CN114169404A - 一种基于图像智能获取边坡病害量化信息方法 - Google Patents
一种基于图像智能获取边坡病害量化信息方法 Download PDFInfo
- Publication number
- CN114169404A CN114169404A CN202111357743.0A CN202111357743A CN114169404A CN 114169404 A CN114169404 A CN 114169404A CN 202111357743 A CN202111357743 A CN 202111357743A CN 114169404 A CN114169404 A CN 114169404A
- Authority
- CN
- China
- Prior art keywords
- disease
- slope
- image
- area
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像获取边坡病害方法,S1,获取边坡图像;S2,使用预设的目标定位神经网络识别边坡图像获取第一识别区域,其中所述第一识别区域是病害区域;S3,使用预设的像素级分类神经网络识别第一识别区域内的病害信息获取第二识别结果;S4,根据所述第一识别区域和第二识别结果计算得到边坡病害的病害数量、面积、长度信息。本发明先使用目标定位神经网络获取边坡图像中的病害位置信息,并使用像素级分类神经网络来识别边坡图像中的边坡病害信息,能够更为准确的获取病害的像素信息。本发明使用与部分像素区域具有相同归一化二阶中心矩的椭圆长轴的长度计算病害长度信息,能够更精确地获取病害的长度,面积等量化信息。
Description
技术领域
本发明涉及图像技术领域,具体来说,涉及一种基于图像获取边坡病害方法、装置及电子设备。
背景技术
表观病害检测及程度分析在边坡健康监测领域具有重要意义。目前,在边坡方面,现有的整体技术状况评估是通过:工人定期巡查边坡的整体外观,记录边坡的关键部位(如格梁、挡墙、植被情况等)的病害类型,并通过病害的面积、长度、宽度等量化信息判断部位的受损程度。最后统计病害数量和病害程度,通过病害的量化汇总信息得到边坡整体安全状况。但是对于类似于边坡等大型民用边坡,不仅边坡的坡面与路面的高差较大,而且边坡的数量多,产生数据量庞大,依靠人工观察的方法是漫长的,效率低且带有主观性。因此,如何快速检测边坡(如边坡)的表观病害,并准确得到各个病害的量化信息是当前边坡整体技术状况评估面临的关键问题。
随着边坡病害检测技术近年来的快速发展和计算机技术的不断进步,开始逐渐出现使用人工智能方法检测边坡的病害。但是,基于人工智能的方法需要有一个良好的且鲁棒性强的智能模型,其离不开大量的训练数据集。就人工智能方法的输入端来看,数值参数(如结构模态应变能、加速度信号、形状位置信息等)或图像数据都可以作为边坡病害识别的训练数据源。但对于这种大型边坡来说(如边坡),使用通过布置传感器的数据评估边坡整体技术状况所需要的工作量是巨大的。因此,无论是从采集工人的技术水平上还是直观的结果上,对比数值参数,图像数据都更加容易获得。但是,就采集图像数据本身来说,仅靠人工攀爬边坡,拍摄边坡表观图像是困难、耗时的。因此,如何快速获得清晰的边坡表观图像是当前急需解决的问题。
此外,除了解决图像数据集的问题,图像识别的人工智能方法(模型) 多种多样,性质不一。因此,找到一个适用于边坡病害的人工智能模型是重要的。就从基于图像的人工智能方法输出结果来说,通常有:图像分类、目标定位和像素级分类三种层次。图像分类是对整张图像内所有内容进行单一类别的归类,目标定位可以使用定位框对整张图像的多个物体进行分类和定位,像素级分类是为整张图像中每一个像素进行分类。对于边坡来说,一张图像中出现多种不同病害的情况是常有的。若使用图像分类层次的人工智能模型,就不能对图像中多种不同类别的病害进行识别。若使用目标定位层次的人工智能模型,可以获得单张边坡病害图像的不同病害类别,以及这个病害在图像中的位置,但并不能对病害的程度进行量化(即病害的覆盖面积、长度等信息)。若使用像素级分类层级的人工智能模型,它除了能够继承前两者的优点(可以识别单张边坡图像中多种不同病害和识别病害的轮廓位置 (定位)),它还能计算某一病害的像素数量,从而得到病害的量化信息。但是,现有的像素级分类人工智能模型,其缺陷是:当图像内的物体像素在整张图像中占比很小的时候,该模型对这个物体的像素分类的效果并不好,常常会误判为图像内像素占比最多的物体的类别。因此,在选取合适的人工智能模型,最终获得边坡病害量化信息中,如何准确识别像素占比小的病害 (小型病害)是当前急需解决的问题。
