本發(fā)明屬于圖像處理，具體涉及一種水下結(jié)構(gòu)裂縫智能量化方法及系統(tǒng)。

背景技術(shù)：

1、水下結(jié)構(gòu)裂縫檢測是水利工程安全監(jiān)測的重要環(huán)節(jié)，傳統(tǒng)的人工檢測方法存在效率低下、主觀性強等缺點。現(xiàn)有的自動檢測技術(shù)主要面臨以下問題：1)水下復(fù)雜環(huán)境導(dǎo)致裂縫特征提取困難，尤其是對細微裂縫和網(wǎng)狀裂縫的識別精度不足；2)多數(shù)檢測方法僅能提供裂縫位置信息，缺乏精確的幾何參數(shù)量化能力；3)檢測系統(tǒng)與工程應(yīng)用脫節(jié)，難以實現(xiàn)現(xiàn)場實時分析和預(yù)警。

2、雖然深度學(xué)習(xí)技術(shù)已應(yīng)用于裂縫檢測領(lǐng)域，但現(xiàn)有方法仍存在明顯不足：1)網(wǎng)絡(luò)模型對水下裂縫的形態(tài)多樣性適應(yīng)性不足；2)量化算法精度有待提高，特別是對裂縫寬度等關(guān)鍵參數(shù)的測量誤差較大；3)缺乏完整的檢測-量化-分析一體化解決方案。因此，開發(fā)一種能夠?qū)崿F(xiàn)高精度檢測、精確量化及工程應(yīng)用一體化的智能系統(tǒng)具有重要的工程實用價值。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)缺陷，提供一種水下結(jié)構(gòu)裂縫智能量化方法及系統(tǒng)，實現(xiàn)對水下結(jié)構(gòu)裂縫的高精度檢測與精確量化。

2、為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：一種水下結(jié)構(gòu)裂縫智能量化方法，包括：

3、s1、構(gòu)建水下結(jié)構(gòu)裂縫圖像數(shù)據(jù)集，按劃分比例將水下結(jié)構(gòu)裂縫圖像數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集；

4、s2、構(gòu)建sdi-asf-idiffusion神經(jīng)網(wǎng)絡(luò)模型，設(shè)置優(yōu)化器、初始學(xué)習(xí)率、動量參數(shù)、權(quán)值衰減、批大小設(shè)置、訓(xùn)練迭代次數(shù)；

5、s3、訓(xùn)練與測試sdi-asf-idiffusion神經(jīng)網(wǎng)絡(luò)模型，得到對水下結(jié)構(gòu)裂縫識別與分割的檢測模型；

6、s4、將檢測模型輸出的裂縫分割結(jié)果，通過平滑處理與形態(tài)學(xué)操作，實現(xiàn)幾何信息特征的提取與量化；

7、s5、基于pyqt5進行交互界面設(shè)計，集成裂縫識別結(jié)果、裂縫分割結(jié)果與裂縫量化信息，完成水下結(jié)構(gòu)裂縫智能量化過程。

8、進一步的，s1中，首先，采用rov搭載高清攝像頭采集水下結(jié)構(gòu)裂縫圖像，約束光學(xué)成像參數(shù)，并同步記錄拍攝深度、角度及環(huán)境參數(shù)；光學(xué)成像滿足以下約束：

9、

10、其中，為焦距，為景深，為水下能見度，通過濁度傳感器實時測量，為光源中心波長，為目標(biāo)裂縫預(yù)設(shè)最小值，為攝像頭水平偏轉(zhuǎn)角，為鏡頭像場角，為最小可分辨景深，為攝像頭俯仰角，為濁度補償系數(shù)；

11、其次，通過改進的限制對比度自適應(yīng)直方圖均衡化算法進行水下結(jié)構(gòu)裂縫圖像增強，得到增強后的水下結(jié)構(gòu)裂縫圖像；

12、

13、其中，為原始圖像灰度值，為圖像像素坐標(biāo)，為限制對比度自適應(yīng)直方圖均衡化函數(shù)，為局部裁剪閾值，為自適應(yīng)網(wǎng)格數(shù)，為深度補償增益，為像素點深度，為衰減常數(shù)；

14、最后，設(shè)定訓(xùn)練集、驗證集與測試集的劃分比例為6:2:2。

15、進一步的，s2中，sdi-asf-idiffusion神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建方式如下：

