一种基于YOLOv5模型的水工程表面裂缝检测方法与流程

一种基于yolov5模型的水工程表面裂缝检测方法
技术领域
1.本发明涉及信息技术里的机器学习和图像处理技术领域，更具体地说它是基于yolov5模型的水工程表面裂缝检测方法。更具体地说它是一种基于yolov5模型和无人机的水工程表面裂缝检测方法。
2.本发明中的水工程包括大坝坝顶的道路表面，大坝溢洪道的侧边表面等。


背景技术：

3.中国如何在高速发展水利工程建设的同时，加强大坝的安全性监测,以及如何形成有效的“巡、检、诊、维”智能系统都成为水利工程发展过程中亟待解决的问题。目前来看，裂缝、磨损、气蚀和侵蚀等众多因素都可能会直接威胁到混凝土型大坝的安全。其中，裂缝所带来的危害往往是最大的，因为裂缝不但会存在于大坝的表面，而且还可以延伸到大坝的内部，直接影响整个坝体的安全。针对坝面、边坡和高层建筑等此类场景所固有的不易达、不易检且危险系数较高的特点，以及其巡测存在的采集传感器信号类型不全面、通信方式比较单一、硬件处理平台配置不高和不能将采集的数据及时进行分类、处理及分析等问题，目前主要有传统的人工巡检和智能化系统巡检两种方式。使用传统的人工巡检不但对人力和物力是巨大的消耗，而且检测的效率也极其低下，达不到快速检测以及诊断维护的目的。同时，就目前的智能化巡检系统来看，主要是通过使用智能化设备将缺陷数据采集回来，结合深度学习的各类方法对数据进行相应处理，最后利用得到的检测模型完成指定的视觉任务。
4.然而由于坝面这类特殊的场景，单单使用这种方式往往面临着数据量不足和数据噪声较多的影响，得到的检测模型存在一定的瑕疵，容易出现误检和漏检的情况，并且对缺陷的定量信息不能及时反映，对后期的维护工作也会产生一定影响。
5.因此，开发一种提高检测精度和检测效率的大坝坝面裂缝检测方法很有必要。


技术实现要素：

6.本发明的目的是为了提供一种基于yolov5模型的水工程表面裂缝检测方法，为一种基于yolov5模型的坝面表观缺陷实时检测的方法，提高检测精度和检测效率(对于指定数据集，本发明的准确率可以达到0.942，检测裂纹精度为1.3mm；本发明实时检测主要针对视频数据而言，yolov5模型对于640x640的数据处理时间从0.6ms～4.8ms，一般的视频为30hz，满足实时检测的需求)，解决混凝土型坝面存在的裂缝等缺陷的检测和分类问题。
7.为了实现上述本发明的目的，本发明的技术方案为：一种基于yolov5模型的水工程表面裂缝检测方法，其特征在于：包括如下步骤，
8.步骤一：采用无人机采集水工程表面图像；
9.步骤二：根据采集图像，进行图像增强，扩充数据集；
10.采用图像预处理模块处理所获得的采集图像；
11.步骤三：标注裂缝样本图像，并建立模型训练集、验证集、测试集；
12.根据裂缝特征分段或分片框选标注裂缝样本图像，并将这些数据集分类为yolov5模型的训练集、验证集、测试集；
13.步骤四：根据应用需求，完成指定模型训练任务；
14.利用训练集对yolov5模型进行训练、采用验证集对yolov5模型进行验证，以获得训练过程中最优的yolov5模型；
15.步骤五：采用测试集进行测试，根据实际需求选择对应模型以及调整超参数，应用模型至实际工程项目中；
16.将最终调试好的yolov5模型输入图片测试，输出测试结果。
17.在上述技术方案中，在步骤一中，采集图像为不同水工程表面的三通道二维图像；
18.利用无人机获取不同水工程表面的三通道二维图像信息的方法，具体包含以下步骤：
19.步骤1.1：利用无人机摄像头对水工程表面进行贴近摄影拍摄；
20.步骤1.2：根据无人机拍摄照片，抽取水工程表面的每一帧图像，所述图像包括含裂缝的图像和不含裂缝的背景图像。
21.在上述技术方案中，在步骤二中，进行图像增强，扩充数据集的方法，具体包含以下步骤：
22.步骤2.1：对获取的图片进行平移，旋转，缩放，改变灰度值，白平衡，对比度等操作，以增加样本数量；