本文提供的背景描述用于总体上呈现本公开的上下文的目的。除非本文另外指示,在该章节中描述的资料不是该申请的权利要求的现有技术并且不要通过包括在该章节内来承认其成为现有技术。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于图像获取边坡病害方法,其包括如下步骤:
S1,获取边坡图像;
S2,使用预设的目标定位神经网络识别边坡图像获取第一识别区域,其中所述第一识别区域是病害区域;
S3,使用预设的像素级分类神经网络识别第一识别区域内的病害信息获取第二识别结果;
S4,根据所述第一识别区域和第二识别结果计算得到边坡病害的病害数量、面积、长度信息。
具体的,所述使用预设的目标定位神经网络识别边坡图像输出定位框,所述定位框用于标识所述第一识别区域在所述边坡图像的位置。
具体的,所述边坡表观病害的数量以统计目标识别神经网络的预测定位框的数量来确定。
具体的,所述边坡病害的长度信息的获取具体如下:
具体的,还包括如下步骤:S5,根据边坡病害的病害数量、面积、长度信息获取边坡的病害程度,并根据所述病害程度推送相应的告警信息。
第二方面,本发明的另一个实施例公开了一种基于图像获取边坡病害装置,其包括如下单元:
边坡图像获取单元,用于获取边坡图像;
第一识别区域获取单元,用于使用预设的目标定位神经网络识别边坡图像获取第一识别区域,其中所述第一识别区域是病害区域;
第二识别结果获取单元,用于使用预设的像素级分类神经网络识别第一识别区域内的病害信息获取第二识别结果;
边坡病害计算单元,用于根据所述第一识别区域和第二识别结果计算得到边坡病害的病害数量、面积、长度信息。
具体的,所述使用预设的目标定位神经网络识别边坡图像输出定位框,所述定位框用于标识所述第一识别区域在所述边坡图像的位置。
具体的,所述边坡表观病害的数量以统计目标识别神经网络的预测定位框的数量来确定。
具体的,所述边坡病害的长度信息的获取具体如下:
第三方面,本发明的另一个实施例公开了一种电子设备,所述电子设备包括处理器,及存储器,所述存储器上存储有指令,所述指令在被所述处理器执行时,用以实现上述的基于图像获取边坡病害方法。
本发明使用先使用目标定位神经网络获取边坡图像中的病害位置信息,并根据所述病害位置来使用像素级分类神经网络来识别边坡图像中的边坡病害信息,本发明通过目标定位神经网络和像素级神经网络能够更为精确的获取病害信息,特别是小的病害信息。本发明最后使用像素级的识别结果和目标定位神经网络的结果来获取边坡的病害信息。此外,本发明使用与部分像素区域具有相同归一化二阶中心矩的椭圆长轴的长度计算病害长度等信息,能够更为精确的获取了病害的长度,面积信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于图像获取边坡病害方法的流程图;
图2是本发明实施例提供的无人机飞行航线示意图;
图3是本发明实施例提供的目标分类识别网络对边坡病害进行定位示意图;
图4是本发明实施例提供的定位框内的裂缝示意图;
图5是本发明实施例提供的像素级分类网络对边坡病害进行识别示意图;图6是本发明实施例提供的计算裂缝长度示意图;
图7是本发明实施例提供的病害识别方案与单独使用目标分类识别神经网络,像素级分类神经网络的效果对比示意图;
图8是本发明实施例提供的一种基于图像获取边坡病害装置示意图;
图9是本发明实施例提供的一种基于图像获取边坡病害设备示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
参考图1,为解决快速检测边坡表观病害、得到病害的面积、长度、宽度等量化信息的问题,本实施例提供一种基于图像获取边坡病害的方法,其包括如下步骤:
S1,获取边坡图像;
传统的采集边坡表面信息的方法是使用固定相机在边坡附近拍摄图像,这种方法很大程度上受到测量环境的限制。因此本实施例使用携带高分辨率摄像头的无人机采集边坡的表面信息。
参考图2,本实施例使用DJI无人机来获取边坡图像。使用IPAD端的 DJI GS Pro地面站专业版为无人机提前进行路径规划,过智能航点飞行的模式,对多个采集点设置为飞行航点。同时为每个航点设定连续的航点动作,包括调整飞行器偏航角、调整云台俯仰角、开始或停止录影等,以收集更精确的测量图像。
