[发明专利]一种水坝斜坡裂缝检测方法及仿生壁虎爬行检测装置

说明书

本发明公开了一种水坝斜坡裂缝检测方法和仿生壁虎爬行检测装置。该方法首先训练神经网络，然后采用训练好的u‑net神经网络，对实时采集的水坝裂缝图像进行检测，准确分割图像中的裂缝与背景杂物。在对倾斜水坝进行裂缝检测时，采用仿生壁虎爬行检测装置，该检测装置包括机身、行走仿生机构、摄像机夹持机构和光源照明系统。本发明通过神经网络和双目视觉检测系统可以很好地检测倾斜水坝裂缝，包括裂缝宽度、裂缝深度等信息，检测精度高，而且通过行走仿生机构使得检测装置能够很稳定的在倾斜水坝上行走和检测。

技术领域

本发明涉及检测领域，特别涉及一种基于深度学习的水坝斜坡裂缝检测方法及仿生壁虎爬行检测装置。

背景技术

水坝是拦截江河渠道水流以抬高水位或调节流量的挡水建筑物，若出现裂缝，会影响水坝斜面的稳定性以及大坝的安全。目前水坝裂缝的检测，一般是专业人员采用裂缝测深仪和裂缝测宽仪定期去水坝上检测，然后由专业人员根据经验来判断裂缝的危险等级。但是，水坝一般都有倾斜度，人工检测比较危险、费时费力，难以进行实时检测，而且人工检测容易出现漏判、误判的现象。目前深度学习方法已应用于图像处理领域，因此可以将深度学习用于水坝斜坡裂缝检测，以提高检测的准确度。

发明内容

本发明的目的在于克服现有技术中存在的缺点，提供一种准确度高、实时检测、成本低的基于深度学习的水坝斜坡裂缝检测方法，是基于U-net网络，根据CCD工业相机传回来的图像，实时检测水坝是否有裂缝，判断其危险程度，从而判断水坝是否需要修补。

本发明的另一目的在于提供一种采用上述水坝斜坡裂缝检测方法的仿生壁虎爬行检测装置。

本发明的目的通过下述技术方案实现：

一种基于深度学习的水坝斜坡裂缝检测方法，包括下述步骤：

(1)训练神经网络：由于水坝裂缝的图像包括裂缝和背景杂物，而且裂缝在图像中的占比一般只有2～6％，因此无法直接使用U-net神经网络进行检测，需要先改进损失函数，再对U-net神经网络进行训练：

1-1.准备神经网络的训练集和测试集：深度学习训练需要大量的样本，有两种解决办法：一种是获得新的数据，但这种方法比较麻烦，需要大量的成本，而且水坝裂缝的样本数据比较少；另一种是对已有数据进行增强，即将已有数据进行翻转、平移或旋转，创造出更多的数据，使得神经网络具有更好的泛化效果；本发明采用第二种方法，先用CCD工业相机采集水坝斜坡的实时图像，得到1000张以上的裂缝图像，并对采集的图像进行预处理；然后将其中60～80％的图像作为训练集用于网络训练，另外20～40％的图像作为测试集用于网络测试；

1-2.调整神经网络的参数：通过对U-net神经网络的参数进行调整，使U-net神经网络能够适应裂缝图像，从而准确地分割裂缝和背景杂物；

1-3.测试：用1-1步骤获得的测试集来测试U-net神经网络的训练结果，通过均交并比MIOU和Dice系数进行评估；

(2)采用训练好的u-net神经网络，对实时采集的水坝裂缝图像进行检测，准确分割图像中的裂缝与背景杂物：

2-1.摄像机标定：把摄像机对准一个具有很多独立可标识点的已知结构，获取标定图像，然后通过OpenCV的内置函数求出摄像机的内部参数和外部参数，其中内部参数包括旋转矩阵R和平移向量T；

2-2.对图像进行矫正：左右摄像机拍摄获得水坝裂缝实时的左右图像；然后根据2-1步骤获得的旋转矩阵R和平移向量T，对实时的左右图像进行校正，得到矫正后的左右图像；

2-3.采用训练好的u-net神经网络，准确分割矫正后的左右图像中的裂缝与背景杂物，得到左右图像的裂缝特征信息；

2-4.立体匹配：将左右图像的裂缝特征信息进行匹配，分析特征之间的偏差即视差，得到视差图；