23.步骤2.2：使用高斯模糊，添加随机噪声处理部分图片，以增加样本数量。
24.在上述技术方案中，在步骤三中，建立模型训练集、验证集、测试集的方法，具体包含以下步骤：
25.步骤3.1：调整步骤二中的图片的分辨率；
26.将图片调整为分辨率为416像素x416像素或608像素x608像素，具体图片的分辨率大小根据自己的设备内存大小或者gpu显存大小进行设置；
27.步骤3.2：根据裂缝特征分段或分片框选标注裂缝样本图像；
28.裂缝通常会贯穿或横跨整个图像的长和宽，将裂缝一次性标注进去，会带入很多不必要的背景信息，不利于判断，因此可以根据裂缝外接矩形的长宽比进行判断，是否需要分段标注。
29.步骤3.3：将步骤3.2中的图片以6：2：2的比例随机的分为训练集、验证集、测试集，尽量保持各个集合之间的裂缝与背景图像比例一致，且测试集和验证集中不应出现训练集中重复出现裂缝的样本。
30.在上述技术方案中，在步骤四中，训练yolov5模型的方法，具体包含以下步骤：
31.步骤4.1：将步骤3.2中的训练集投入yolov5s模型中训练，设定训练的轮数n(也即epoch，一轮指将所有训练集完整输入到模型中训练一次)。每当完成一轮训练，则将验证集投入yolov5s模型中验证训练效果，记录当前训练的准确率、召回率、map(在机器学习中的目标检测领域，map(mean average precision)是十分重要的衡量指标，用于衡量目标检测算法的性能。一般而言，全类平均正确率(map，又称全类平均精度)是将所有类别检测的平均正确率(ap)进行综合加权平均而得到)、f1指标(f1分数(f1 score)，是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。f1分数可以
看作是模型精确率和召回率的一种调和平均，它的最大值是1，最小值是0)以及模型网络权重。当完成n轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型；另外，记录对应各个参数的最优yolov5s模型的每帧图像运算时间，并保存其模型网络权重yolov5s.pt；
32.步骤4.2：将步骤3.2中的训练集投入yolov5m模型中训练，设定训练的轮数n(也即epoch，一轮指将所有训练集完整输入到模型中训练一次)。每当完成一轮训练，则将验证集投入yolov5s模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成n轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，记录对应各个参数的最优yolov5m模型的每帧图像运算时间，并保存其模型网络权重yolov5m.pt；
33.步骤4.3：将步骤3.2中的训练集投入yolov5l模型中训练，设定训练的轮数n(也即epoch，一轮指将所有训练集完整输入到模型中训练一次)。每当完成一轮训练，则将验证集投入yolov5l模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成n轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，记录对应各个参数的最优yolov5l模型的每帧图像运算时间，并保存其模型网络权重yolov5l.pt；
34.步骤4.4：将步骤3.2中的训练集投入yolov5x模型中训练，设定训练的轮数n(也即epoch，一轮指将所有训练集完整输入到模型中训练一次)。每当完成一轮训练，则将验证集投入yolov5x模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成n轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，记录对应各个参数的最优yolov5x模型的每帧图像运算时间，并保存其模型网络权重yolov5x.pt。