图2中的圆圈点是在人工规划飞行路径时设置需要无人机到达的位置。当在规划飞行路径图出现多个圆圈点时,无人机将根据点圈顺序依次执行直线飞行任务,并通过预设的角度对相关物体进行视频或图像拍摄。
S2,使用预设的目标定位神经网络识别边坡图像获取第一识别区域,其中所述第一识别区域是病害区域;
组成边坡的病害各不相同,对边坡的安全稳定性影响的情况也不一样。在检测图像像素占比较多的边坡病害(如植被裸露),可以直接使用像素级分类神经网络直接进行识别。但是,因为无人机在拍摄时,距离边坡表面仍有一定的高度,一些在图像中像素占比少的病害(小型病害,如裂缝)的轮廓特征,不易被像素分类的神经网络学习。因此,如果直接使用像素级分类的神经网络模型识别小型病害,那么网络模型的准确度将会大大降低。
为了提高人工智能方法识别的准确度,本实施例提出先对输入的边坡病害图像使用目标定位神经网络模型。参考图3,本实施例先通过目标定位识别神经网络对边坡病害进行定位,目标定位识别神经网络会输出一个定位框标定病害位置,并记录定位框所在图像的位置。参考图3,图3中的左图为输入图像,图3中右图为输出图像,其中输出图像中有一个定位框,所述定位框标定了边坡的病害部位,如图4中右图中的定位框中的裂缝。参看图3定位框内的像素pb远小于整幅图像的像素p,则小型病害像素pb的占比 r′=pd/pb大于r=pd/p,更易被像素级分类神经网络模型学习和识别。
本实施例使用现有的例如RCNN卷积神经网络系列、YOLO卷积神经网络系列、SSD系列等目标分类识别神经网络。
S3,使用预设的像素级分类神经网络识别第一识别区域内的病害信息获取第二识别结果;
本实施例使用现有的例如U-Net、FCN、DeepLab v3 plus等像素级分类神经网络。
参考图5,本实施例使用像素级分类神经网络对步骤S2输出的第一识别区域对病害信息进行识别,输出第二识别结果,其中第二识别结果输出的是一个二值图像信息,所述二值图像信息中的以“1”表示病害区域。
像素级分类神经网络的输入图像为步骤S2中输出的第一区域,其中第一区域可以由步骤S2输出的定位框信息,并根据所述定位框信息在所述边坡图像中获取所述第一识别区域。
S4,根据所述第一识别区域和第二识别结果计算得到边坡病害的病害数量、面积、长度信息。
边坡表观病害的数量可以统计目标识别神经网络的预测定位框的数量来确定。病害的面积,本实施例中的病害面积指的是像素面积,本实施例通过 MATLAB函数“regionprops”计算。
参考图6,在图像竖直方向以x个(x的大小可视情况而定。一般来说x 越小,计算的近似长度越接近真实长度,但所需要的计算时间越长。本发明综合精确度和时间考虑,取x为20)像素为一段,使用MATLAB函数“regionprops”中的“MajorAxisLength”测量类型(其原理为计算与该区域具有相同归一化二阶中心距的椭圆长轴长度,此长轴的长度近似等于该区域内裂缝的长度),得到这段区域裂缝的近似长度di。然后对每一段得到的长度进行求和,即为图像内整条裂缝的近似长度其中n为图像的高度除于x。由于每一个像素的宽度和长度均为1各单位。因此,裂缝的(像素)面积是直接通过统计像素级分类结果的像素总和得到。并用每一段的面积除以每一段的长度得到每一段的宽度。
本实施例使用先使用目标定位神经网络获取边坡图像中的病害位置信息,并根据所述病害位置来使用像素级分类神经网络来识别边坡图像中的边坡病害信息,本实施例通过目标定位神经网络和像素级神经网络能够更为精确的获取病害信息,特别是小的病害信息。本实施例最后使用像素级的识别结果和目标定位神经网络的结果来获取边坡的病害信息。此外,本实施例使用与部分像素区域具有相同归一化二阶中心矩的椭圆长轴的长度计算病害长度等信息,能够更为精确的获取了病害的长度,面积信息。
参考图7,为目标分类,像素级分类和本实施例的方法的对比示意图,其中(a)为输入图像,(b)目标分类图像,(c)为直接使用像素级分类网络获得的裂缝的像素级图像,(d)为本实施例的获取的第二识别结果,即获得的裂缝的像素级图像。目标分类即定位出病害在图像中的位置,单独使用像素级分类的结果可能会导致无法识别到病害或病害识别不完整。本发明提出的方法能更精确识别出病害的像素位置(白色部分为背景,蓝色部分为病害),进而对病害进行量化分析。
为了将相应的病害信息推送给相应的管理人员,本实施例还包括如下步骤:
S5,根据边坡病害的病害数量、面积、长度信息获取边坡的病害程度,并根据所述病害程度推送相应的告警信息。
