【技术实现步骤摘要】
本申请涉及裂缝检测-，尤其涉及基于detr模型的ecc多缝开裂实时检测系统及方法。
技术介绍
1、ecc材料的裂缝监测主要依赖于基于图像处理技术和基于目标检测算法。传统的裂缝检测方法通常基于图像处理技术，如边缘检测、阈值分割、模板匹配等。这些方法通过捕捉图像中的裂缝边缘来进行裂缝识别，适用于简单、清晰的裂缝检测任务。此类方法的工作原理是通过预处理图像，提取出图像特征，再通过匹配算法判断裂缝区域；基于目标检测算法的技术也被广泛应用于裂缝检测任务。这些模型能够检测和定位图像中的裂缝区域，具有较好的精度。
2、目前，传统的基于图像处理技术裂缝检测方法对于复杂背景、微小裂缝及多缝裂缝的检测效果差，且受光照、背景杂乱等因素影响较大，而基于目标检测算法的技术在在处理复杂场景、裂缝重叠和小裂缝时，仍然存在较大的挑战，虽然基于目标检测算法的技术具有较快的处理速度，但在多目标(多个裂缝)检测时的精度和召回率较低，特别是对细小裂缝的识别效果较差。
3、因此，如何提高多裂缝检测准确度，是目前亟待解决的问题。
4、上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本申请的主要目的在于提供一种基于detr模型的ecc多缝开裂实时检测系统及方法，旨在解决如何提高多裂缝检测准确度的技术问题。
2、为实现上述目的，本申请提出一种基于detr模型的ecc多缝开裂实时检测系统，所述基于detr模型的ecc多缝开裂实时检测系统包括
3、所述图像采集设备，用于采集ecc表面图像数据，并将所述ecc表面图像数据传输至计算设备；
4、所述计算设备，用于接收所述图像数据，基于所述图像数据通过detr模型进行裂缝检测，并将所述裂缝的检测结果传输至显示设备与控制系统；
5、所述显示设备与控制系统，用于接收所述检测结果，向所述报警设备传输控制指令；
6、所述报警设备，用于接收所述控制指令，触发报警提示。
7、可选地，所述计算设备，用于对所述图像数据进行去噪处理和图像增强的操作，将处理后的所述图像数据作为detr模型的输入；
8、所述计算设备，还用于使用训练好的detr模型对所述输入进行推理，识别出裂缝的类别和边界框；
9、所述计算设备，还用于在同一图像中同时检测多个裂缝。
10、可选地，所述显示设备与控制系统包括显示设备和控制系统：
11、所述控制系统，用于接收所述检测结果和报警信息；
12、所述控制系统，还用于基于所述报警信息，控制所述报警设备；
13、所述显示设备，用于显示所述图像数据、所述检测结果以及所述报警信息，为用户提供图像界面，以便所述用户能够在实时状态下监控并响应系统的输出。
14、此外，为实现上述目的，本申请还提出一种基于detr模型的ecc多缝开裂实时检测方法，应用于所述基于detr模型的ecc多缝开裂实时检测系统，所述方法包括：
15、根据采集频率采集第一图像数据，对所述图像数据进行预处理，得到第二图像数据；
16、基于detr模型检测所述第二图像数据，其中，所述detr模型包括自注意力机制和全局上下文建模机制；
17、通过所述自注意力机制确定裂缝之间的多个关系矩阵；
18、基于各所述关系矩阵，通过所述全局上下文建模机制同时确定多个裂缝的定位与区分；
19、若检测结果超出预设安全阈值，则触发报警设备进行报警。
20、可选地，所述根据采集频率采集第一图像数据，对所述图像数据进行预处理，得到第二图像数据，包括：
21、通过图像采集设备采集第一图像数据；
22、对所述图像数据进行去噪处理和图像增强处理，得到第二图像数据。
23、可选地，所述通过所述自注意力机制确定裂缝之间的多个关系矩阵，包括：
24、通过卷积神经网络提取所述第二图像数据的特征，得到二维特征图；
25、将二维特征图展平为一维序列；
26、为各所述序列元素添加位置编码，以保留特征点的空间位置信息，其中，各所述序列元素为各所述特征点对应的特征向量；
27、依次计算各所述序列元素之间的相关性，得到多个关系矩阵。
28、可选地，所述二维特征图包括多个特征图和特征图尺寸，所述特征图尺寸包括通道数、特征图的长度以及宽度，各所述特征图与所述第二图像数据各位置的特征信息是一一对应的。
29、可选地，所述依次计算各所述序列元素之间的相关性，得到多个关系矩阵，包括：
30、从所述一维序列中选取一个序列元素作为查询向量，剩余的序列元素为键向量；
