一种大坝渗漏电性异常识别方法、系统及电子设备

本发明涉及大坝渗漏电性异常识别，特别是涉及一种大坝渗漏电性异常识别方法、系统及电子设备。

背景技术：

1、随着水利工程建设发展，水库大坝数量逐年增多，相应的，水库大坝渗漏问题也日益突出。一方面，老旧水库大坝年久失修出现渗漏问题；另一方面，新建水库大坝由于施工、材料等问题也存在渗漏隐患。渗漏问题严重威胁大坝安全运维，因此，深入研究大坝渗漏诊断技术和安全评价对保障大坝安全和稳定运行具有重要意义。其中，高密度电法作为一种精度高、可靠性好、成本低的无损检测方法被广泛应用于大坝渗漏异常探测。在大坝传统的低阻异常识别工作中，研究者主要根据肉眼视觉观察反演视电阻率，从而判定低阻异常的靶区范围，但该方法过于依赖经验且耗时较长，对专业要求较高，易受主观因素影响，导致精度与准确率相对较低，并且伴随大坝探测规模的增大和采集数据量的急剧增加，对大坝渗漏电性异常区的快速精准定位也成为亟待解决的问题。

技术实现思路

1、本发明的目的是提供一种大坝渗漏电性异常识别方法、系统及电子设备，能够提高大坝渗漏电性异常区的识别精度和效率。

2、为实现上述目的，本发明提供了如下方案：

3、一种大坝渗漏电性异常识别方法，包括：

4、获取待测大坝的视电阻率图像；

5、将所述待测大坝的视电阻率图像输入到大坝渗漏电性异常识别模型中，确定待测大坝中的渗漏电性异常状况；所述大坝渗漏电性异常识别模型是利用标注后的视电阻率图像，对端对端深度学习模型进行训练后得到的；所述渗漏电性异常状况包括渗漏电性异常区域的数量和每个渗漏电性异常区域的位置。

6、可选的，所述端对端深度学习模型包括：依次连接的前端、后端和后处理模块；

7、所述前端包括编码器；所述编码器是去除vgg16深度卷积神经网络中的全连接层后得到的；

8、所述后端包括分割分支解码器和嵌入分支解码器；所述分割分支解码器的输入端和嵌入分支解码器的输入端均与所述编码器的输出端连接；所述分割分支解码器的输出端和嵌入分支解码器的输出端均与所述后处理模块的输入端连接；

9、所述分割分支解码器用于输出渗漏电性异常区识别结果；

10、所述嵌入分支解码器用于输出渗漏电性异常区掩膜图像；

11、所述后处理模块用于对渗漏电性异常区掩膜图像进行聚类处理，并将聚类结果与分割分支解码器输出的图像相结合，得到渗漏电性异常区的分类结果，根据异常区域的视觉特征确定渗漏异常电阻率是否相同；提取渗漏电性异常特征并结合渗漏电性异常区掩膜图像确定渗漏电性异常状况。

12、可选的，在获取待测大坝的视电阻率图像之前，还包括：

13、构建所述端对端深度学习模型；

14、获取大坝的多张视电阻率历史图像；

15、对多张视电阻率历史图像中的渗漏电性异常区以及渗漏电性异常区的标注类型进行标注，得到多张视电阻率历史标注图像；

16、以所述视电阻率历史图像为输入，以多张视电阻率历史标注图像为输出，对所述端对端深度学习模型进行训练，得到大坝渗漏电性异常识别模型。

17、可选的，所述标注类型为椭圆形框或方形边框。

18、一种大坝渗漏电性异常识别系统，包括：

19、视电阻率图像获取模块，用于获取待测大坝的视电阻率图像；

20、渗漏电性异常区识别模块，用于将所述待测大坝的视电阻率图像输入到大坝渗漏电性异常识别模型中，确定待测大坝中的渗漏电性异常状况；所述大坝渗漏电性异常识别模型是利用标注后的视电阻率图像，对端对端深度学习模型进行训练后得到的；所述渗漏电性异常状况包括渗漏电性异常区域的数量和每个渗漏电性异常区域的位置。

21、一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的一种大坝渗漏电性异常识别方法。

22、可选的，所述存储器为可读存储介质。

23、根据本发明提供的具体实施例，本发明公开了以下技术效果：

24、本发明提供的一种大坝渗漏电性异常识别方法、系统及电子设备，获取待测大坝的视电阻率图像；将待测大坝的视电阻率图像输入到大坝渗漏电性异常识别模型中，确定待测大坝中的渗漏电性异常区；大坝渗漏电性异常识别模型是利用标注后的视电阻率图像，对端对端深度学习模型进行训练后得到的。本发明通过构建并训练端对端深度学习模型能够提高大坝渗漏电性异常区的识别精度和效率。

技术特征：

1.一种大坝渗漏电性异常识别方法，其特征在于，包括：

2.根据权利要求1所述的一种大坝渗漏电性异常识别方法，其特征在于，所述端对端深度学习模型包括：依次连接的前端、后端和后处理模块；

3.根据权利要求2所述的一种大坝渗漏电性异常识别方法，其特征在于，在获取待测大坝的视电阻率图像之前，还包括：

4.根据权利要求3所述的一种大坝渗漏电性异常识别方法，其特征在于，所述标注类型为椭圆形框或方形边框。

5.一种大坝渗漏电性异常识别系统，其特征在于，包括：

6.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至4中任一项所述的一种大坝渗漏电性异常识别方法。

7.根据权利要求6所述的一种电子设备，其特征在于，所述存储器为可读存储介质。

技术总结
本发明提供的一种大坝渗漏电性异常识别方法、系统及电子设备，涉及大坝渗漏电性异常识别技术领域。方法包括获取待测大坝的视电阻率图像；将待测大坝的视电阻率图像输入到大坝渗漏电性异常识别模型中，确定待测大坝中的渗漏电性异常区位置与异常数；大坝渗漏电性异常识别模型是利用标注后的视电阻率图像，对端对端深度学习模型进行训练后得到的。本发明通过构建并训练端对端深度学习模型能够提高大坝渗漏电性异常区的识别精度和效率。

技术研发人员：张平松,汪椰伶,席超强,谭磊
受保护的技术使用者：安徽理工大学
技术研发日：
技术公布日：2024/1/15