一种基于单模型的混凝土坝裂缝识别方法、系统及电子设备

本发明属于计算机视觉与水利工程，尤其涉及一种混凝土坝裂缝识别方法及系统。

背景技术：

1、混凝土坝是重要的水利基础设施，具有灌溉、水力发电、防洪、航运，供水等重要功能。然而，大坝一旦失事，下游地区可能会出现重大的人员伤亡和财产损失。裂缝是混凝土坝最常见的危害之一，随着裂缝持续扩展，深层裂缝和贯穿裂缝会削弱坝体的刚度，影响大坝的整体性，恶化其受力状态，严重影响坝体的安全运行。因此，及时发现裂缝并评估裂缝的危害程度对保障大坝安全运行是十分必要的

2、在大坝结构健康监测领域，虽然传统裂缝监测手段有一定效果，但其应用范围有限，难以实时获取裂缝动态演变及扩展模式的完整信息。以传感器为例，随着坝龄的逐年增长和环境的不断变化，坝体会不断出现新的裂缝，然而传感器覆盖范围存在固有局限，无法捕捉后续裂缝，检测效率较低。人工检测则受制于环境条件、安全顾虑及人员限制，导致效率低下。

3、近年来，计算机视觉技术发展迅速，为裂缝监测提供了高效的新技术手段。使用计算机视觉技术能够对拍摄的图像中的裂缝进行快速检测与分割，相比于人工审核极大地提升了裂缝图像的处理效率。目裂缝检测和裂缝分割一般分两步进行，先使用检测模型定位裂缝，再使用语义分割模型对检测到的裂缝进行分割，这样做需要单独建立两个模型，不仅显著增加了模型的构造和训练成本，而且增加了裂缝图像处理流程的复杂度，降低了裂缝图像处理的实时性。此外，目前一些深度学习模型复杂度仍然较高，图像处理计算量较大，不适合实时应用，并且裂缝图像正负样本高度不平衡特性会导致模型性能下降。

技术实现思路

1、本发明目的在于提供一种基于单模型的混凝土坝裂缝识别方法及系统，其使用实例分割模型同时进行裂缝检测和分割，解决了分步裂缝检测和分割方法步骤较为繁琐的问题，同时对实例分割模型进行了改进，减少了模型的计算量并提高了对裂缝图像类别高度不平衡特性的适应能力。

2、为此，本发明提供一种混凝土坝裂缝识别方法，包括如下步骤：

3、s101. 构建基于rcis-yolo的混凝土坝裂缝识别模型，所述混凝土坝裂缝识别模型包括主干网络、颈部网络与头部网络三部分；所述主干网络包括改进特征提取模块和3x3卷积模块；所述颈部网络包括轻量化特征融合模块、临近上采样层、1x1卷积模块和3x3卷积模块；所述头部网络包括原型掩码模块和预测模块；

4、s102. 获取混凝土坝裂缝图像，并对得到的混凝土坝裂缝图像进行筛选和标注，得到混凝土坝裂缝数据集；

5、s103. 将所述混凝土坝裂缝数据集输入至所述混凝土坝裂缝识别模型中，基于复合损失函数对所述混凝土坝裂缝识别模型的模型参数进行优化，训练生成所述混凝土坝裂缝识别模型的权重，得到目标裂缝识别模型；

6、s104. 将实时混凝土坝裂缝图像输入至所述目标裂缝识别模型中，所述目标裂缝识别模型同时输出最终的裂缝检测和分割结果。

7、进一步地，所述改进特征提取模块包括：

8、多分支特征提取模块，所述多分支特征提取模块包括1x1深度可分离卷积模块、3x3深度可分离卷积模块和残差连接；裂缝特征增强模块，所述裂缝特征增强模块包括特征学习能力增强模块、1x1卷积模块和残差连接；所述多分支特征提取模块的输出特征输入到所述裂缝特征增强模块进行处理后，生成所述改进特征提取模块的最终输出特征；其中，所述特征学习能力增强模块首先对输入特征x在空间维度上做全局平均池化，将每个通道的空间信息压缩为单个标量，得到通道描述向量z；然后，通过瓶颈结构的两层全连接网络学习通道间的非线性交互，输出各通道的注意力权重s；最后，将学习到的通道注意力权重s逐通道乘回原始特征图x，得到重新标定后的特征图输出，表达式为：

