科研之友
微信
新浪微博
Facebook
分享链接
摘要
大坝长期服役过程中，在水环境和外部荷载交互耦合作用下，其深水结构部位易出现各类缺陷病害，影响工程服役安全稳定和功能发挥。水下机器人(Remotely Operated Vehicle， ROV)搭载可见光相机可以非接触形式实现结构损伤的高分辨率空间信息采集，然而如何从这些海量图像视频数据提取结构损伤密切相关信息成为当前亟待解决的关键问题。基于此，本文结合机器视觉和深度学习理论方法，研究并提出一种兼顾检测精度和推理效率的大坝深水多类别缺陷实时目标检测框架。该框架以单阶段目标检测网络YOLOv5-s为基模型，构建大坝多类别缺陷识别器；利用模型稀疏化和剪枝策略，改变模型批处理层权重分布并去除模型冗余参数；进一步地，综合运用模型迁移和知识蒸馏理论，恢复由于剪枝压缩参数带来的精度劣化问题，据此构建出强背景干扰下大坝深水多类别缺陷实时目标框架。以某高坝深水探测为工程实例，引入多种深度学习目标检测算法作为对比手段，验证方法在障碍物遮挡、低可见度、光照不均等复杂深水检测场景的缺陷效果。案例分析表明，该方法可有效克服多种水下不利成像环境干扰并准确辨识区分不同类型缺陷并量化其真实尺寸。此外，剪枝后轻量化模型每秒可推理超过100张缺陷图像，具备较强的实时推理能力。
-
单位水文水资源与水利工程科学国家重点实验室; 河海大学