16、首先，構(gòu)建潛空間擴散模型，其噪聲預(yù)測網(wǎng)絡(luò)采用裂縫骨架先驗約束進行改進：

17、

18、其中，為潛空間擴散模型總損失，為噪聲預(yù)測網(wǎng)絡(luò)，是加噪后的圖像，為高斯噪聲，為時間步（=1000）,為裂縫骨架先驗圖，為預(yù)測與先驗的重合度，關(guān)于圖像數(shù)據(jù)分布和時間步的期望運算，為先驗約束項的權(quán)重系數(shù)，為噪聲預(yù)測網(wǎng)絡(luò)的中間特征圖經(jīng)過1×1卷積后生成的裂縫概率圖；

19、其次，嵌入語義與細節(jié)注入sdi模塊和注意力尺度序列融合asf模塊；

20、sdi模塊由多級特征hadamard積融合與特征平滑操作組成：

21、

22、

23、其中，代表對齊融合后的序列特征，是自適應(yīng)分辨率對齊函數(shù)，為每一級別特征，代表三維卷積操作，為平滑操作，分別對應(yīng)上、中、下采樣操作后的特征，為三維卷積融合后的序列特征，n為特征級別數(shù)，n取3；

24、asf模塊包括高斯尺度空間構(gòu)建與三尺度特征編碼：

25、

26、

27、其中，為尺度空間函數(shù)，為二維高斯核，為尺度參數(shù)，為輸入特征圖，代表卷積運算；為輸出特征，、、分別為大、中、小尺度特征，為下采樣操作，為上采樣操作，為通道拼接，代表多尺度特征聚合；

28、最后，優(yōu)化器選擇隨機梯度下降sgd，初始學(xué)習(xí)率設(shè)lr為0.001，動量參數(shù)為0.937；采用余弦退火學(xué)習(xí)率調(diào)度策略，設(shè)置權(quán)重衰減系數(shù)為0.0005，批大小batch?size設(shè)置為16，訓(xùn)練迭代次數(shù)為300。

29、進一步的，s3具體包括：

30、使用訓(xùn)練集對sdi-asf-idiffusion神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，使用驗證集檢查模型的訓(xùn)練性能，得到經(jīng)過預(yù)訓(xùn)練的sdi-asf-idiffusion神經(jīng)網(wǎng)絡(luò)模型即檢測模型，并對測試集進行水下結(jié)構(gòu)裂縫識別與分割得到具有裂縫錨框和裂縫掩膜的水下結(jié)構(gòu)圖像；預(yù)訓(xùn)練過程采用聯(lián)合損失函數(shù)：

31、

32、其中，為語義細節(jié)損失，為尺度感知損失，為檢測損失，為sdi模塊損失權(quán)重，為asf模塊損失權(quán)重，為聯(lián)合損失。

33、進一步的，s4具體包括：

34、s4.1、裂縫輪廓優(yōu)化處理：

35、根據(jù)形態(tài)學(xué)高斯聯(lián)合優(yōu)化公式，進行多級圖像處理：

36、

37、其中，為原始裂縫二值圖，為形態(tài)學(xué)膨脹運算，為膨脹操作核，為高斯平滑核，為逐元素相乘，為面積濾波，為優(yōu)化處理后的裂縫圖像；

38、s4.2、裂縫幾何參數(shù)計算：

39、s4.2.1、面積參數(shù)：基于優(yōu)化后的二值圖像，通過連通域標(biāo)記算法識別獨立裂縫區(qū)域，累計各區(qū)域前景像素總數(shù)并乘以單位像素實際面積換算系數(shù)，得到裂縫實際面積參數(shù)；

40、s4.2.2、長度參數(shù)：應(yīng)用改進的快速并行細化算法提取裂縫中心線骨架，累計統(tǒng)計骨架像素數(shù)量并乘以單位像素實際面積換算系數(shù)，得到裂縫實際長度參數(shù)；

41、s4.2.3、寬度參數(shù)：裂縫平均寬度參數(shù)由面積參數(shù)與長度參數(shù)的比值確定；裂縫最大寬度采用內(nèi)切圓法進行精確計算，通過定位裂縫內(nèi)部最大內(nèi)切圓，以其直徑作為裂縫最大寬度；累計統(tǒng)計裂縫平均寬度像素數(shù)量與裂縫最大寬度像素數(shù)量，乘以單位像素實際面積換算系數(shù)，得到裂縫實際平均寬度參數(shù)與最大寬度參數(shù)。

