基坑积水检测方法与流程

1.本发明涉及基坑积水图像处理技术领域，特别涉及一种基坑积水检测方法。


背景技术：

2.卷积神经网络（convolutional neural networks, cnn）是一类包含卷积计算且具有深度结构的前馈神经网络（feedforward neural networks），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此，它也被称为“平移不变人工神经网络（shift-invariant artificial neural networks, siann）”。
3.图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。图像的传统识别流程分为四个步骤：图像采集
→
图像预处理
→
特征提取
→
图像识别。图像识别将图像处理得到的图像进行特征提取和分类。识别方法中基本的也是常用的方法有统计法(或决策理论法)、句法(或结构)方法、神经网络法、模板匹配法和几何变换法。
4.基础工程是项目的根基，基坑安全至关重要，尤其是在雨季。基坑积水会制约工程进展，更严重的情况积水会渗透土方根部，引起大面塌方，造成安全事故影响整个地坑安全，快速识别出基坑积水情况可有效帮助工地根据积水情况拟定解决方案，减少工程损失，然而基坑水在实际中因光学特性，使得基坑积水识别存在困难，现有技术中，尚未有针对基坑积水有效检测识别的方案。
5.如何快速、准确、有效的识别出基坑积水成为了目前在基础工程应用领域中亟待解决的问题。


