一种水电站现场巡查信息分析的方法及系统与流程

1.本发明属于信息分析领域，尤其涉及一种水电站现场巡查信息分析的方法及系统。


背景技术：

2.为了确保水电站安全稳定运行，按照《水电站大坝安全现场检查技术规程（dl_t2204-2020）》等文件的要求，必须按照规定的频次和路线，定期对水电站大坝相关建筑物安全进行现场巡查（简称水电站现场巡查），以便及时了解水电站的运行状况。目前水电站现场巡查主要采用人工凭借感官进行检查，辅以相机（摄像机）等设备记录，由于水电站建筑物形式多样、类型繁多，常见病害种类多、加上建筑物体型庞大、分布范围广，致使现场巡查技术要求高、巡查线路长、工作强度大。为了推进水电站现场巡查工作的自动化，部分水电站采用无人机等手段进行辅助巡查等探索，但由于所采集的图像信息仍需要人工查看分析，效率低、时间长，无法满足实际要求。


技术实现要素：

3.本发明的目的在于提供一种水电站现场巡查信息分析的方法及系统，旨在解决部分水电站采用无人机等手段进行辅助巡查等探索中，由于所采集的图像信息仍需要人工查看分析，效率低、时间长，无法满足实际要求的技术问题。
4.本发明是这样实现的，一种水电站现场巡查信息分析的方法，所述方法包括以下步骤：步骤s1：输入本期水电站现场巡查采集的图像；步骤s2：根据输入图像所包含的位置信息，进行建筑物名称、位置识别；步骤s3：并根据所识别的图像位置信息，调取相同位置上期巡查所获得的图像；步骤s4：计算本期和上期巡查所获得的图像相似度，判断结果是否满足要求，如果满足要求，则表明建筑物该位置从上期巡查至本期巡查期间的运行状况正常；如不满足要求，则表明建筑物该位置在此期间的状态发生了变化；步骤s5：对相似度不能满足要求的图像，将本期与上期图像进行同比例切割，并逐一计算切割后相同位置的本期与上期分块图像的相似度，找出相似度计算不满足要求的分块图像；步骤s6：将相似度计算不满足要求的、本期巡查采集的分块图像输入到卷积神经网络进行分析，识别该图像显示的特征所属的水电站病害的种类；步骤s7：根据识别的水电站病害种类以及分块图像切割比例、建筑物位置信息，综合分析判断该位置所出现的水电站病害的规模；步骤s8：根据所有输入图像的识别分析结果，综合统计分析、提出有关建筑物上期至本期巡查期间的运行状况及异常部位病害状况的巡查报告；步骤s9：将完成对比分析和分割处理的、特征提取的本期巡查采集的图像存入数
据库中，自动充实水电站常见病害训练数据库。
5.本发明的进一步技术方案是：所述步骤s4中计算本期和上期巡查所获得的图像相似度是通过结构相似度量来度量两幅图像在亮度、对比度、结构层面上的差异。
6.本发明的进一步技术方案是：所述相似度量计算如下：ssim算法是输入两张图片，即源图像x和对比图像y，根据物体表面亮度信息与照度和反射系数有关，且场景中物体的结构与照度是独立的，反射系数与物体本身有关特性，通过分离亮度对比函数l（x,y）、对比度对比函数c（x,y）、结构对比函数s（x,y）可进行ssim指数函数计算：ssim（x,y）=〖[l(s,y)]〗^α 〖[c(x,y)]〗^β 〖[s(x,y)]〗^γ
ꢀꢀꢀꢀꢀꢀ
（1）公式中的α，β，γ 》0，用来调整三个函数之间的重要性，为了进一步简化公式，可设α=β=γ=1，c3=c2/2即得到：ssim（x,y）=((2μ_x μ_y c1)(2б_x б_y c2))/((μ_x^2 μ_y^2 c1)(б_x^2 б_y^2 c2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）ssim取值范围[0,1]，其值越大，表示两图像失真越小，即越相似。
[0007]
本发明的另一目的在于提供一种水电站现场巡查信息分析的系统，所述系统包括本期巡查图像输入单元，连接所述本期巡查图像输入单元的图像位置识别单元，连接所述图像位置识别单元的图像相似度对比单元，连接所述图像相似度对比单元的疑似病害图像处理单元、数据输出单元及图像数据库，连接所述疑似病害图像处理单元的卷积神经网络分类识别单元，连接所述卷积神经网络分类识别单元的病害结果分析单元及病害分类训练单元；所述病害结果分析单元分别与所述病害分类训练单元及所述数据输出单元连接，所述数据输出单元连接所述图像数据库；所述本期巡查图像输入单元：用于巡查图像输入；所述图像位置识别单元：用于识别本期巡查图像所属建筑物及位置信息；所述图像相似度对比单元：用于从图像数据库中调取相同位置信息的上期巡