42、進一步的，s4.2中，裂縫實際面積參數(shù)計算公式如下：

43、

44、其中，為x、y方向像素實際尺寸，為面積連通域標(biāo)記，為連通域內(nèi)存在的像素，代表連通域內(nèi)像素數(shù)量累加函數(shù)；

45、裂縫實際長度參數(shù)計算公式如下：

46、

47、

48、其中，為相鄰骨架點坐標(biāo)差，為改進的快速并行細化算法，為骨架連通域標(biāo)記；

49、裂縫實際平均寬度參數(shù)與最大寬度參數(shù)計算公式如下：

50、

51、

52、其中，為以為中心的最大內(nèi)切圓半徑，為面積連通域內(nèi)的像素點。

53、進一步的，s5具體包括：

54、s5.1、構(gòu)建可視化交互界面：

55、采用pyqt5框架開發(fā)多視圖顯示窗口，主界面包含圖像顯示區(qū)、參數(shù)展示區(qū)及功能操作區(qū)，實現(xiàn)原始圖像、檢測結(jié)果和量化參數(shù)的同步可視化；

56、s5.2、數(shù)據(jù)管理與分析模塊：

57、s5.2.1、建立本地數(shù)據(jù)庫，存儲裂縫檢測時間戳、空間位置坐標(biāo)及幾何特征參數(shù)；

58、s5.2.2、開發(fā)時序分析功能，選擇特定裂縫區(qū)域查看其幾何參數(shù)的歷時變化曲線；

59、s5.2.3、設(shè)置多級預(yù)警機制，根據(jù)裂縫最大寬度自動觸發(fā)ⅰ級（>0.3mm）、ⅱ級（0.2-0.3mm）、ⅲ級（<0.2mm）預(yù)警提示；

60、s5.3、報告生成與導(dǎo)出系統(tǒng)：

61、s5.3.1、設(shè)計標(biāo)準(zhǔn)化報告模板，自動生成包含裂縫分布熱力圖、參數(shù)統(tǒng)計表及安全評估建議的pdf文檔；

62、s5.3.2、實現(xiàn)檢測數(shù)據(jù)一鍵導(dǎo)出功能，支持同時輸出原始圖像、處理結(jié)果及量化參數(shù)的壓縮包文件。

63、本發(fā)明還提供了一種水下結(jié)構(gòu)裂縫智能量化系統(tǒng)，包括：

64、數(shù)據(jù)采集單元：構(gòu)建水下結(jié)構(gòu)裂縫圖像數(shù)據(jù)集，按劃分比例將水下結(jié)構(gòu)裂縫圖像數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集；

65、模型構(gòu)建單元：構(gòu)建sdi-asf-idiffusion神經(jīng)網(wǎng)絡(luò)模型，設(shè)置優(yōu)化器、初始學(xué)習(xí)率、動量參數(shù)、權(quán)值衰減、批大小設(shè)置、訓(xùn)練迭代次數(shù)；

66、模型訓(xùn)練單元：訓(xùn)練與測試sdi-asf-idiffusion神經(jīng)網(wǎng)絡(luò)模型，得到對水下結(jié)構(gòu)裂縫識別與分割的檢測模型；

67、檢測單元：將檢測模型輸出的裂縫分割結(jié)果，通過平滑處理與形態(tài)學(xué)操作，實現(xiàn)幾何信息特征的提取與量化；

68、交互單元：基于pyqt5進行交互界面設(shè)計，集成裂縫識別結(jié)果、裂縫分割結(jié)果與裂縫量化信息，完成水下結(jié)構(gòu)裂縫智能量化過程。

69、本發(fā)明還提供了一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如上述任一所述方法的步驟。

70、本發(fā)明還提供了一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上述任一所述方法的步驟。

71、相較于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：本發(fā)明方法及系統(tǒng)通過構(gòu)建水下裂縫圖像數(shù)據(jù)集，建立嵌入語義與細節(jié)注入(sdi)和注意力尺度序列融合(asf)模塊的改進diffusion模型，實現(xiàn)裂縫識別與分割；采用多級形態(tài)學(xué)處理優(yōu)化裂縫輪廓，通過連通域標(biāo)記和骨架提取算法精確計算裂縫面積、長度及寬度參數(shù)；集成pyqt5交互界面實現(xiàn)檢測結(jié)果可視化與多級預(yù)警。所構(gòu)建的裂縫智能量化系統(tǒng)能自動生成含熱力圖和安全評估建議的標(biāo)準(zhǔn)化報告，解決水下裂縫幾何參數(shù)測量精度不足的問題，顯著提升水下結(jié)構(gòu)安全監(jiān)測效率。