[发明专利]一种基于视觉弱光环境的洞穴渗透缺陷识别方法

说明书

本发明涉及一种基于视觉弱光环境的洞穴渗透缺陷识别方法，具体包括：S1、获取洞穴渗透缺陷图像；S2、经数据增强算法进行扩充；S3、标注渗透缺陷；S4、输入到卷积神经网络进行特征提取，得到特征图；S5、特征图输入到区域候选网络中进行训练，得到目标区域和初始区域候选网络；S6、采用NMS算法筛选出感兴趣区域，输入到Faster RCNN网络中进行训练，得到初始Faster RCNN网络；S7、对初始Faster RCNN网络和初始区域候选网络的卷积层进行共享，同时进行训练并微调超参数，更新后经组合得到统一神经网络；S8、获取实时采集的洞穴图像，由统一神经网络进行识别并输出标记有渗透缺陷的洞穴图像。与现有技术相比，本发明具有提高识别渗透缺陷的效率和准确率等优点。

技术领域

本发明涉及无人机视觉识别领域，尤其是涉及一种基于视觉弱光环境的洞穴渗透缺陷识别方法。

背景技术

近些年，随着无人机技术的飞速发展，无人机的应用价值也越来越大。将无人机用于洞穴探测，具有低成本、安全、作业灵活的特点，改善了传统的人工探测效率低、危险性及不可预测性大、劳动强度大的弊端。无人机在视觉弱光环境下的飞行探测过程中所获得的洞穴图像的可识别度以及清晰度都影响着人们对目标的判断。在对洞穴图像的处理中，图像渗透缺陷识别是其关键所在。为了提高图像渗透缺陷识别精度，研究人员提出了很多图像缺陷识别算法。但是，在视觉弱光的环境下，无人机获得的洞穴渗透缺陷图像识别精度过低。近些年，提出的超快速目标区域检测算法(Faster RCNN)可避免图像特征重复计算，逐渐被用于图像缺陷识别中，但Faster RCNN需要对每个目标区域分类处理，因此计算效率低。

因此，现有技术对视觉弱光环境下无人机获得的洞穴图像中的图像缺陷检测方法，存在着检测准确率低下以及检测效率低下等问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的检测准确率低下以及检测效率低下的缺陷而提供一种基于视觉弱光环境的洞穴渗透缺陷识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于视觉弱光环境的洞穴渗透缺陷识别方法，用于无人机对视觉弱光环境下洞穴渗透缺陷进行识别，具体包括以下步骤：

S1、获取无人机在视觉弱光环境下飞行过程中采集到的洞穴渗透缺陷图像以及非缺陷图像，得到原始数据集；

S2、通过数据增强算法增加所述原始数据集中缺陷样本图像的数量，得到扩充后的数据集；

S3、对所述扩充后的数据集中洞穴渗透缺陷图像进行标注，并且将经过标注后的洞穴渗透缺陷图像作为样本集；

S4、将所述经过标注后的洞穴渗透缺陷图像输入到卷积神经网络进行渗透缺陷特征的提取，得到无人机在视觉弱光环境下洞穴渗透缺陷图像对应的特征图；

S5、所述特征图输入到区域候选网络中进行训练，得到包含渗透缺陷特征的目标区域以及初始区域候选网络；

S6、采用非极大值抑制(NMS)算法从所述目标区域中筛选出感兴趣区域，再将所述感兴趣区域输入到Faster RCNN网络中进行训练，得到初始Faster RCNN网络；

S7、对所述初始Faster RCNN网络和初始区域候选网络的卷积层进行共享，基于初始Faster RCNN网络对初始区域候选网络进行训练且微调超参数，得到更新后的区域候选网络，同时，对初始Faster RCNN网络的超参数进行微调，得到更新后的Faster RCNN网络，将更新后的区域候选网络和Faster RCNN网络进行组合得到统一神经网络；

S8、获取无人机在视觉弱光环境下实时采集的洞穴图像，输入至所述统一神经网络，所述统一神经网络进行识别并输出标记有渗透缺陷的洞穴图像。

所述无人机为具有独立飞行功能的多旋翼无人机。