9、，

10、，

11、，

12、，

13、，

14、，

15、式中，代表实数集，h、w和c分别为特征图的高度、宽度和通道数，zc表示第c个通道的全局特征响应，fsq为全局平均池化算子，xc(i, j)为第c个通道在空间位置(i, j)处的特征值，fex代表全连接网络组成的通道注意力生成器，代表sigmoid激活函数，代表relu激活函数，w1为第一层全连接的权重矩阵，w2为第二层全连接的权重矩阵，r为压缩比，为逐通道乘法。

16、进一步地，所述特征学习能力增强模块通过以下方式生成重新标定后的特征图：对输入特征x在空间维度上做全局平均池化，得到通道描述向量z；通过瓶颈结构的两层全连接网络学习通道间的非线性交互，输出各通道的注意力权重s；将所述注意力权重s逐通道乘回原始特征图x，得到重新标定后的特征图输出。

17、进一步地，所述轻量化特征融合模块包括3x3 gs卷积模块和1x1卷积模块；所述1x1卷积模块的输入特征由所述轻量化特征融合模块的输入特征组成；所述3x3 gs卷积模块的输入特征由所述1x1卷积模块的输出特征组成；所述3x3 gs卷积模块与所述1x1卷积模块的输出特征进行融合，生成融合特征；所述融合特征通过另一个1x1卷积模块进行通道调整，生成所述轻量化特征融合模块的输出特征。

18、进一步地，所述颈部网络包括自底向上的上采样融合部分和自顶向下的下采样融合部分；所述上采样融合部分用于将深层特征图通过所述临近上采样层处理为与上一阶段特征图相同大小，并与上一阶段的特征图叠加后输入到所述轻量化特征融合模块，生成上采样融合特征图；所述下采样融合部分用于通过所述3x3卷积模块将特征图处理为与下一阶段特征图相同大小，并与上采样融合部分下一阶段的特征图叠加后输入到所述轻量化特征融合模块，生成下采样融合特征图。

19、所述复合损失函数包括检测损失子函数和分割损失子函数；所述检测损失子函数包括binary cross-entropy loss和distribution focal loss；所述分割损失子函数包括dice loss与focal loss；

20、所述复合损失函数通过调整各项损失的权重系数，实现在不同损失项之间的自适应平衡；

21、所述复合损失函数的表达式为：

22、；

23、；

24、；

25、式中ldet为检测损失函数lseg为分割损失函数，λbox、λcls、λdice和λfocal为权重系数。

26、进一步地，步骤s102中，对采集的混凝土坝裂缝图像进行图像增强处理，所述图像增强处理包括直方图均衡化、伽马校正或对比度调整。

27、本发明还公开了一种基于单模型的混凝土坝裂缝识别系统，其包括：构建模块：配置为构建基于rcis-yolo的混凝土坝裂缝识别模型，所述混凝土坝裂缝识别模型包括主干网络、颈部网络与头部网络三部分；所述主干网络包括改进特征提取模块和3x3卷积模块；所述颈部网络包括轻量化特征融合模块、临近上采样层、1x1卷积模块和3x3卷积模块；所述头部网络包括原型掩码模块和预测模块；

28、获取模块：配置为获取混凝土坝裂缝图像，并对所述混凝土坝裂缝图像进行标注和预处理，得到混凝土坝裂缝数据集；

29、优化模块：配置为将所述混凝土坝裂缝数据集输入至所述混凝土坝裂缝识别模型中，基于复合损失函数对所述混凝土坝裂缝识别模型的模型参数进行优化，训练生成所述混凝土坝裂缝识别模型的权重，得到目标裂缝识别模型；

30、识别模块：配置为将实时混凝土坝裂缝图像输入至所述目标裂缝识别模型中，得到最终识别结果。

31、本发明进一步公开了一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的混凝土坝裂缝识别方法的步骤。

32、与现有技术相比，本发明的有益效果在于：本发明通过改进yolov8-seg模型的主干网络与颈部网络结构，引入的改进特征提取模块显著增强了模型对裂缝复杂特征的提取能力，提高了裂缝检测的精度，尤其在复杂背景和细微裂缝检测方面表现优异；采用复合损失函数，能够有效提升模型对裂缝主体特征的学习能力，提高模型对裂缝正负样本不平衡的适应性，同时考虑裂缝几何特性的约束，保证裂缝全局结构完整性和局部细节精确性，使得模型在不同场景和条件下都能稳定工作；使用轻量化特征融合模块改进颈部网络的特征融合策略，简化了计算过程，降低了模型的参数量与计算量，提升了模型推理速度，能够满足混凝土坝裂缝识别任务的实时性要求；所述目标裂缝识别模型可同时输出最终的裂缝检测和分割结果，大幅降低了检测和分割的流程复杂度。