筑物图像异常点分类器；

S4，将迭代聚类统一检测分类器用于水下构筑物图像数据集进行评估测试。

S2中深度显著性检测算法步骤如下：

S21，将卷积神经网络模型中卷积层中的第三层t的特征图作为生成显著点的中间图像I^m；

S22，使用最大过滤器查找I^m中的局部最大值，并将其保存到列表L中；

S23，按强度的降序排序L，强度表示为strength(x)，其中x为L中的每一个元素；