面向大坝建造场景的保温被未覆盖区域检测方法
发布时间：2021-06-23 13:29
大坝建造过程中,受气温骤变的影响,大坝表面可能会产生危害性裂缝,这对大坝安全稳定构成潜在威胁。工业界通常采用铺设一层保温被的方式解决此问题,因此保温被未覆盖区域检测是一项确保大坝安全建造的重要任务。人工检测保温被未覆盖区域不仅耗时,而且还存在漏检和不及时等弊端,因此提出了一种基于深度学习的保温被未覆盖区域检测方法,该方法基于RefineDet目标检测算法,在检测过程中加入像素点检测分支,提升了复杂大坝建造场景中对于形状不规则的保温被未覆盖区域检测精度,还提出了一种度量检测效果的指标—平均匹配率AMR,所提方法在乌东德大坝建造场景中的AMR达到85.5%,验证了本方法的有效性和可靠性。
【文章来源】：人民黄河. 2020,42(S2)北大核心
【文章页数】：4 页
【部分图文】：
保温被未覆盖区域检测效果
所提方法的检测分析流程如图2所示。①将待检测图片输入到特征提取网络中进行特征编码;②将获取到的深层特征图像分别输入到目标框检测分支和像素级检测分支。其中目标框检测分支由多尺度特征融合模块和两个核为3×3像素的卷积层组成。像素级检测分支由多孔金字塔池化模块(ASPP)[13]和一个核为1×1像素、3×3像素的卷积层构成;③将目标框的检测结果和像素级检测结果融合,生成最终保温被未覆盖区域的检测图像。采用VGG16[14]作为特征提取网络,如图3所示,特征提取网络可以分为5个阶段,特征提取的每个阶段由多个卷积层、激活函数以及池化层组成。
采用VGG16[14]作为特征提取网络,如图3所示,特征提取网络可以分为5个阶段,特征提取的每个阶段由多个卷积层、激活函数以及池化层组成。将获取的深层特征图像输入多尺度特征融合模块,生成不同尺度的特征融合图像,多尺度特征融合模块如图4所示,该模块的输入分别为特征提取网络的conv4_3和conv5_3特征图像,其中conv5_3特征图像按照预设卷积运算生成不同尺度的conv6,conv7特征图像。该特征融合模块按照由小尺度到大尺度的顺序逐次进行特征图像融合,生成多个不同尺度的特征融合图像f1,f2,f3,f4。特征融合过程如图5所示,由于特征图像尺度之间的差异,因此在特征元素相加操作之前需要对尺度较小的特征图采用转置卷积的方式进行2倍上采样,然后使用一个3×3大小的卷积核进行细化。将不同尺度的特征融合图像f1,f2,f3,f4分别使用两个3×3大小的卷积核进行目标检测,其中通道数为4的卷积核得到每个目标框的位置信息T∈R4,通道数为2的卷积核得到所属类别概率信息O∈R2,目标框位置信息T是一个包含目标框中心点坐标和长宽信息的四维向量,目标框所属类别信息O是一个包含保温被覆盖区域和保温被未覆盖区域类别概率的二维向量,选择最大概率值对应的类别作为目标框所属的类别。目标框的损失函数使用Lossdec表示:
【参考文献】：
期刊论文
[1]双江口水电站智能大坝系统建设探索[J]. 李永利,唐茂颖,段斌,吴先俊. 人民长江. 2018(S2)
[2]气温骤降下大坝抗裂性能及保温措施效果分析[J]. 张春海. 吉林水利. 2018(01)
[3]高寒地区大体积混凝土临时越冬保温技术[J]. 李绍辉,宋名辉,陈自强,彭旭光,苗强,苗国权. 水利水电技术. 2016(06)
[4]新疆严寒地区某RCC坝裂缝预防及处理措施[J]. 达吾然. 人民长江. 2013(S1)
[5]溪洛渡水电站右岸泄洪洞进水塔混凝土保温措施[J]. 周一凡. 人民长江. 2010(05)
本文编号：3245024
【文章来源】：人民黄河. 2020,42(S2)北大核心
【文章页数】：4 页
【部分图文】：
保温被未覆盖区域检测效果
所提方法的检测分析流程如图2所示。①将待检测图片输入到特征提取网络中进行特征编码;②将获取到的深层特征图像分别输入到目标框检测分支和像素级检测分支。其中目标框检测分支由多尺度特征融合模块和两个核为3×3像素的卷积层组成。像素级检测分支由多孔金字塔池化模块(ASPP)[13]和一个核为1×1像素、3×3像素的卷积层构成;③将目标框的检测结果和像素级检测结果融合,生成最终保温被未覆盖区域的检测图像。采用VGG16[14]作为特征提取网络,如图3所示,特征提取网络可以分为5个阶段,特征提取的每个阶段由多个卷积层、激活函数以及池化层组成。
采用VGG16[14]作为特征提取网络,如图3所示,特征提取网络可以分为5个阶段,特征提取的每个阶段由多个卷积层、激活函数以及池化层组成。将获取的深层特征图像输入多尺度特征融合模块,生成不同尺度的特征融合图像,多尺度特征融合模块如图4所示,该模块的输入分别为特征提取网络的conv4_3和conv5_3特征图像,其中conv5_3特征图像按照预设卷积运算生成不同尺度的conv6,conv7特征图像。该特征融合模块按照由小尺度到大尺度的顺序逐次进行特征图像融合,生成多个不同尺度的特征融合图像f1,f2,f3,f4。特征融合过程如图5所示,由于特征图像尺度之间的差异,因此在特征元素相加操作之前需要对尺度较小的特征图采用转置卷积的方式进行2倍上采样,然后使用一个3×3大小的卷积核进行细化。将不同尺度的特征融合图像f1,f2,f3,f4分别使用两个3×3大小的卷积核进行目标检测,其中通道数为4的卷积核得到每个目标框的位置信息T∈R4,通道数为2的卷积核得到所属类别概率信息O∈R2,目标框位置信息T是一个包含目标框中心点坐标和长宽信息的四维向量,目标框所属类别信息O是一个包含保温被覆盖区域和保温被未覆盖区域类别概率的二维向量,选择最大概率值对应的类别作为目标框所属的类别。目标框的损失函数使用Lossdec表示:
【参考文献】：
期刊论文
[1]双江口水电站智能大坝系统建设探索[J]. 李永利,唐茂颖,段斌,吴先俊. 人民长江. 2018(S2)
[2]气温骤降下大坝抗裂性能及保温措施效果分析[J]. 张春海. 吉林水利. 2018(01)
[3]高寒地区大体积混凝土临时越冬保温技术[J]. 李绍辉,宋名辉,陈自强,彭旭光,苗强,苗国权. 水利水电技术. 2016(06)
[4]新疆严寒地区某RCC坝裂缝预防及处理措施[J]. 达吾然. 人民长江. 2013(S1)
[5]溪洛渡水电站右岸泄洪洞进水塔混凝土保温措施[J]. 周一凡. 人民长江. 2010(05)
本文编号：3245024
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/3245024.html
