【技术实现步骤摘要】
本专利技术属于水库大坝裂痕检测，更具体地说，是涉及一种基于大数据的水库大坝裂痕检测识别方法与系统。
技术介绍
1、水库大坝的数量庞大，并且有相当大一部分都是土石坝，鉴于外界诸多方面因素的不利影响，使得大坝存在不同程度的裂缝和渗漏问题，一旦裂缝出现，极容易引发渗漏问题，影响水库的正常使用，也会对水库下游的生产和生活造成威胁。水库大坝产生裂缝后，外界环境对混凝土的影响比如风化、腐蚀、溶蚀等经裂缝进入到大坝内部，不停对其加以破坏，直至大坝彻底崩溃，危害巨大。目前，水库大坝裂痕的检测和识别主要依赖于人工巡查，然而人工巡查需要耗费大量的时间和人力资源，且存在主观判断的偏差。
技术实现思路
1、本专利技术的目的在于提供一种基于大数据的水库大坝裂痕检测识别方法与系统，旨在解决人工巡查水库大坝裂痕效果差的问题。
2、为实现上述目的，本专利技术采用的技术方案是：
3、一种基于大数据的水库大坝裂痕检测识别方法，包括：
4、步骤1：获取水库大坝图像；
5、步骤2：对所述水库大坝图像进行灰度化处理得到灰度化的水库大坝图像；
6、步骤3：利用信息熵分割算法对所述灰度化的水库大坝图像进行处理得到分割后的水库大坝图像；
7、步骤4：将所述分割后的水库大坝图像输入到神经网络中进行训练得到水库大坝裂痕检测识别模型；
8、步骤5：将当前获取的水库大坝图像输入到水库大坝裂痕检测识别模型中得到裂痕类型。
9、优选地，所述步骤2
10、步骤2.1：将所述水库大坝图像转换到lab颜色空间得到广色域图像；
11、步骤2.2：计算广色域图像上各个像素点的亮度偏差和颜色偏差；
12、步骤2.3：根据每个像素点的亮度偏差和颜色偏差计算每个像素点之间的色彩距离；
13、步骤2.4：基于所述色彩距离构建灰度化目标函数；
14、步骤2.5：对所述灰度化目标函数进行求解得到得到灰度化的水库大坝图像。
15、优选地，所述步骤2.2：计算广色域图像上各个像素点的亮度偏差和颜色偏差，包括：
16、采用公式：
17、
18、计算广色域图像上各个像素点的亮度偏差和颜色偏差；其中，li′j表示第i个像素点与第j个像素点之间的亮度偏差，li表示第i个像素点在l轴的分量值，lj表示第j个像素点在l轴的分量值，ci′j表示第i个像素点与第j个像素点之间的颜色偏差，ai表示第i个像素点在a轴的分量值，aj表示第j个像素点在a轴的分量值，bi表示第i个像素点在b轴的分量值，bj表示第j个像素点在b轴的分量值。
19、优选地，所述步骤2.3：根据每个像素点的亮度偏差和颜色偏差计算每个像素点之间的色彩距离，包括：
20、采用公式：
21、
22、计算每个像素点之间的色彩距离；其中，δij表示第i个像素点与第j个像素点之间的色彩距离，sign表示符号函数，θ表示亮度偏角，α表示色彩参数，φ(x)表示归一化函数，用于将x的取值压缩到预设的范围。
23、优选地，在所述步骤2.4中，灰度化目标函数为：
24、
25、其中，n表示像素的数目，fi表示第i个像素的灰度，fj表示第j个像素的灰度。
26、优选地，所述步骤3：利用信息熵分割算法对所述灰度化的水库大坝图像进行处理得到分割后的水库大坝图像，包括：
27、步骤3.1：使用预设的灰度值将所述灰度化的水库大坝图像进行预分割得到背景图像和目标图像；
28、步骤3.2：计算所述背景图像和所述目标图像的灰度级概率之和；
29、步骤3.3：根据所述灰度级概率之和计算背景图像和目标图像的熵；
30、步骤3.4：不断遍历预设的灰度值输出使背景图像和目标图像的熵的和最大的灰度值；
31、步骤3.5：利用该灰度值对所述灰度化的水库大坝图像进行分割处理得到分割后的水库大坝图像。
32、优选地，所述步骤3.2：计算所述背景图像和所述目标图像的灰度级概率之和，包括：
33、采用公式：
34、
35、计算所述背景图像和所述目标图像的灰度级概率之和；其中，w0表示背景图像的灰度级概率之和，w1表示目标图像的灰度级概率之和，t表示预设的灰度值，wi表示灰度值为i的灰度级概率，n表示像素点的总个数，ri表示灰度值为i的像素的个数。
36、优选地，所述步骤3.3：根据所述灰度级概率之和计算背景图像和目标图像的熵，包括：
37、采用公式：
38、
39、计算背景图像和目标图像的熵；其中，h(a)表示背景图像的熵，h(b)表示目标图像的熵。
