【技术实现步骤摘要】
本专利技术涉及水利工程安全检测和智能运维，尤其涉及一种基于深度学习的溢洪道堆积体堵塞识别方法。
技术介绍
1、溢洪道作为水利工程的组成结构，在下泄超过库水位的多余洪水，防止坝体破环等方面发挥关键效果。通常来讲，溢洪道必须具备与结构等级相当的行洪能力，从而保证汛前及汛期泄流。然而，由于工程建设年久失修，并且缺少管理人员。特别是对于一些小型水库，运行期无法及时获得工程安全信息，这可能导致溢洪道堵塞险情信息上报延迟。
2、工程管理单位会定期对一些结构进行巡检排查，但难以提供快速的险情相关信息。此外，人工巡检的方式效率低下，容易出错，并且会带来管理成本的增加。因此，传统的人工巡检方式存在不及时和成本高的问题。
3、随着工程建设和管理发展，信息化和智能化技术为工程管理提供了一种便捷的方式。一些计算机视觉技术在结构安全健康检测领域表现出了巨大的潜力，其能够替代传统的人工检测建立高效灵活的管理方式。因此，专利技术一种能够利用计算机视觉技术实现溢洪道堆积险情识别的方法和系统具有重要意义。
技术实现思路
1、本专利技术的目的在于提出一种基于深度学习的溢洪道堆积体堵塞识别方法以解决现有溢洪道堆积堵塞检测技术的不足。本专利技术包括数据采集实验、深度学习算法和集成系统三个方面，基于深度学习模型为块石堆积造成的溢洪道堵塞险情检测提供一种灵活快速的检测方式，将所建立的图像分割模型集成至“ai开源开放平台”中能够建立溢洪道块石堵塞分析平台。
2、为了实现上述目的，本专利技术采
3、一种基于深度学习的溢洪道堆积体堵塞识别方法，包括以下内容：
4、建立图像数据集：在实验室建立溢洪道泄槽物理模型，人工设置堆积块石模拟不同情况的溢洪道堵塞；在模拟溢洪道堵塞的过程中，利用摄像机拍摄泄槽物理模型内的堵塞情况，采集图像照片，构建图像数据集；
5、建立图像分割模型：建立基于深度学习的图像分割模型，识别图像数据集内的图像中是否存在块石；
6、建立分析平台：将所构建的图像分割模型集成至“ai开源开放平台”中，建立溢洪道块石堵塞分析平台。
7、优选地，所述建立图像数据集包括如下内容：
8、在实验室建立溢洪道泄槽物理模型，人工在泄槽中摆放不同数量、形状、尺寸和颜色的块石作为堵塞物以模拟不同情况的溢洪道堵塞；
9、利用相机记录每次溢洪道堵塞模拟过程中块石放置图像，剔除低质量和重复图像后，利用图像标注工具完成图像标注，进而形成溢洪道堵塞模拟图像数据集，并将所述数据集划分为训练集和测试集。
10、优选地，所述建立图像分割模型包括如下内容：
11、在pytorch框架中创建deeplabv3+模型，对所述deeplabv3+模型进行改进，具体内容如下：
12、在编码网络结构中，采用空间空洞金字塔池化完成图像的卷积操作，输出低级特征和高级特征；其中，所述低级特征表示图像最基础的色彩及纹理特征，所述低级特征在解码网络结构中与高级特征的输出拼接后通过卷积和上采样获得最终像素级的分割结果；
13、采用mobilenetv2作为模型的backbone，通过逐点卷积对通道数进行扩张，使得模型在更高维度的空间中提取特征，并引入线性瓶颈层以保证神经元处理多样特征的有效性；
14、采用ce loss作为模型的损失函数，采用具有动量的sgd函数作为优化器，具体函数表示：
15、vdw＝βvdw+(1-β)dw
16、vdb＝βvdb+(1-β)db
17、w＝w-αvdw，b＝b-αvdb
18、其中，vdw与vdb分别表示当前的权重梯度和偏移量梯度；β表示影响梯度下滑顺滑的程度的参数；w和b分别表示模型的权重和偏置；
19、将训练集中的图片输入到改进的deeplabv3+模型中，保存每次训练好的模型文件，选择性能最高的训练结果进行测试；采用分类准确率和平均交并比作为模型图像分割性能的评估指标，分类准确率和平均交并比的表达式如下：
20、
21、其中，acc表示分类准确率；miou表示平均交并比；n表示图像中不同类型的个数；tp表示像素点属于正例，且模型分割结果也为正例的像素点数；tn表示像素点属于反例，且模型分割结果也为反例的像素点个数；fn表示像素点属于正例，且模型分割结果为反例的像素点数；fp表示像素点属于反例，且模型分割结果为正例的像素点数；
22、训练完成后，获得训练好的基于深度学习的图像分割模型。
23、优选地，所述建立分析平台包括如下内容：
24、将训练好的基于深度学习的图像分割模型以二进制格式保存网络结构和参数，通过“ai开源开放平台”加载模型；模型与平台引擎绑定后，通过选择合适的分析模式完成图像的上传和分析。
25、与现有技术相比，本专利技术提供了一种基于深度学习的溢洪道堆积体堵塞识别方法，具备以下有益效果：
26、(1)本专利技术通过室内实验模拟块石堆积导致的溢洪道堵塞险情，实验方法与设备简单，能够获得大量的险情图像数据；
27、(2)本专利技术使用mobilenetv2网络替代常规的xception网络，模型更加轻量化，满足即使检测的要求；
28、(3)本专利技术使用深度学习技术检测溢洪道是否发生块石堆积险情避免繁琐的人工巡检，提升工程管理自动化水平；
29、(4)基于本专利技术所提出的方法可建立相对应的溢洪道堆积体堵塞识别系统，进而可与摄像头终端结合，实现工程的少人化管理，并且所提出的方法能够为其他险情的检测提供参考。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的溢洪道堆积体堵塞识别方法，其特征在于，包括以下内容：
2.根据权利要求1所述的一种基于深度学习的溢洪道堆积体堵塞识别方法，其特征在于，所述建立图像数据集包括如下内容：
3.根据权利要求2所述的一种基于深度学习的溢洪道堆积体堵塞识别方法，其特征在于，所述建立图像分割模型包括如下内容：
4.根据权利要求1所述的一种基于深度学习的溢洪道堆积体堵塞识别方法，其特征在于，所述建立分析平台包括如下内容：
【技术特征摘要】
1.一种基于深度学习的溢洪道堆积体堵塞识别方法，其特征在于，包括以下内容：
2.根据权利要求1所述的一种基于深度学习的溢洪道堆积体堵塞识别方法，其特征在于，所述建立图像数据集包括如下内容：
3.根据权利...
【专利技术属性】
技术研发人员：焦修明，张玉贤，黄晓洪，王良，张继勋，王虞清，赵昱，邹云飞，
申请(专利权)人：浙江省水利河口研究院浙江省海洋规划设计研究院，
类型：发明
国别省市：
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。