查获得的图像，并计算同一位置的前后图像相似度，并判断是否满足要求；所述疑似病害图像处理单元：用于对相似度计算结果不满足要求的本期图像与上期巡查所采集的图像进行同比例分割，并逐一对分割后的同位置本期图像与上期巡查分块图像进行相似度计算，找出相似度不能满足要求的本期图像的分块图像，以备下一单元使用；所述卷积神经网络分类识别单元：用于经过大量水电站常见病害图像数据训练后的卷积神经网络，对不能满足要求的本期图像的分块图像进行常见病害种类识别；所述病害结果分析单元：用于根据分块图像切割比例、病害种类、病害所处位置信息，综合分析判断所识别病害的规模；所述数据输出单元：用于本期所有巡查图像计算分析结果进行汇总，按照规程规定的文件格式提出有关建筑物本期巡查报告；所述图像数据库：用于数据的存储、调取；所述病害分类训练单元：用于对卷积神经网络分类识别单元的卷积神经网络进行水电站常见病害识别训练；病害分类训练单元包含分类训练数据库，数据库中存储大量实际采集的水电站常见病害图像，并经过具有水电站巡查实践和常见病害鉴别经验的专家进
行分类标注，卷积神经网络经过这些图像的训练，可保证卷积神经网络分类识别的准确性和可靠性。
[0008]
本发明的进一步技术方案是：所述卷积神经网络分类识别单元包括卷积神经网络，所述卷积神经网络包括三层卷积层：第一层为输入层，其用于输入大小为38x38的图像，分离出的各个小尺寸图像通过保持宽高比统一缩放到38x38的大小尺寸，第一层具有三个通道，分别用于接收输入图像的r、g、b三通道数据分量；第一层卷积核的尺寸为3x3 , 特征图个数为6个，第一层卷积层，用于提取颜色相关的图像特征；第一层卷积操作完成后，数据输入池化层，该池化层数据接入第二层卷积层，第二层卷积层有8个具有3x3卷积核的特征图，第二层卷积层用于提取颜色特征在二维空间上的分布关系；第二层卷积层处理完成的数据同样接入池化层，池化处理后，数据接入第三层卷积层，第三层卷积层有12个具有 3x3卷积核的特征图，第三层卷积层用于提取病害特征和其他干扰性特征在二维空间上的区分特征；第三层卷积层处理结果送入输出层，输出层按照水电站常见病害分类输出所识别的病害类型结果。
[0009]
本发明的有益效果是：本方法通过对比本期和上期巡查所获图像的相似度和基于通过采用大量水电站常见病害图像充分训练后的卷积神经网络，可以提高水电站现场巡查图像分析的准确性和处理效率，从而大大降低水电站运行管理人员的劳动强度，提高工作效率，为实现水电站自动巡查提供技术支撑。
附图说明
[0010]
图1是本发明实施例提供的一种水电站现场巡查信息分析的方法的流程框图；图2是本发明实施例提供的一种水电站现场巡查信息分析的系统的系统框图。
具体实施方式
[0011]
图1示出了本发明提供的一种水电站现场巡查信息分析的方法，所述方法包括以下步骤：步骤s1：输入本期水电站现场巡查采集的图像。
[0012]
步骤s2：根据输入图像所包含的位置信息，进行建筑物名称、位置识别。
[0013]
步骤s3：并根据所识别的图像位置信息，调取相同位置上期巡查所获得的图像。
[0014]
步骤s4：计算本期和上期巡查所获得的图像相似度，判断结果是否满足要求，如果满足要求，则表明建筑物该位置从上期巡查至本期巡查期间的运行状况正常；如不满足要求，则表明建筑物该位置在此期间的状态发生了变化；计算本期和上期巡查所获得的图像相似度是通过结构相似度量（ssim）来度量两幅图像在亮度、对比度、结构层面上的差异；所述相似度量计算如下：ssim算法是输入两张图片，即源图像x（本期巡查所采集的图像）和对比图像y（上期巡查所采集的图像），根据物体表面亮度信息与照度和反射系数有关，且场景中物体的结构与照度是独立的，反射系数与物体本身有关等特性，通过分离亮度对比函数l（x,y）、对比度对比函数c（x,y）、结构对比函数s（x,y）可进行ssim指数函数计算：ssim（x,y）=〖[l(s,y)]〗^α 〖[c(x,y)]〗^β 〖[s(x,y)]〗^γ
ꢀꢀꢀꢀꢀꢀ
（1）公式中的α，β，γ 》0，用来调整三个函数之间的重要性，为了进一步简化公式，可设α=β=γ=1，c3=c2/2即得到：
ssim（x,y）=((2μ_x μ_y c1)(2б_x б_y c2))/((μ_x^2 μ_y^2 c1)(б_x^2 б_y^2 c2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）ssim取值范围[0,1]，其值越大，表示两图像失真越小，即越相似。