35.在上述技术方案中，在步骤五中，应用训练模型的方法，具体包含以下步骤：
36.统筹选择最佳模型和设置本发明方法的超参数，超参数包括交并比阈值，置信度阈值，输入图片大小以及每一帧图像检测目标裂缝数量；
37.模型的选择和超参数的调整将影响当前项目对yolov5模型的运算速度和准确率等指标的倾向程度，结合步骤3.2中的测试集，自主调整最合适的超参数来选择步骤4.1-步骤4.4中的模型，具体步骤如下：
38.当进行实时裂纹检测或视频裂缝检测时，选用步骤4.1-步骤4.4中统筹考虑帧率、准确率、召回率、map和f1指标，来选择最合适的模型输入图片测试、输出测试结果；当对离线图片进行裂缝检测时，采用步骤4.4中的yolov5x.pt输入图片测试、输出测试结果；
39.当选定好模型之后，便可调整该模型的超参数以求进一步获取更优的检测效果，超参数包括交并比阈值，置信度阈值，输入图片大小以及每一帧图像的最大检测目标裂纹数量。
40.本发明具有如下优点：
41.(1)本发明利用无人机贴近飞行进行大面积的水工程表面的数据采集，效率高、精度高、安全性高；解决或缓解了传统依靠人工实地大面积检测水工程表面，效率低，精度低、安全性低的问题；
42.(2)本发明依靠yolov5模型进行识别和检测裂缝的工作，提升了检测效率和准确
率；解决了现有技术依靠人眼识别和检测裂缝的工作，效率和准确率低的问题；
43.(3)本发明根据混凝土水工程表面背景复杂、裂缝形状不规则等特点，在yolov5模型中加入了图像数据集增强的功能，减少需要的数据数量；解决了深度学习模型需要大量数据集训练的缺点。
44.(4)本发明根据大坝坝面裂缝形状不规则的特点，提出了建立裂缝数据库的标注方法，分段或分片框选标注裂缝，可以有助于使模型更加关注于裂缝特征本身，而非复杂的背景，提高裂缝检测准确率。
45.本发明为一种混凝土水工程建筑表面裂缝检测方法，采用本发明方法对水工程表面裂缝进行检测，能降低水电站坝面的巡检成本、提高检测效率(本发明通过无人机拍摄巡检代替人工实地巡检，节约了巡检成本，提高了巡检效率)，进一步提升客观性(本发明通过无人机相机采集的图像数据，能更加科学和低误差的检测缺陷)；本发明弥补了依靠人工检测水工程的表面裂缝检测，检测成本高、效率低，主观性高的缺点；同时本发明形成一套可推广应用其他水工结构巡检装备，从而为未来智慧水电站工作的开展打下良好的基础，也为智慧数字化水电站工作的开展提供支撑；此外，将先进的智能技术、检测方法和手段运用于大坝安全监测和隐患排查处理工作中，利用最新的智能化技术代替人工完成高危、繁重、琐碎的工作任务，在保证检测人员人生安全的前提下，能够有效地提高生产效率，提高整个行业的专业技能水平，从而有助于提升水利工程智慧化管理水平，推动行业发展。
附图说明
46.图1为本发明基于yolov5模型的水工程表面裂缝检测方法的流程示意图。
47.图2为本发明实施例的试验结果图。
48.图3为本发明实施例根据裂缝外接矩形的长宽比进行判断后进行分段标注的结果图。
49.在图2中，左图为采用现有技术(基于resnet模型的裂缝检测方法)对实施例中的某大坝溢洪道某处的检测效果；右图为采用本发明对实施例中的某大坝溢洪道某处(与对照组的检测点相同)的检测效果。
50.在图3中，实施例采用本发明方法将裂缝分段，根据每段裂缝外接矩形的长宽比拉框框选出，将每段裂缝完全之于各框选区域内，设置多个框选区域对裂缝图像进行分段标注。
具体实施方式
51.下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
52.本发明所述基于yolov5模型的水工程表面裂缝检测方法是利用深度学习的方法对坝面不同环境、不同光照、不同类别的裂纹进行监测。本发明从提高缺陷检测精度和效率的角度出发，针对混凝土型坝面存在的不易达、不易检且危险系数较高以及缺陷数据不足和数据噪声较多等问题，开发了一种基于yolo的坝面表观缺陷实时检测的方法，着力解决混凝土型坝面存在的裂缝等缺陷的检测和分类问题。本发明具体通过利用智能化设备对坝面表观缺陷信息进行采集，并对采集到的数据进行预处理操作，再利用深度学习的算法训