40、本专利技术还提供了一种基于大数据的水库大坝裂痕检测识别系统，包括：
41、图像获取模块，用于获取水库大坝图像；
42、灰度化处理模块，用于对所述水库大坝图像进行灰度化处理得到灰度化的水库大坝图像；
43、图像分割模块，用于利用信息熵分割算法对所述灰度化的水库大坝图像进行处理得到分割后的水库大坝图像；
44、训练模块，用于将所述分割后的水库大坝图像输入到神经网络中进行训练得到水库大坝裂痕检测识别模型；
45、分析模块，用于将当前获取的水库大坝图像输入到水库大坝裂痕检测识别模型中得到裂痕类型。
46、本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种基于大数据的水库大坝裂痕检测识别方法中的步骤。
47、本专利技术提供的一种基于大数据的水库大坝裂痕检测识别方法与系统的有益效果在于：与现有技术相比，本专利技术通过利用信息熵分割算法对灰度化的水库大坝图像进行处理得到分割后的水库大坝图像，并将该图像作为训练样本，输入到神经网络中进行训练得到水库大坝裂痕检测识别模型，可以实时对水库大坝裂痕进行自动检测和识别，无需人工干预。
本文档来自技高网...【技术保护点】
1.一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，包括：
2.如权利要求1所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，所述步骤2：对所述水库大坝图像进行灰度化处理得到灰度化的水库大坝图像，包括：
3.如权利要求2所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，所述步骤2.2：计算广色域图像上各个像素点的亮度偏差和颜色偏差，包括：
4.如权利要求3所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，所述步骤2.3：根据每个像素点的亮度偏差和颜色偏差计算每个像素点之间的色彩距离，包括：
5.如权利要求4所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，在所述步骤2.4中，灰度化目标函数为：
6.如权利要求5所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，所述步骤3：利用信息熵分割算法对所述灰度化的水库大坝图像进行处理得到分割后的水库大坝图像，包括：
7.如权利要求6所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，所述步骤3.2：计算所述
8.如权利要求7所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，所述步骤3.3：根据所述灰度级概率之和计算背景图像和目标图像的熵，包括：
9.一种基于大数据的水库大坝裂痕检测识别系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于大数据的水库大坝裂痕检测识别方法中的步骤。
...【技术特征摘要】
1.一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，包括：
2.如权利要求1所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，所述步骤2：对所述水库大坝图像进行灰度化处理得到灰度化的水库大坝图像，包括：
3.如权利要求2所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，所述步骤2.2：计算广色域图像上各个像素点的亮度偏差和颜色偏差，包括：
4.如权利要求3所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，所述步骤2.3：根据每个像素点的亮度偏差和颜色偏差计算每个像素点之间的色彩距离，包括：
5.如权利要求4所述的一种基于大数据的水库大坝裂痕检测识别方法，其特征在于，在所述步骤2.4中，灰度化目标函数为：
6.如权利要求5所述的一种基...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。