具体本实施例为了提醒边坡管理人员,在识别到边坡病害的病害数量、面积、长度信息后,根据边坡病害的病害数量、面积、长度信息评估边坡的病害程度,并根据所述病害程度来推送相应的告警信息。
具体的,本实施例仅以严重与不严重进行举例说明。
具体的,本实施例设置一病害数量阈值,在所述病害数量大于所述病害数量阈值时,认为病害程度为严重。否则认为病害程度为不严重。
具体的,本实施例也可以设置多个病害数量阈值,并根据所述多个病害数量阈值来划分不同的病害程度,例如设置两个病害阈值,则可以将病害程度划分为,正常,一般,严重。其他,方式依次类推,本实施例不在赘述。
具体的,本实施例也可以设置一病害面积阈值,在所述病害面积大于所述病害面积阈值时,认为病害程度为严重。否则认为病害程度为不严重。
具体的,本实施例也可以设置一病害长度阈值,在所述病害长度大于所述病害长度阈值时,认为病害程度为严重。否则认为病害程度为不严重。
本实施例的告警信息可以以短信或者邮件的形式推送管理人员,或者是***直接以高亮的形式或者是声音的形式提醒管理人员。
实施例二
本实施例公开了一种基于图像获取边坡病害的方法,其包括如下步骤:
S1,获取边坡图像;
S10,判断边坡图像中是否有小型病害;如存在小型病害则执行步骤 S2,如不存在小型病害,则执行步骤S30;
对于边坡图像中是否存在小型病害,可以由工作人员对图像中的病害进行初步判断。本实施例中的小型病害可以由使用的工作人员事先定义,工作人员可以定义一特定面积的大小的病害属于小型病害,例如小于100个像素属于小型病害。
本实施例也可以通过目标定位神经网络来判断是否存在小型病害,若使用目标定位神经网络后,定位框的数量值输出为零,则表明图像中没有“事先定义的小型病害”,反之则有。
S2,使用预设的目标定位神经网络识别边坡图像获取第一识别区域,其中所述第一识别区域是病害区域;
S3,使用预设的像素级分类神经网络识别第一识别区域内的病害信息获取第二识别结果;
S30,使用预设的像素级分类神经网络识别所述边坡图像内的病害信息获取第二识别结果;
S4,根据所述第一识别区域和第二识别结果计算得到边坡病害的病害数量、面积、长度信息。
本实施例中的步骤S1、S2、S3、S4的步骤与实施例一的步骤相同,本实施例不在赘述。
本实施使用目标定位神经网络不仅是为了获取病害在图像中的位置。更加重要的原因是,根据目标定位框提取出的图像(小图)中的病害,能更加容易被像素级分类神经网络识别出来。弥补了像素级分类神经网络“难识别图像中较小物体”的缺点。但是,对于大型病害(如植被裸露),可以直接使用像素级分类神经网络识别即可。本实施例使用目标定位神经网络+像素级分类神经网络就是需要获得整张图像正确的像素级分类结果。
实施例三
参考图8,本实施例公开了一种基于图像获取边坡病害装置,其包括如下单元:
边坡图像获取单元,用于获取边坡图像;
传统的采集边坡表面信息的方法是使用固定相机在边坡附近拍摄图像,这种方法很大程度上受到测量环境的限制。因此本实施例使用携带高分辨率摄像头的无人机采集边坡的表面信息。
参考图2,本实施例使用DJI无人机来获取边坡图像。使用IPAD端的 DJI GS Pro地面站专业版为无人机提前进行路径规划,过智能航点飞行的模式,对多个采集点设置为飞行航点。同时为每个航点设定连续的航点动作,包括调整飞行器偏航角、调整云台俯仰角、开始或停止录影等,以收集更精确的测量图像。
第一识别区域获取单元,用于使用预设的目标定位神经网络识别边坡图像获取第一识别区域,其中所述第一识别区域是病害区域;
组成边坡的病害各不相同,对边坡的安全稳定性影响的情况也不一样。在检测图像像素占比较多的边坡病害(如植被裸露),可以直接使用像素级分类神经网络直接进行识别。但是,因为无人机在拍摄时,距离边坡表面仍有一定的高度,一些在图像中像素占比少的病害(小型病害,如裂缝)的轮廓特征,不易被像素分类的神经网络学习。因此,如果直接使用像素级分类的神经网络模型识别小型病害,那么网络模型的准确度将会大大降低。
为了提高人工智能方法识别的准确度,本实施例提出先对输入的边坡病害图像使用目标定位神经网络模型。参考图3,本实施例先通过目标定位识别神经网络对边坡病害进行定位,目标定位识别神经网络会输出一个定位框标定病害位置,并记录定位框所在图像的位置。参考图3,图3中的左图为输入图像,图3中右图为输出图像,其中输出图像中有一个定位框,所述定位框标定了边坡的病害部位,如图4中右图中的定位框中的裂缝。参看图3定位框内的像素pb远小于整幅图像的像素p,则小型病害像素pb的占比 r′=pd/pb大于r=pd/p,更易被像素级分类神经网络模型学习和识别。