练一套优良的检测模型，最终通过无人飞行器或者其他智能化设备对混凝土坝面进行实时数据采集，并使用无线数据传输技术将采集到的数据回传到地面控制端，利用训练好的检测模型对回传的数据进行实时检测和分类，并根据实时的缺陷位置和大小等定量信息制定相应的维护方案，提高了混凝土型坝面的裂缝等缺陷检测精度和效率(本发明对于指定数据集，本发明的准确率可以达到0.942，检测裂纹精度为1.3mm，yolov5中各个版本的模型对于640像素x640像素的数据处理时间从0.6ms至4.8ms)。
53.参阅附图可知：一种基于yolov5模型的水工程表面裂缝检测方法，采用基于yolov5模型和无人机的水工程表面裂缝检测系统进行检测，
54.基于yolov5模型和无人机的水工程表面裂缝检测系统包括：依次连接的图像采集模块、图像预处理模块、yolov5模型训练模块和网络模型调整模块；图像采集模块，用于获取模型的水工程表面图像数据集；图像预处理模块，用于在模型训练时，提供图像数据集增强，图像分辨率调节，数据集分类功能；在模型实际应用时，提供图像分辨率调节功能；yolov5模型训练模块，使用图像预处理模块提供的数据集对四个子模型(输入端、backbone、neck、prediction)进行训练且保存各个子模型(输入端、backbone、neck、prediction)的权重参数；本发明中的yolov5模型训练模块通过步骤三和步骤四中使用样本进行训练实现；网络模型调整模块，用于给用户从帧率(实、准确率、召回率、map和f1指标统筹考虑，自主选择最合适当下应用场景的模型。
55.具体的检测步骤包含如下步骤：
56.步骤一：利用无人机获取不同水工程表面的三通道二维图像信息。
57.步骤二：处理所获得的图像包含对图片进行平移，旋转，模糊，改变灰度值，增强数据集数量；
58.步骤三：将这些数据集(这些数据集是经过步骤二中对步骤一中无人机采集的原始数据，进行增强后等预处理步骤之后的数据集；这些数据集中包括含有裂缝的数据，也包括无裂缝的背景图片)进行标注，并分类为yolov5模型的训练集、验证集、测试集；
59.步骤四：利用训练集对yolov5模型进行训练和验证，经过多轮训练，以获得最优指标的yolov5模型；
60.步骤五：采用测试集进行测试，根据实际需求选择对应模型以及调整超参数，将最终训练好的yolov5模型输入图片测试，输出测试结果；步骤五在应用yolov5模型过程中，使用了网络模型调整模块，以达到更好的检测效果。
61.进一步地，在步骤一中，利用无人机获取不同水工程表面的三通道二维图像信息的方法，具体包含以下步骤：
62.步骤1.1：利用无人机摄像头对水工程表面进行贴近摄影拍摄。
63.步骤1.2：根据无人机拍摄照片，抽取水工程表面的每一帧图像，包括含裂缝的图像和不含裂缝的背景图像。
64.进一步地，在步骤二中，处理所获得的图像的方法，具体包含以下步骤：
65.步骤2.1：对获取的图片进行平移，旋转，缩放，改变灰度值，白平衡，对比度等操作，以增加样本数量。
66.步骤2.2：使用高斯模糊，添加随机噪声处理部分图片，以增加样本数量，实现图像数据集增强的功能。
67.进一步地，在步骤三中，根据裂缝特征分段或分片框选标注裂缝样本图像，并将这些数据集分类为模型的训练集、验证集、测试集的方法，具体包含以下步骤：
68.步骤3.1：将图片调整为分辨率为416x416(或608x608)大小，具体图片的分辨率大小根据自己的设备内存大小或者gpu显存大小进行设置。
69.步骤3.2：裂缝通常会贯穿或横跨整个图像的长和宽，根据裂缝外接矩形的长宽比进行判断，进行分段标注。
70.步骤3.3：将图片以6：2：2的比例(该比例可以根据数据量进行调整，如设置为98:1:1，等)随机的分为训练集、验证集、测试集，尽量保持各个集合之间的裂缝和背景图像比例一致，且测试集和验证集中不应出现训练集中重复出现裂缝的样本。