技术实现要素：

6.为解决上述问题，本发明提供了一种基坑积水检测的方法，基于图像处理和深度学习，通过将工地摄像头拍摄的照片进行分析处理，根据水的特征及水域轮廓，识别出基坑是否存在积水以及积水情况，基于对基坑积水图像数据进行颜色特征和纹理特征的提取，以及天空部分区域去除，获得能够准确描述基坑积水图像的特征数据，通过利用深度学习技术解决水体标签分辨率低，噪声多等问题，提高积水检测识别精度，实现了基坑积水得准确有效检测识别。
7.本发明提供了一种基坑积水检测的方法，具体技术方案如下：s1：获取基坑积水图像进行标注，作为基本训练图像数据；s2：对得到的图像数据进行特征提取；s3：将提取的特征数据输入到卷积神经网络模型中，进行训练；
s4：获取待检测图像数据，输入到训练好的网络模型中，输出检测结果。
8.进一步的，在步骤s2中，还包括对获得的所述基坑积水图像中静态的水面特征进行颜色特征提取和纹理特征提取。
9.进一步的，所述颜色特征提取，具体过程如下：对基坑积水图像进行灰度处理；确定基坑积水图像水体区域中与周围工地景物相比不同的亮度区域；对采集的灰度图像进行自适应灰度阈值分割，得到图像中的高亮区域。
10.进一步的，在颜色特征提取进行自适应灰度阈值分割后，判断得到的图像的水体区域中是否存在天空部分，若存在，则对图像中的天空部分进行去除。
11.进一步的，图像中天空部分的去除过程如下：依次扫描自适应灰度阈值分割后图像最上方的一行像素，如果存在高亮度的像素点，则对其进行四连通的区域生长，并检测周围是否也存在高亮度的像素点，如果存在则再次对其进行四连通的区域生长，如果不存在则停止，当所有像素点都停止生长后，则判定生长区域为图像中的天空部分，对天空部分进行去除。
12.进一步的，所述纹理特征提取，基于k均值聚类的方法来提取图像中的弱纹理区域。
13.进一步的，所述纹理特征提取，提取四个纹理特征值在0
°
、45
°
、90
°
和135
°
四个方向上特征的平均值作为相应特征的特征值。
14.进一步的，在步骤s2中，进行纹理特征提取后，还包括：将图片转换至hsv颜色空间，并分割成8x8大小的子块，提取每个子块饱和度亮度比值颜色特征；压缩灰度级并从每个子块样本中提取由灰度共生矩阵计算得到的4个纹理特征值，得到特征数据。
15.进一步的，在步骤s4后，还包括：s5：设定时间段，并获取在设定时间段的视频图像数据进行处理，得到高亮区域像素值随时间的变化过程，进行频谱分析，通过波动性特征，进一步进行基坑积水判定。
16.本发明的有益效果如下：通过采集基坑静态图像，通过颜色特征和纹理特征提取处理，获取能够准确描述基坑积水图像的特征数据，将获取的特征数据输入到卷积神经网络模型中，进行图像识别检测，实现针对工地现场基坑是否有积水的准确检测；基于工地的实际环境，以及雨后获取基坑图像时的实际光线情况，采集的基坑积水图像，大多会有天空部分，影响后续的积水检测识别，通过天空部分的高亮特征，对图像进行天空部分的去除，提高了后续积水检测识别的准确性。
17.根据获取的特征数据，输入到卷积神经网络中进行识别检测后，还通过水面会有波动的特征，获取一段时间内的图像数据，提取水面波动性特征，进而确认基坑中是否有积水，减少识别误差。
附图说明
18.图1是本发明实施例1的方法流程示意图；
图2是本发明实施例2的方法流程示意图。
具体实施方式
19.在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.实施例1本发明的实施例1公开了一种基坑积水检测方法，如图1所示，具体步骤流程如下：s1：获取基坑积水图像进行标注，作为基本训练图像数据；可通过工地现场本身的摄像装置根据实际情况进行位置和角度调整，用于获取基坑图像，无需增加现场设备，节约成本。
21.s2：对得到的图像数据进行特征提取；所述特征提取包括颜色特征提取和纹理特征提取，对获得的所述基坑积水图像中静态的水面特征进行颜色特征提取和纹理特征提取。
22.所述颜色特征提取，具体过程如下：对基坑积水图像进行灰度处理；确定基坑积水图像水体区域中与周围工地景物相比不同的亮度区域；对采集的灰度图像进行自适应灰度阈值分割，得到图像中的高亮区域。
23.本实施例中，颜色特征提取后还包括天空部分去除，一般情况下，天空的亮度是最高的，而从施工现场获取的图片中很可能存在天空部分，因此有必要将其去除；在颜色特征提取进行自适应灰度阈值分割后，判断得到的图像的水体区域中是否存在天空部分，若存在，则对图像中的天空部分进行去除。
24.图像中天空部分的去除过程如下：依次扫描自适应灰度阈值分割后图像最上方的一行像素，如果存在高亮度的像素点，则对其进行四连通的区域生长，并检测周围是否也存在高亮度的像素点，如果存在则再次对其进行四连通的区域生长，如果不存在则停止，当所有像素点都停止生长后，则判定生长区域为图像中的天空部分，认定以最上方一行像素为基础连通的高亮区域为天空，将其从高亮区域中排除掉。
25.所述纹理特征提取，由于静态水体的纹理一般较弱，相比之下周围的工地景物的纹理则往往比较强，本实施例中，基于k均值聚类的方法来提取图像中的弱纹理区域。
26.本实施例中，所述纹理特征提取，提取四个纹理特征值在0
°
、45
°
、90
°
和135
°
四个方向上特征的平均值作为相应特征的特征值。
27.在本实施例中，进行纹理特征提取后，还包括：将图片转换至hsv颜色空间，并分割成8x8大小的子块，提取每个子块饱和度亮度比值颜色特征；压缩灰度级并从每个子块样本中提取由灰度共生矩阵计算得到的4个纹理特征值，得到特征数据。
28.s3：将提取的特征数据输入到卷积神经网络模型中，进行训练；
卷积神经网络可采用现有的模型框架结构，算法结构简单，便于实现，在此不做具体限定。
29.s4：获取待检测图像数据，输入到训练好的网络模型中，输出检测结果。
30.实施例2本发明的实施例1公开了一种基坑积水检测方法，如图2所示，步骤s1-s4基于上述实施例1，在此不再重复赘述，本实施例中，在步骤s1-s4进行基坑积水检测获得模型输出结果之后，还包括：s5：设定时间段，并获取在设定时间段的视频图像数据进行处理，得到高亮区域像素值随时间的变化过程，进行频谱分析，通过波动性特征，进一步进行基坑积水判定。
31.水面长时间会存在波动，因此基于一段时间的水面波动性特征，能够进一步较为准确的确认是否为水体。
32.具体的，获取预设时间内的视频图像数据，对视频图像数据进行处理，得到高亮区域像素值随时间的变化过程，并对数据进行频谱分析，当超过预设比例的点频谱相似，并且幅频特性满足预设条件时，即可判定高亮具有波动性，进一步确定高亮区域为积水。
33.本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。