第二识别结果获取单元,用于使用预设的像素级分类神经网络识别第一识别区域内的病害信息获取第二识别结果;
参考图5,本实施例使用像素级分类神经网络对第一识别区域获取单元输出的第一识别区域对病害信息进行识别,输出第二识别结果,其中第二识别结果输出的是一个二值图像信息,所述二值图像信息中的以“1”表示病害区域。
像素级分类神经网络的输入图像为第一识别区域获取单元中输出的第一区域,其中第一区域可以由第一识别区域获取单元输出的定位框信息,并根据所述定位框信息在所述边坡图像中获取所述第一识别区域。
边坡病害计算单元,用于根据所述第一识别区域和第二识别结果计算得到边坡病害的病害数量、面积、长度信息。
边坡表观病害的数量可以统计目标识别神经网络的预测定位框的数量来确定。病害的面积,本实施例中的病害面积指的是像素面积,本实施例通过 MATLAB函数“regionprops”计算。
参考图6,在图像竖直方向以x个(x的大小可视情况而定。一般来说x 越小,计算的近似长度越接近真实长度,但所需要的计算时间越长。本发明综合精确度和时间考虑,取x为20)像素为一段,使用MATLAB函数“regionprops”中的“MajorAxisLength”测量类型(其原理为计算与该区域具有相同归一化二阶中心距的椭圆长轴长度,此长轴的长度近似等于该区域内裂缝的长度),得到这段区域裂缝的近似长度di。然后对每一段得到的长度进行求和,即为图像内整条裂缝的近似长度其中n为图像的高度除于x。由于每一个像素的宽度和长度均为1各单位。因此,裂缝的(像素)面积是直接通过统计像素级分类结果的像素总和得到。并用每一段的面积除以每一段的长度得到每一段的宽度。
本实施例使用先使用目标定位神经网络获取边坡图像中的病害位置信息,并根据所述病害位置来使用像素级分类神经网络来识别边坡图像中的边坡病害信息,本实施例通过目标定位神经网络和像素级神经网络能够更为精确的获取病害信息,特别是小的病害信息。本实施例最后使用像素级的识别结果和目标定位神经网络的结果来获取边坡的病害信息。此外,本实施例使用与部分像素区域具有相同归一化二阶中心矩的椭圆长轴的长度计算病害长度等信息,能够更为精确的获取了病害的长度,面积信息。
为了将相应的病害信息推送给相应的管理人员,本实施例还包括如下单元:
告警信息推送单元,用于根据边坡病害的病害数量、面积、长度信息获取边坡的病害程度,并根据所述病害程度推送相应的告警信息。
具体本实施例为了提醒边坡管理人员,在识别到边坡病害的病害数量、面积、长度信息后,根据边坡病害的病害数量、面积、长度信息评估边坡的病害程度,并根据所述病害程度来推送相应的告警信息。
具体的,本实施例仅以严重与不严重进行举例说明。
具体的,本实施例设置一病害数量阈值,在所述病害数量大于所述病害数量阈值时,认为病害程度为严重。否则认为病害程度为不严重。
具体的,本实施例也可以设置多个病害数量阈值,并根据所述多个病害数量阈值来划分不同的病害程度,例如设置两个病害阈值,则可以将病害程度划分为,正常,一般,严重。其他,方式依次类推,本实施例不在赘述。
具体的,本实施例也可以设置一病害面积阈值,在所述病害面积大于所述病害面积阈值时,认为病害程度为严重。否则认为病害程度为不严重。
具体的,本实施例也可以设置一病害长度阈值,在所述病害长度大于所述病害长度阈值时,认为病害程度为严重。否则认为病害程度为不严重。
本实施例的告警信息可以以短信或者邮件的形式推送管理人员,或者是***直接以高亮的形式或者是声音的形式提醒管理人员。
实施例三
参考图9,图9是本实施例的一种基于图像获取边坡病害设备的结构示意图。该实施例的基于图像获取边坡病害设备20包括处理器21、存储器22 以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述方法实施例中的步骤。或者,所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器22中,并由所述处理器21执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述基于图像获取边坡病害设备20中的执行过程。例如,所述计算机程序可以被分割成实施例二中的各个模块,各模块具体功能请参考上述实施例所述的装置的工作过程,在此不再赘述。