[0015]
步骤s5：对相似度不能满足要求的图像，将本期与上期图像进行同比例切割，并逐一计算切割后相同位置的本期与上期分块图像的相似度，找出相似度计算不满足要求的分块图像，计算也是通过结构相似度量（ssim）来度量两幅图像在亮度、对比度、结构层面上的差异。
[0016]
步骤s6：将相似度计算不满足要求的、本期巡查采集的分块图像输入到卷积神经网络进行分析，识别该图像显示的特征所属的水电站病害的种类。
[0017]
步骤s7：根据识别的水电站病害种类以及分块图像切割比例、建筑物位置信息等，综合分析判断该位置所出现的水电站病害的规模。
[0018]
步骤s8：根据所有输入图像的识别分析结果，综合统计分析、提出有关建筑物上期至本期巡查期间的运行状况及异常部位病害状况的巡查报告。
[0019]
步骤s9：将完成对比分析和分割处理的、特征提取的本期巡查采集的图像存入数据库中，自动充实水电站常见病害训练数据库。
[0020]
图2示出了本发明提供的一种水电站现场巡查信息分析的系统，所述系统包括本期巡查图像输入单元，连接所述本期巡查图像输入单元的图像位置识别单元，连接所述图像位置识别单元的图像相似度对比单元，连接所述图像相似度对比单元的疑似病害图像处理单元、数据输出单元及图像数据库，连接所述疑似病害图像处理单元的卷积神经网络分类识别单元，连接所述卷积神经网络分类识别单元的病害结果分析单元及病害分类训练单元；所述病害结果分析单元分别与所述病害分类训练单元及所述数据输出单元连接，所述数据输出单元连接所述图像数据库；所述本期巡查图像输入单元：用于巡查图像输入；所述图像位置识别单元：用于识别本期巡查图像所属建筑物及位置信息；所述图像相似度对比单元：用于从图像数据库中调取相同位置信息的上期巡查获得的图像，并计算同一位置的前后图像相似度，并判断是否满足要求；所述疑似病害图像处理单元：用于对相似度计算结果不满足要求的本期图像与上期巡查所采集的图像进行同比例分割，并逐一对分割后的同位置本期图像与上期巡查分块图像进行相似度计算，找出相似度不能满足要求的本期图像分块图像，以备下一单元使用；所述卷积神经网络分类识别单元：用于经过大量水电站常见病害图像数据训练后的卷积神经网络，对提出不能满足要求的本期图像的分块图像进行常见病害种类识别；所述病害结果分析单元：用于根据分块图像切割比例、病害种类、病害所处位置等信息，综合分析判断所识别病害的规模；所述数据输出单元：用于本期所有巡查图像计算分析结果进行汇总，按照规程规定的文件格式提出有关建筑物本期巡查报告；所述图像数据库：用于数据的存储、调取；所述病害分类训练单元：用于对卷积神经网络分类识别单元的卷积神经网络进行水电站常见病害识别训练；病害分类训练单元包含分类训练数据库，数据库中存储大量实际采集的水电站常见病害图像，并经过具有水电站巡查实践和常见病害鉴别经验的专家进
行分类标注，卷积神经网络经过这些图像的训练，可保证卷积神经网络分类识别的准确性和可靠性。
[0021]
所述卷积神经网络分类识别单元包括卷积神经网络，所述卷积神经网络包括三层卷积层：第一层为输入层，其用于输入大小为38x38的图像，分离出的各个小尺寸图像通过保持宽高比统一缩放到38x38的大小尺寸，第一层具有三个通道，分别用于接收输入图像的r、g、b三通道数据分量；第一层卷积核的尺寸为3x3 , 特征图个数为6个，第一层卷积层，用于提取颜色相关的图像特征；第一层卷积操作完成后，数据输入池化层，该池化层数据接入第二层卷积层，第二层卷积层有8个具有3x3卷积核的特征图，第二层卷积层用于提取颜色特征在二维空间上的分布关系；第二层卷积层处理完成的数据同样接入池化层，池化处理后，数据接入第三层卷积层，第三层卷积层有12个具有 3x3卷积核的特征图，第三层卷积层用于提取病害特征和其他干扰性特征在二维空间上的区分特征；第三层卷积层处理结果送入输出层，输出层按照水电站常见病害分类输出所识别的病害类型结果。
[0022]
本方法通过对比本期和上期巡查所获图像的相似度和基于通过采用大量水电站常见病害图像充分训练后的卷积神经网络，可以提高水电站现场巡查图像分析的准确性和处理效率，从而大大降低水电站运行管理人员的劳动强度，提高工作效率，为实现水电站自动巡查提供技术支撑。
[0023]
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、等同替换和改进等，均应包含在本发明的保护范围之内。