31、依次计算所述查询向量与各所述键向量的点积，得到与所述查询向量对应的关系矩阵；
32、根据所述键向量的维度和所述关系矩阵，得到缩放后的关系矩阵；
33、遍历所述一维序列，对各所述序列元素执行上述步骤，得到多个关系矩阵。
34、可选地，所述基于各所述关系矩阵，通过所述全局上下文建模机制同时确定多个裂缝的定位与区分，包括：
35、基于各所述关系矩阵，对所述特征向量进行分类和边界框预测，得到多个裂缝以及对应的裂缝预测边界框位置；
36、获取裂缝特征的先验信息，所述裂缝特征的先验信息包括裂缝常见的几何形状和大小分布；
37、在detr模型的训练过程中，结合所述裂缝特征的先验信息进行调整；
38、获取改进的边界框回归损失函数；
39、基于各所述关系矩阵、所述改进的边界框回归损失函数以及调整后的detr模型，对所述特征向量进行分类和边界框预测，得到多个裂缝以及对应的裂缝预测边界框位置。
40、可选地，所述若检测结果超出预设安全阈值，则触发报警设备进行报警之后，还包括：
41、在用户界面显示裂缝的检测结果，以使用户通过交互模块查看和监控裂缝的分布和详细信息。
42、本申请提出的一个或多个技术方案，至少具有以下技术效果：
43、根据采集频率采集第一图像数据，对所述图像数据进行预处理，得到第二图像数据；基于detr模型检测所述第二图像数据，其中，所述detr模型包括自注意力机制和全局上下文建模机制；通过所述自注意力机制确定裂缝之间的多个关系矩阵；基于各所述关系矩阵，通过所述全局上下文建模机制同时确定多个裂缝的定位与区分；若检测结果超出预设安全阈值，则触发报警设备进行报警。通过基于dert模型的自注意力机制和全局上下文建模机制检测裂缝图像，能够有效处理复杂背景中的裂缝检测问题，能够更精确地识别微小裂缝，高效识别多个裂缝，并准确定位每个裂缝的边界框，从而本文档来自技高网...
【技术保护点】
1.一种基于DETR模型的ECC多缝开裂实时检测系统，其特征在于，所述基于DETR模型的ECC多缝开裂实时检测系统包括图像采集设备、计算设备、显示设备与控制系统以及报警设备，其中，所述图像采集设备与所述计算设备连接，所述计算设备和控制系统连接，所述控制系统和所述报警设备连接：
2.如权利要求1所述的系统，其特征在于，所述计算设备还包括：
3.如权利要求1所述的系统，其特征在于，所述显示设备与控制系统包括显示设备和控制系统：
4.一种基于DETR模型的ECC多缝开裂实时检测方法，其特征在于，所述方法应用于如权利要求1至3任一项所述的基于DETR模型的ECC多缝开裂实时检测系统中的计算设备，所述的方法包括：
5.如权利要求4所述的方法，其特征在于，所述根据采集频率采集第一图像数据，对所述图像数据进行预处理，得到第二图像数据，包括：
6.如权利要求4所述的方法，其特征在于，所述通过所述自注意力机制确定裂缝之间的多个关系矩阵，包括：
7.如权利要求6所述的方法，其特征在于，所述二维特征图包括多个特征图和特征图尺寸，所
8.如权利要求6所述的方法，其特征在于，所述依次计算各所述序列元素之间的相关性，得到多个关系矩阵，包括：
9.如权利要求4所述的方法，其特征在于，所述基于各所述关系矩阵，通过所述全局上下文建模机制同时确定多个裂缝的定位与区分，包括：
10.如权利要求4所述的方法，其特征在于，所述若检测结果超出预设安全阈值，则触发报警设备进行报警之后，还包括：
...【技术特征摘要】
1.一种基于detr模型的ecc多缝开裂实时检测系统，其特征在于，所述基于detr模型的ecc多缝开裂实时检测系统包括图像采集设备、计算设备、显示设备与控制系统以及报警设备，其中，所述图像采集设备与所述计算设备连接，所述计算设备和控制系统连接，所述控制系统和所述报警设备连接：
2.如权利要求1所述的系统，其特征在于，所述计算设备还包括：
3.如权利要求1所述的系统，其特征在于，所述显示设备与控制系统包括显示设备和控制系统：
4.一种基于detr模型的ecc多缝开裂实时检测方法，其特征在于，所述方法应用于如权利要求1至3任一项所述的基于detr模型的ecc多缝开裂实时检测系统中的计算设备，所述的方法包括：
5.如权利要求4所述的方法，其特征在于，所述根据采集频率采集第一图像数据，对所述图...
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。