71.进一步地，在步骤四中，获得训练好的yolov5模型的方法，具体包含以下步骤：
72.步骤4.1：将步骤3.2中的训练集投入yolov5s模型中训练，设定训练的轮数n(也即epoch，一轮指将所有训练集完整输入到模型中训练一次，如100，或为其他值)。每当完成一轮训练，则将验证集投入yolov5s模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成n轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，记录对应各个参数的最优yolov5s模型的每帧图像运算时间，并保存其模型网络权重yolov5s.pt；
73.步骤4.2：将步骤3.2中的训练集投入yolov5m模型中训练，设定训练的轮数n(也即epoch，一轮指将所有训练集完整输入到模型中训练一次，如100，或为其他值)。每当完成一轮训练，则将验证集投入yolov5s模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成n轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，记录对应各个参数的最优yolov5m模型的每帧图像运算时间，并保存其模型网络权重yolov5m.pt；
74.步骤4.3：将步骤3.2中的训练集投入yolov5l模型中训练，设定训练的轮数n(也即epoch，一轮指将所有训练集完整输入到模型中训练一次，如100，或为其他值)。每当完成一轮训练，则将验证集投入yolov5l模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成n轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，记录对应各个参数的最优yolov5l模型的每帧图像运算时间，并保存其模型网络权重yolov5l.pt；
75.步骤4.4：将步骤3.2中的训练集投入yolov5x模型中训练，设定训练的轮数n(也即epoch，一轮指将所有训练集完整输入到模型中训练一次，如100，或为其他值)。每当完成一轮训练，则将验证集投入yolov5x模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成n轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，记录对应各个参数的最优yolov5x模型的每帧图像运算时间，并保存其模型网络权重yolov5x.pt。
76.进一步地，在步骤五中，将训练好的yolov5模型输入图片测试的方法，具体包含以下步骤：
77.统筹选择最佳模型和设置本发明方法的超参数，超参数包括交并比阈值，置信度阈值，输入图片大小以及每一帧图像检测目标裂缝数量；
78.模型的选择和超参数的调整将影响当前项目对yolov5模型的运算速度和准确率
等指标的倾向程度，结合步骤3.2中的测试集，自主调整最合适的超参数来选择步骤4.1-步骤4.4中的模型。
79.通常而言，若是对实时裂纹检测(或视频裂缝检测)时，通常需要同时考虑帧率和准确率、召回率、map、f1指标。当对离线图片进行裂缝检测时，多采用4.4中的yolov5x.pt以保证更优的准确率、召回率、map、f1指标。在此基础上本发明再次微调交并比阈值，置信度阈值，输入图像大小以及每一帧图像的最大检测目标裂纹数量，以求进一步提高模型的检测效果。
80.实施例
81.现以本发明试用于某大坝溢洪道的侧边表面的裂缝检测为实施例对本发明进行详细说明，对本发明应用于其他水工程的裂缝检测同样具有指导作用。
82.本实施例采用本发明方法对某大坝混凝土表面裂缝的检测方法，包括如下步骤：
83.步骤一：利用无人机获取不同水工程表面的三通道二维图像信息。
84.步骤1.1：利用无人机摄像头对水工程表面进行贴近摄影拍摄。
