【技术实现步骤摘要】
本专利技术属于矿洞裂缝检测的，具体涉及一种基于无样本低照度增强的矿洞裂缝分割检测方法。
技术介绍
1、在许可证申请、环境评估以及安全审查中，可能会要求进行矿洞裂缝检测以确保符合相关法律和法规。矿洞裂缝是地质构造的表现，也可能是由于矿区开采活动引起的地质变化。这些裂缝可能会导致地表塌陷、矿山坍塌以及其他严重安全问题。介于矿洞的幽暗、狭窄、封闭等特点，照明条件有限，难以在裂缝检测时获取亮度均匀正常的待测图片，图片质量低且数量少，为裂缝检测带来了不小的困难。
2、而低照度增强是一种用于改善低光条件下图像质量的技术。在光线不足的环境中，相机或人眼捕捉到的图像通常会出现暗淡、模糊、噪点多等问题，低照度增强技术旨在通过各种方法提高图像的亮度、对比度和清晰度，从而改善图像的可见性和质量。低照度增强技术在夜间摄影、监控系统、安防领域以及无人驾驶等应用中具有重要意义，能够提高图像的可见性，增强系统的性能和可靠性。
3、目前主流的几种低照度增强方案是：增加曝光时间或提高iso感光度、图像增强算法、多帧图像融合和使用特殊硬件设备。增加曝光时间或提高iso感光度是在拍摄图像时增加曝光时间或提高相机的iso感光度，以增加图像的亮度。然而，长曝光时间可能导致图像模糊，高iso感光度可能引入更多的噪点；图像增强算法是采用图像处理算法对低照度图像进行增强，常见的算法包括直方图均衡化、对比度增强、非线性滤波等。这些算法可以调整图像的亮度、对比度和颜色分布，从而提高图像的视觉效果；多帧图像融合是通过融合多张拍摄于相同场景的低曝光图像或使用不
4、裂缝检测是指在图像或视频中检测出地表或结构物表面的裂缝或裂纹。图像分割是裂缝检测中常用的一种方法，其目标是将图像分成若干个具有语义上相似的区域。常用的用于裂缝检测的图像分割方法主要有：边缘检测、基于区域的分割、基于深度学习的分割和特征提取和分类。边缘检测是一种常见的图像分割方法，其目标是检测图像中的边界或轮廓。常用的边缘检测算法包括sobel、prewitt、canny等，它们可以检测图像中灰度值变化较大的地方，这些地方往往对应着裂缝；基于区域的分割将图像分成具有相似特征的区域，例如颜色、纹理等。常用的基于区域的分割方法包括分水岭算法(watershed algorithm)、区域增长(region growing)等，它们可以将图像中相邻像素之间的相似性考虑在内，从而实现对裂缝的检测；基于深度学习的分割方法包括语义分割(semantic segmentation)、实例分割(instance segmentation)等，它们可以学习到图像中不同物体或区域之间的语义和空间关系，从而实现对裂缝的准确检测；另一种常见的方法是首先提取图像中的特征，然后利用分类器对这些特征进行分类，从而实现对裂缝的检测。常用的特征包括纹理特征、形状特征等，常用的分类器包括支持向量机(support vector machine，svm)、随机森林(random forest)等。
5、近些年，基于深度学习方法的低照度图像增强算法和图像分割方法在安全监控、自动驾驶、医学影像、无人机和航空摄影、军事与安全等领域大放异彩，展现出了巨大的潜力和优势。在安全监控领域，这些算法可以帮助监控系统更清晰地捕捉到关键信息，提高监控的准确性和效率。而在自动驾驶方面，低照度图像增强算法的应用能够增强车辆的夜间视觉能力，提高驾驶系统的安全性和稳定性。此外，无人机和航空摄影的发展也受益于这些算法的应用，使得航拍图像更加清晰、细致。综上所述，基于深度学习方法的低照度图像增强算法和图像分割方法在各个领域都发挥着重要作用，并且在未来有着更广阔的应用前景。
6、矿洞裂缝是矿山结构中的潜在危险之一，及时准确地检测裂缝可以防止地质灾害，提升矿山安全性，并监测结构健康状况以评估稳定性并加强工程。此外，裂缝检测有助于优化资源开发方案，减少环境破坏和污染风险，最终降低事故发生可能性及维修成本，确保矿山持续运营。在实际作业中，由于矿洞狭窄、封闭、细长的特点，受光源、设备条件等影响，矿洞下采集的照片往往质量较差，亮度较低。较差的训练数据条件，可能会导致模型泛化能力下降，增加调试和优化难度，降低模型可信度，给后续深度学习方法检测裂缝带来了一定困难。并且在矿洞条件下难以获得大量亮度正常的正样本图像，用以低照度增强模型训练，大大影响图像增强的效果，从而导致检测质量的下降。
技术实现思路
