大壩建造過程中,受氣溫驟變的影響,大壩表面可能會產(chǎn)生危害性裂縫,這對大壩安全穩(wěn)定構(gòu)成潛在威脅。工業(yè)界通常采用鋪設(shè)一層保溫被的方式解決此問題,因此保溫被未覆蓋區(qū)域檢測是一項確保大壩安全建造的重要任務(wù)。人工檢測保溫被未覆蓋區(qū)域不僅耗時,而且還存在漏檢和不及時等弊端,因此提出了一種基于深度學(xué)習(xí)的保溫被未覆蓋區(qū)域檢測方法,該方法基于RefineDet目標(biāo)檢測算法,在檢測過程中加入像素點(diǎn)檢測分支,提升了復(fù)雜大壩建造場景中對于形狀不規(guī)則的保溫被未覆蓋區(qū)域檢測精度,還提出了一種度量檢測效果的指標(biāo)—平均匹配率AMR,所提方法在烏東德大壩建造場景中的AMR達(dá)到85.5%,驗(yàn)證了本方法的有效性和可靠性。 

【文章來源】：人民黃河. 2020,42(S2)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

保溫被未覆蓋區(qū)域檢測效果

所提方法的檢測分析流程如圖2所示。①將待檢測圖片輸入到特征提取網(wǎng)絡(luò)中進(jìn)行特征編碼;②將獲取到的深層特征圖像分別輸入到目標(biāo)框檢測分支和像素級檢測分支。其中目標(biāo)框檢測分支由多尺度特征融合模塊和兩個核為3×3像素的卷積層組成。像素級檢測分支由多孔金字塔池化模塊(ASPP)[13]和一個核為1×1像素、3×3像素的卷積層構(gòu)成;③將目標(biāo)框的檢測結(jié)果和像素級檢測結(jié)果融合,生成最終保溫被未覆蓋區(qū)域的檢測圖像。采用VGG16[14]作為特征提取網(wǎng)絡(luò),如圖3所示,特征提取網(wǎng)絡(luò)可以分為5個階段,特征提取的每個階段由多個卷積層、激活函數(shù)以及池化層組成。

采用VGG16[14]作為特征提取網(wǎng)絡(luò),如圖3所示,特征提取網(wǎng)絡(luò)可以分為5個階段,特征提取的每個階段由多個卷積層、激活函數(shù)以及池化層組成。將獲取的深層特征圖像輸入多尺度特征融合模塊,生成不同尺度的特征融合圖像,多尺度特征融合模塊如圖4所示,該模塊的輸入分別為特征提取網(wǎng)絡(luò)的conv4_3和conv5_3特征圖像,其中conv5_3特征圖像按照預(yù)設(shè)卷積運(yùn)算生成不同尺度的conv6,conv7特征圖像。該特征融合模塊按照由小尺度到大尺度的順序逐次進(jìn)行特征圖像融合,生成多個不同尺度的特征融合圖像f1,f2,f3,f4。特征融合過程如圖5所示,由于特征圖像尺度之間的差異,因此在特征元素相加操作之前需要對尺度較小的特征圖采用轉(zhuǎn)置卷積的方式進(jìn)行2倍上采樣,然后使用一個3×3大小的卷積核進(jìn)行細(xì)化。將不同尺度的特征融合圖像f1,f2,f3,f4分別使用兩個3×3大小的卷積核進(jìn)行目標(biāo)檢測,其中通道數(shù)為4的卷積核得到每個目標(biāo)框的位置信息T∈R4,通道數(shù)為2的卷積核得到所屬類別概率信息O∈R2,目標(biāo)框位置信息T是一個包含目標(biāo)框中心點(diǎn)坐標(biāo)和長寬信息的四維向量,目標(biāo)框所屬類別信息O是一個包含保溫被覆蓋區(qū)域和保溫被未覆蓋區(qū)域類別概率的二維向量,選擇最大概率值對應(yīng)的類別作為目標(biāo)框所屬的類別。目標(biāo)框的損失函數(shù)使用Lossdec表示:

【參考文獻(xiàn)】：
期刊論文
[1]雙江口水電站智能大壩系統(tǒng)建設(shè)探索[J]. 李永利,唐茂穎,段斌,吳先俊.  人民長江. 2018(S2)
[2]氣溫驟降下大壩抗裂性能及保溫措施效果分析[J]. 張春海.  吉林水利. 2018(01)
[3]高寒地區(qū)大體積混凝土臨時越冬保溫技術(shù)[J]. 李紹輝,宋名輝,陳自強(qiáng),彭旭光,苗強(qiáng),苗國權(quán).  水利水電技術(shù). 2016(06)
[4]新疆嚴(yán)寒地區(qū)某RCC壩裂縫預(yù)防及處理措施[J]. 達(dá)吾然.  人民長江. 2013(S1)
[5]溪洛渡水電站右岸泄洪洞進(jìn)水塔混凝土保溫措施[J]. 周一凡.  人民長江. 2010(05)



本文編號：3245024