所述基于图像获取边坡病害设备20可包括,但不仅限于,处理器21、存储器22。本领域技术人员可以理解,所述示意图仅仅是基于图像获取边坡病害设备20的示例,并不构成对基于图像获取边坡病害设备20的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于图像获取边坡病害设备20还可以包括输入输出设备、网络接入设备、总线等。
所述处理器21可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor, DSP)、专用集成电路(Application Specific Integrated Circuit, ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器21是所述基于图像获取边坡病害设备20的控制中心,利用各种接口和线路连接整个基于图像获取边坡病害设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块,所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块,以及调用存储在存储器22内的数据,实现所述基于图像获取边坡病害设备20的各种功能。所述存储器22可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡 (Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡 (Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述基于图像获取边坡病害设备20集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器21执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像获取边坡病害方法,其包括如下步骤:
S1,获取边坡图像;
S2,使用预设的目标定位神经网络识别边坡图像获取第一识别区域,其中所述第一识别区域是病害区域;
S3,使用预设的像素级分类神经网络识别第一识别区域内的病害信息获取第二识别结果;
S4,根据所述第一识别区域和第二识别结果计算得到边坡病害的病害数量、面积、长度信息。
2.根据权利要求1所述的方法,所述使用预设的目标定位神经网络识别边坡图像输出定位框,所述定位框用于标识所述第一识别区域在所述边坡图像的位置。
3.根据权利要求2所述的方法,所述边坡表观病害的数量以统计目标识别神经网络的预测定位框的数量来确定。
5.根据权利要求1所述的方法,还包括如下步骤:S5,根据边坡病害的病害数量、面积、长度信息获取边坡的病害程度,并根据所述病害程度推送相应的告警信息。
6.一种基于图像获取边坡病害装置,其包括如下单元:
边坡图像获取单元,用于获取边坡图像;
第一识别区域获取单元,用于使用预设的目标定位神经网络识别边坡图像获取第一识别区域,其中所述第一识别区域是病害区域;
第二识别结果获取单元,用于使用预设的像素级分类神经网络识别第一识别区域内的病害信息获取第二识别结果;
边坡病害计算单元,用于根据所述第一识别区域和第二识别结果计算得到边坡病害的病害数量、面积、长度信息。
7.根据权利要求6所述的装置,所述使用预设的目标定位神经网络识别边坡图像输出定位框,所述定位框用于标识所述第一识别区域在所述边坡图像的位置。
8.根据权利要求7所述的装置,所述边坡表观病害的数量以统计目标识别神经网络的预测定位框的数量来确定。
10.一种电子设备,所述电子设备包括处理器,及存储器,所述存储器上存储有指令,所述指令在被所述处理器执行时,用以实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111357743.0A CN114169404A (zh) | 2021-11-16 | 2021-11-16 | 一种基于图像智能获取边坡病害量化信息方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111357743.0A CN114169404A (zh) | 2021-11-16 | 2021-11-16 | 一种基于图像智能获取边坡病害量化信息方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169404A true CN114169404A (zh) | 2022-03-11 |