1、本专利技术的目的在于针对现有技术中的上述不足，提供一种基于无样本低照度增强的矿洞裂缝分割检测方法，以解决矿洞图像亮度低、缺乏正样本和数据量有限的下降的问题。
2、为达到上述目的，本专利技术采取的技术方案是：
3、一种基于无样本低照度增强的矿洞裂缝分割检测方法，其包括以下步骤：
4、s1、获取矿洞裂缝的原始图像，将该原始图像输入至低照度增强模型中，输出增强后的矿洞裂缝图像；
5、s2、将增强后的矿洞裂缝图像输入至分割检测模型中，输出矿洞裂缝分割检测结果；
6、s3、基于矿洞裂缝分割检测结果，计算分割检测模型的损失函数；
7、s4、将分割检测模型的损失函数值作为权重，计算低照度增强模型的损失函数，进而优化训练所述低照度增强模型。
8、进一步的，s1具体包括：
9、将矿洞裂缝的原始图像依次进行一次下采样和两次2d卷积，得到特征缩略图；
10、将特征缩略图送入6个逐通道可分离卷积层，在6个逐通道可分离卷积层的1、4层，2、5层，3，6层间采用attention-skip connection进行特征融合，并采用zero-dce的光照增强曲线对特征融合后的图像进行增强，进而输出增强后的矿洞裂缝图像。
11、进一步的，采用attention-skip connection进行特征融合，包括：
12、在空间注意力机制中，将1、4层、2、5层或者3、6层的逐通道可分离卷积层输出的融合特征图h×w×c进行通道维度的全局最大池化和全局平均池化处理，分别得到一张h×w×1特征图，按通道将两张h×w×1特征图拼接成一张h×w×2的特征图，再送入标准7x7卷积进行参数学习得到一张h×w×1的特征图，最后通过sigmoid激活函数得到空间注意力权重矩阵ms；
13、在通道注意力机制中，将1、4层、2、5层或者3、6层的逐通道可分离卷积层输出的融合特征图h×w×c通过平均池化和最大池化分别得到一张1×1×c的特征图，然后将两张1×1×c的特征图依次送入一个权重共享的多层感知机中，最后将各自的输出特征进行张量累加和sigmoid激活操作，输出得到通道注意力权重本文档来自技高网...
【技术保护点】
1.一种基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，所述S1具体包括：
3.根据权利要求1所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，采用Attention-Skip Connection进行特征融合，包括：
4.根据权利要求1所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，所述S2具体包括：
5.根据权利要求4所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，所述ASPP模块连接编码器和解码器的方法为：
6.根据权利要求1所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，所述S3中，计算分割检测模型的损失函数，包括：
7.根据权利要求1所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，所述S4中，低照度增强模型的损失函数为：
8.根据权利要求7所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，全局同质性损失函数
9.根据权利要求8所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，全局曝光控制损失函数Lgec为：
...【技术特征摘要】
1.一种基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，所述s1具体包括：
3.根据权利要求1所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，采用attention-skip connection进行特征融合，包括：
4.根据权利要求1所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，所述s2具体包括：
5.根据权利要求4所述的基于无样本低照度增强的矿洞裂缝分割检测方法，其特征在于，所...
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。