85.步骤1.2：根据无人机拍摄照片，抽取水工程表面的每一帧图像，包括含裂缝的图像和不含裂缝的背景图像。
86.步骤二：处理所获得的图像包含对图片进行平移，旋转，模糊，改变灰度值，增强数据集数量；
87.步骤2.1：对获取的图片进行平移，旋转，缩放，改变灰度值，白平衡，对比度等操作，以增加样本数量。
88.步骤2.2：使用高斯模糊，添加随机噪声处理部分图片，以增加样本数量。
89.步骤三：根据裂缝特征分段或分片框选标注裂缝样本图像，并将这些数据集分类为模型的训练集，测试集，验证集。
90.步骤3.1：将图片调整为分辨率为416x416大小，具体图片的分辨率大小根据自己的设备内存大小或者gpu显存大小进行设置。
91.步骤3.2：裂缝通常会贯穿或横跨整个图像的长和宽，且图像中的裂缝的形态各异，若框选整个图像，无用的背景信息过多则不利于获取裂缝的具体位置和纹理信息；本发明将裂缝分段，根据每段裂缝外接矩形的长宽比拉框框选出，将每段裂缝完全之于各框选区域内，对裂缝图像进行标注。统筹考虑拉框的大小和裂缝的走向，使每段裂缝在各框选区域的面积尽可能大，从而减少各框选区域内的其他无用的背景干扰信息，提高裂缝检测准确率，如图3所示。
92.步骤3.3：将图片以6：2：2的比例随机的分为训练集，测试集，验证集，尽量保持各个集合之间的裂缝和背景图像比例一致，且测试集和验证集中不应出现训练集中重复出现裂缝的样本。
93.步骤四：利用训练集对yolov5模型进行训练和验证，经过多轮训练，以获得最优指标的yolov5模型。
94.步骤4.1：将步骤3.2中的训练集投入yolov5s模型中训练，设定训练的轮数100。每当完成一轮训练，则将验证集投入yolov5s模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成100轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，
记录对应各个参数的最优yolov5s模型的每帧图像运算时间，并保存其模型网络权重yolov5s.pt；
95.步骤4.2：将步骤3.2中的训练集投入yolov5m模型中训练，设定训练的轮数100。每当完成一轮训练，则将验证集投入yolov5s模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成100轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，记录对应各个参数的最优yolov5m模型的每帧图像运算时间，并保存其模型网络权重yolov5m.pt；
96.步骤4.3：将步骤3.2中的训练集投入yolov5l模型中训练，设定训练的轮数100。每当完成一轮训练，则将验证集投入yolov5l模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成100轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，记录对应各个参数的最优yolov5l模型的每帧图像运算时间，并保存其模型网络权重yolov5l.pt；
97.步骤4.4：将步骤3.2中的训练集投入yolov5x模型中训练，设定训练的轮数100。每当完成一轮训练，则将验证集投入yolov5x模型中验证训练效果，记录当前训练的准确率、召回率、map、f1指标以及模型网络权重。当完成100轮训练之后，分别记录在步骤3.2中验证集中取得最优准确率，最优召回率，最优map以及最优f1这四个衡量指标对应的模型。另外，记录对应各个参数的最优yolov5x模型的每帧图像运算时间，并保存其模型网络权重yolov5x.pt。
98.步骤五：将训练好的yolov5模型输入图片测试，输出测试结果。
99.统筹选择最佳模型和设置本发明方法的超参数，超参数包括交并比阈值，置信度阈值，输入图片大小以及每一帧图像检测目标裂缝数量；
100.模型的选择和超参数的调整将影响当前项目对yolov5模型的运算速度和准确率等指标的倾向程度，结合步骤3.2中的测试集，自主调整最合适的超参数来选择步骤4.1-步骤4.4中的模型。
101.当进行实时裂纹检测或视频裂缝检测时，选用步骤4.1-步骤4.4中统筹考虑帧率，准确率，召回率，map和f1指标，来选择最合适的模型输入图片测试、输出测试结果；当对离线图片进行裂缝检测时，采用步骤4.4中的yolov5x.pt输入图片测试、输出测试结果。为了更优的检测效果，此处对图片进行离线裂缝检测，最终选择yolov5x.pt。
102.当选定好模型之后，便可调整该模型的超参数以求进一步获取更优的检测效果，超参数包括交并比阈值，置信度阈值，输入图片大小以及每一帧图像的最大检测目标裂纹数量。本实施例最终选择的交并比阈值为0.55，置信度阈值为0.45，图像大小维持不变640像素x640像素，每一帧图像的最大检测目标裂纹数量为300条。
103.结论：本实施例采用本发明方法利用智能化设备对坝面表观缺陷信息进行采集，并对采集到的数据进行预处理操作，再利用深度学习的算法训练一套优良的检测模型，最终通过无人飞行器或者其他智能化设备对混凝土坝面进行实时数据采集，并使用无线数据传输技术将采集到的数据回传到地面控制端，利用训练好的检测模型对回传的数据进行实时检测和分类，并根据实时的缺陷位置和大小等定量信息制定相应的维护方案，提高了混
凝土型坝面的裂缝等缺陷检测精度和效率；从提高缺陷检测精度和效率的角度出发，解决混凝土型坝面存在的裂缝等缺陷的检测和分类的问题。
104.验证试验
105.以采用现有技术(基于resnet模型的裂缝检测方法)对上述实施例中的某大坝混凝土表面裂缝进行检测为对照组。
106.以采用本发明方法对上述实施例中的某大坝混凝土表面裂缝进行检测为实验组。
107.试验结果如图2所示。
108.图2的左图显示的为采用现有技术(基于resnet模型的裂缝检测方法)对某大坝溢洪道某处的检测效果，该方法的原理是对原始图像进行分块分类处理，对原始图像中的每一个分块标记是否含有裂缝，本实施例采用该方法标记的含有裂缝的部分为a11，原始图像中裂缝为a10，左图中除了a10、a11以外的其余部分为不含裂缝的部分为a12(从图2的左图可以看出，对照组并未对原始裂缝的每条裂缝进行标记，且同时存在标记的地方并无原始裂隙的情况)。由图2的左图可知，对照组采用该方法(现有技术(基于resnet模型的裂缝检测方法))存在大量误检，准确率仅为13.2％，并且无法准确估计裂缝的位置和长宽，且该裂缝检测的方法，对于640x640图像的处理时间为227ms左右，对照组的处理速度约为223ms。
109.图2的右图显示的为采用本发明对某大坝溢洪道某处(与对照组的检测点相同)的检测效果，图2的右图中的a10表示为原始图像中裂缝；由图2的右图可知，本发明方法可以准确并紧密框出裂缝所在位置(如图2右图中的黑色方框部分，从图2的右图可以看出，实验组采用多个黑色方框准确并紧密框出每条裂缝所在位置)，采用本发明方法可以知道每一个裂缝的跨度(长宽，走向以及在图片中的位置)，且本发明方法对于指定数据集，准确率可以达到94.2％，检测裂纹精度为1.3mm，本发明中的yolov5中各个版本的模型对于640x640的处理时间，分别为0.6ms至5.2ms。对于本例中的右图，由于是离线处理图像，因此实验组采用yolov5x模型，处理速度约为5.1ms。
110.尽管本发明方法已经描述了裂缝检测的具体实施步骤，但是本发明方法不局限于步骤中的某些细节，本发明方法中采用的模型并不局限于yolov5模型，yolo其他版本的模型yolov1～yolov4均可，亦或是mask rcnn模型也可；裂缝并不局限于水工程领域，也可应用于桥梁、市政道路等领域；水工程表面图像采集模块的手段并不局限于无人机，也可以是手持相机、车载相机或者这些图像采集设备的结合。
111.其它未说明的部分均属于现有技术。