Family
ID=80479301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111357743.0A Pending CN114169404A (zh) | 2021-11-16 | 2021-11-16 | 一种基于图像智能获取边坡病害量化信息方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169404A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841995A (zh) * | 2022-06-02 | 2022-08-02 | 西南交通大学 | 一种基于深度学习的铁路路基挡护设备服役状态评估方法 |
-
2021
- 2021-11-16 CN CN202111357743.0A patent/CN114169404A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841995A (zh) * | 2022-06-02 | 2022-08-02 | 西南交通大学 | 一种基于深度学习的铁路路基挡护设备服役状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ukhwah et al. | Asphalt pavement pothole detection using deep learning method based on YOLO neural network | |
WO2022083402A1 (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
US20210192227A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
US10853943B2 (en) | Counting objects in images based on approximate locations | |
CN113822247B (zh) | 基于航拍影像的违章建筑识别方法及*** | |
CN113537049B (zh) | 地面点云数据处理方法、装置、终端设备及存储介质 | |
CN114565895B (zh) | 一种基于智慧社会的安防监控***及方法 | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及*** | |
CN109684986B (zh) | 一种基于车辆检测跟踪的车辆分析方法及*** | |
CN108229473A (zh) | 车辆年检标签检测方法及装置 | |
WO2022126522A1 (zh) | 物体识别方法、装置、可移动平台以及存储介质 | |
CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
CN110909674A (zh) | 一种交通标志识别方法、装置、设备和存储介质 | |
CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
US20230314169A1 (en) | Method and apparatus for generating map data, and non-transitory computer-readable storage medium | |
CA3012927A1 (en) | Counting objects in images based on approximate locations | |
CN115690747A (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
CN112686162B (zh) | 仓库环境整洁状态的检测方法、装置、设备和存储介质 | |
CN114973326A (zh) | 跌倒预警方法、装置、设备及可读存储介质 | |
CN114445326A (zh) | 光伏面板异常检测方法、检测装置及计算机可读存储装置 | |
CN114005041A (zh) | 一种基于uavrs和bim的道路病害识别管控方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |