[发明专利]基于超像素特征的渠道边坡破坏智能识别方法

说明书

本发明涉及一种基于超像素特征的渠道边坡破坏智能识别方法，包含SLIC超像素分割、超像素特征向量选取和设计、超像素SVM分类模型训练、图像整体边坡状态判别四个步骤，本发明利用图像识别技术，结合无人机巡检，实现了渠道图像数据的自动处理识别，避免了手动处理图像数据时处理效率低，易受人为因素干扰，以及处理结果滞后的缺点，实现工程的快速安全巡检和全覆盖检测，克服了传统安全监测中人工巡检效率低下和监测传感器监测有限断面局限性的弊端。

技术领域

本发明属于水利工程供水安全领域，涉及渠道边坡破坏识别技术，尤其是一种基于超像素特征的渠道边坡破坏智能识别方法。

背景技术

供水渠道的运行安全对于充分发挥工程效益、保障输水质量至关重要。输水渠道边坡土体在冻融循环和干湿循环的交替作用下，极易产生渠坡衬砌开裂、鼓胀和剥落等不同程度的破坏，如不及时处置，坡面土体持续劣化崩解，强度降低，甚至会发生整体边坡失稳，引发滑坡，造成难以估量的经济损失。

长距离渠道人工巡检不便，勘察的效率比较低。现有工程主要通过埋设于土体内的传感器感知结构内部应力变化，以此来识别预测可能的边坡破坏事件。然而，监测传感器一般仅埋设在特定的典型断面，无法对典型断面之外区域的边坡状况进行监控识别，用有限的典型断面的监测结果来表征渠道全线的边坡安全状况，并不具备全面性。

渠道边坡破坏事件的快速识别，有助于及时采取措施防止险情进一步发展、避免次生灾害和控制经济损失。

无人机作为近年来广受关注的新型空中检测平台，具有机动灵活、视野开阔的特点，可用于解决工程巡检、搜救、安全巡视等传统领域的痛点。但对于无人机等采集的图像数据，现有方法仍停留在手动处理的阶段，低效耗时，若能利用图像识别技术从图像资料中智能识别出边坡破坏险情，将能有效克服现有手段的不足。

在土木工程的其他领域，针对混凝土结构表观破坏的图像识别技术仍然存在较多的问题，由于输水渠道结构形式的特殊性，其边坡破坏损伤具有不同于房屋、路桥等结构的外观表现形式，因此，现有的混凝土结构破坏图像识别方法难以直接适用。故有必要针对渠道开发一种能智能快速进行边坡破坏险情识别的方法。

综上所述，针对当前供水渠道边坡破坏问题安全危害严重，人工安全巡检效率低，难以进行实时快速安全诊断的问题，有必要应用图像智能识别技术，研发一种适用于渠道日常运行维护，利用无人机等进行快速巡检完成图像资料采集后，能对图像进行快速智能识别判断渠内边坡破坏情况的方法。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种针对当前供水渠道边坡破坏问题安全危害严重，人工安全巡检效率低，难以进行实时快速安全诊断的问题的基于超像素特征的渠道边坡破坏智能识别方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于超像素特征和图像特征分析，利用支持向量机分类的渠道边坡破坏图像智能识别方法，共包含SLIC(Simple Liner Iterative Clustering，简单线性迭代聚类)超像素分割、超像素特征向量选取和设计、超像素SVM(Support Vector Machine,支持向量机)分类模型训练、图像整体边坡状态判别四个步骤(如图1所示)。

步骤一：SLIC超像素分割

利用无人机航拍图像，搜集构建渠道边坡状态的样本数据集。对于搜集到的渠道边坡破坏图像数据集(包括训练集和测试集)进行SLIC超像素分割，把一幅像素级的图像划分成区域级的图像，对每个超像素的类型(正常/破坏)进行标注。

SLIC算法运行时需要设置超像素数量和紧密度两个参数。选定合适参数对所有图像进行SLIC超像素分割后，再对每个超像素的类型(正常/破坏)进行标注。在输水期，图像内除了正常(或破坏)边坡衬砌外，还存在水体，应当把水体也视为属于正常标签，即：除了破坏的边坡衬砌被标注为“破坏”外，水体和正常的边坡衬砌均被标注为“正常”。