江苏龙网

  1. 首页 > 人文 > >

小镇的夕阳|智能检测坝面缺陷

_本文原题
基于迁移学习的坝面表观缺陷智能检测方法研究
摘要
针对常规缺陷检测方法难适用于复杂环境下的坝面表观缺陷检测的问题,提出了一种基于迁移学习的坝面表观缺陷智能检测方法,主要解决坝面缺陷的识别与分类问题 。 该检测方法主要包括三个部分:首先采用图像预处理对多旋翼无人机采集到的原始图像数据进行数据扩充和特征突显;然后运用迁移学习方法将Inception-v3网络模型作为预训练模型,训练处理过后的缺陷数据,得到坝面缺陷检测模型;最后构建全连接分类网络并利用检测模型对测试集数据进行分类测试 。 试验结果显示:该检测方法仅耗时28 min就完成了对约33 000张缺陷数据的训练与测试,并对混凝土坝面存在的裂缝、漏筋、渗水和脱落四种缺陷的分类正确率达到了96% 。 结果表明,该检测方法能够实现对坝面缺陷精确且快速的识别和分类,能够为坝面后期的风险评估和维护提供有力的数据支撑,具有一定的工程意义 。
关键词
迁移学习; 卷积神经网络; 图像预处理; 混凝土缺陷; 缺陷检测;
作者简介
陈波(1994—),男,硕士研究生,研究方向为图像处理、深度学习、混凝土缺陷检测 。 E-mail:m18380502020_1@163.com;
基金
国家“十三五”核能开发科研项目资助(20161295)； 四川省科技计划资助项目(2018JZ0001)； 四川省科技计划资助项目(2019YFG0144)； 中国大唐集团公司科学技术项目(CDT-TZK/SYD[2018]-010)；
引用
陈波 ， 张华 ， 王姮 ， 等 . 基于迁移学习的坝面表观缺陷智能检测方法研究［J］. 水利水电技术
2020 ， 51( 4) : 106-112. CHEN Bo ， ZHANG Hua ， WANG Heng ， et al. Transfer learning-based study on method of intelligent detection of dam surface apparent defect ［J］. Water Resources and Hydropower Engineering ， 2020 ， 51( 4) : 106-112.
小镇的夕阳|智能检测坝面缺陷图1 系统检测流程
0 引 言大坝等水利枢纽基础设施的正常运行是保障民生质量、发展经济的重要因素之一 。 因此,水利枢纽基础设施的定期检测和维护成为了保障水利 工程可持续发展中必不可少的一环,也成为了目前工程师们面临的主要挑战。
传统的缺陷检测方法如超声波探测、电法勘探等由于坝面复杂环境带来的干扰,导致对缺陷的检测精度和效率都相对较低。 目前,以计算 机视觉和机器学习为基础的缺陷检测方法已成为图像处理领域的研究热点,涌现了大量优秀的检测算法。 文献[ 9 ]提出了基于主动学习的方 法检测混凝土裂缝,该方法引入人工专家系统对较难分辨的数据样本进行重新标注,并再次送入到网络中训练提高了裂缝的识别精度 。 文献[ 10 ]提出 了一种全自动的表面缺陷检测方法,该方法通过对原始图片的特征提取,将提取得到的复杂特征分层喂入卷积神经网络来构建高级特征,最后采用多 层感知器来对缺陷进行检测与分类 。 但是,直接采用机器学习的方法通常会引入大量待训练参数,导致计算成本增加,并且对于背景比较复杂的环境 也有一定的局限性 。 本文通过将图像预处理和迁移学习相结合,克服了复杂环境带来的干扰,并极大降低了计算成本,实现了对缺陷精确且快速的识 别与分类 。
1 整体方案设计针对本研究的应用场景和现存的共性问题,本文提出了一种基于迁移学习的坝面表观缺陷检测方法 。 该缺陷检测方法首先对来自单目相机的原 始输入图像进行图像预处理操作,一方面通过翻转、颜色明暗、裁剪等操作扩充原始数据集;另一方面通过边缘检测算法和频率域特征对数据进行预 处理操作,达到突出显示缺陷特征、降低噪声的作用,也为后续神经网络提取图像特征提供便利 。 然后,将图像数据依据自身的经验和专家系统 进 行缺陷数据标注;再针对少样本的分类任务利用迁移学习配合深度神经网络的思想对缺陷实现快速识别与分类 。 最后利用专家系统将误分类的缺陷 数据重新进行标注,并送入神经网络重新训练缺陷识别模型 。 该检测方法利用特征迁移避免了繁琐的标注工作,并通过图像预处理提升了数据的可靠 性,降低了外来干扰 。 检测流程如图1所示 。


推荐阅读


上一篇：孤惯|Nature封面“史上最小恐龙化石“撤稿，做进一步研究后重新投稿

下一篇：全国能源信息平台|能源电力行业5G行业专网应用案例