[发明专利]一种大型密闭空间缺陷识别方法、装置及介质

权利要求书

1.一种大型密闭空间缺陷识别方法，其特征在于，包括：

对预定检测区域分别进行可见光图像采集以及偏振光图像采集，得到所述预定检测区域的可见光图像以及偏振光图像；

利用多层卷积神经网络对所述可见光图像进行特征提取，并在所述多层卷积神经网络的多个预定层进行输出，得到多个待融合可见光图像特征；

对所述偏振光图像进行小波分解，并提取处理得到不同波段的与每个所述待融合可见光图像特征一一对应的多个待融合偏振光图像特征；

将每个所述待融合可见光图像特征，与对应的所述待融合偏振光图像特征进行融合，得到所述预定检测区域的多个待识别融合图像特征；以及

利用缺陷识别神经网络模型对所述多个待识别融合图像特征进行缺陷识别，得到所述预定检测区域的缺陷信息。

2.根据权利要求1所述的大型密闭空间缺陷识别方法，其特征在于，还包括：

分别利用所述多层卷积神经网络对所述预定检测区域的所述无缺陷可见光图像以及所述有缺陷可见光图像进行特征提取，并分别在相应所述多层卷积神经网络的多个预定层进行输出，得到多个待融合无缺陷可见光图像特征以及多个待融合有缺陷可见光特征；

分别对所述预定检测区域的所述无缺陷偏振光图像以及所述有缺陷偏振光图像进行小波分解，并提取处理得到不同波段与每个所述待融合无缺陷可见光图像特征一一对应的待融合无缺陷偏正光图像特征，以及与每个所述待融合有缺陷可见光特征一一对应的待融合有缺陷偏正光图像特征；

将每个所述待融合无缺陷可见光图像特征与对应的所述待融合无缺陷偏正光图像特征进行融合得到所述预定检测区域的多个无缺陷融合图像特征，并将每个所述待融合有缺陷可见光特征与对应的所述待融合有缺陷偏正光图像特征进行融合得到所述预定检测区域的多个有缺陷融合图像特征；以及

利用所述无缺陷融合特征以及所述有缺陷融合特征对神经网络模型进行训练，得到缺陷识别神经网络模型。

3.根据权利要求1所述的大型密闭空间缺陷识别方法，其特征在于，

所述对大型密闭空间的预定检测区域进行可见光图像采集的过程包括：根据预设的标准光强以及光强传感器实时检测到的所述预定检测区域的可见光光强，对所述预定检测区域进行可见光自适应补光，使得所述预定检测区域可见光光强一致；

所述对大型密闭空间的预定检测区域偏振光图像采集的过程包括：根据预设的标准偏振度和标准偏振角，以及光强传感器实时检测到所述预定检测区域的通过放置在垂直光传播方向上偏振片的偏振光的光强，对所述偏振光的偏振度以及偏振角进行自适应调整，使得所述监测区域的所述偏振光频域特性一致。

4.根据权利要求1所述的大型密闭空间缺陷识别方法，其特征在于，所述多层卷积神经网络为N层卷积神经网络，所述在所述多层卷积神经网络的多个预定层进行输出，得到多个待融合可见光图像特征的过程包括：

分别在所述多层卷积神经网络的第|(1/3)N|、第|(2/3)N|、第N-1层取输出，得到所述可见光图像的待融合低维可见光图像特征、待融合中维可见光图像特征以及待融合高维可见光图像特征，N为大于3的整数。

5.根据权利要求4所述的大型密闭空间缺陷识别方法，其特征在于，所述对所述偏振光图像进行小波分解，并提取处理得到不同波段的与每个所述待融合可见光图像特征一一对应的多个待融合偏振光图像特征的过程包括：

对所述偏振光图像进行小波分解，并提取分别与所述待融合低维可见光图像特征对应的短波波段的高频偏振光图像特征，与所述待融合中维可见光图像特征对应的中波波段的中频偏振光图像特征，以及与所述待融合高维可见光图像特征对应的长波波段的低频偏振光图像特征；

利用卷积池化方法将所述高频偏振光图像特征、所述中频偏振光图像特征以及所述低频偏振光图像特征的尺寸，调整为与所述待融合低维可见光图像特征、所述待融合中维可见光图像特征以及所述待融合高维可见光图像特征的尺寸对应一致，得到待融合高频偏振光图像特征、待融合中频偏振光图像特征以及待融合低频偏振光图像特征。