本發(fā)明涉及圖像增強，具體是指基于圖像增強的橋梁樁基缺陷檢測方法及系統(tǒng)。

背景技術(shù)：

1、橋梁樁基缺陷檢測方法是一種綜合利用深度學(xué)習(xí)技術(shù)來自動識別和定位橋梁樁基表面裂紋、腐蝕等缺陷的檢測方法。但是一般橋梁樁基缺陷檢測方法存在無法有效恢復(fù)低分辨率圖像中的微小細節(jié)，導(dǎo)致對微裂紋和局部腐蝕的細節(jié)缺陷檢測不足，對混凝土紋理、陰影和光照不均的背景噪聲的區(qū)分能力較弱，導(dǎo)致誤檢或漏檢的問題；一般橋梁樁基缺陷檢測方法存在難以同時捕捉大尺度腐蝕與微小裂紋，對非標準形態(tài)的橋梁樁基裂紋和腐蝕缺陷漏檢，從而導(dǎo)致最終橋梁樁基缺陷檢測結(jié)果的可靠性不足的問題。

技術(shù)實現(xiàn)思路

1、針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了基于圖像增強的橋梁樁基缺陷檢測方法及系統(tǒng)，針對一般橋梁樁基缺陷檢測方法存在無法有效恢復(fù)低分辨率圖像中的微小細節(jié)，導(dǎo)致對微裂紋和局部腐蝕的細節(jié)缺陷檢測不足，對混凝土紋理、陰影和光照不均的背景噪聲的區(qū)分能力較弱，導(dǎo)致誤檢或漏檢的問題，本方案通過轉(zhuǎn)置卷積與最近鄰上采樣+反卷積組合，并嵌入自注意力模塊從而設(shè)計生成器網(wǎng)絡(luò)結(jié)構(gòu)，保證低分辨率圖像中微裂紋的微小缺陷被準確還原和放大，在生成器中嵌入自注意力模塊，對圖像中微裂紋的局部細微區(qū)域進行重點捕捉，在復(fù)雜背景中突出真實缺陷，降低背景噪聲干擾，提升橋梁樁基缺陷檢測精度；在判別器網(wǎng)絡(luò)設(shè)計中利用卷積操作結(jié)合步長調(diào)整代替池化層，更適合檢測橋梁樁基表面的細微裂紋或腐蝕，通過殘差模塊設(shè)計，并在每個卷積層中嵌入注意力模塊，對特征圖中的不同區(qū)域動態(tài)加權(quán)，能夠更加關(guān)注橋梁樁基表面的關(guān)鍵缺陷區(qū)域，進而提高后續(xù)橋梁樁基缺陷檢測效果；針對一般橋梁樁基缺陷檢測方法存在難以同時捕捉大尺度腐蝕與微小裂紋，對非標準形態(tài)的橋梁樁基裂紋和腐蝕缺陷漏檢，從而導(dǎo)致最終橋梁樁基缺陷檢測結(jié)果的可靠性不足的問題，本方案在cspdarknet的p4層插入無參數(shù)注意力機制，并引入?yún)^(qū)域自適應(yīng)權(quán)重調(diào)整和對比增強，自動加強橋梁樁基裂紋及腐蝕區(qū)域的特征響應(yīng)；在融合后的特征上采用可變形卷積，并引入空洞率，動態(tài)調(diào)整采樣位置，以適應(yīng)不同尺度缺陷，全面捕捉缺陷特征，更好地適應(yīng)橋梁樁基缺陷的非標準形態(tài)，克服固定采樣位置的局限，提高缺陷檢測的可靠性；在損失函數(shù)中引入局部復(fù)雜度補償因子，并基于二次衰減機制最終提高缺陷檢測的準確性。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的基于圖像增強的橋梁樁基缺陷檢測方法，該方法包括以下步驟：

3、步驟s1：橋梁樁基圖像獲取；

4、步驟s2：橋梁樁基圖像增強；

5、步驟s3：構(gòu)建橋梁樁基缺陷檢測模型；

6、步驟s4：橋梁樁基缺陷檢測。

7、進一步地，在步驟s1中，所述橋梁樁基圖像獲取是獲取已經(jīng)標注過缺陷的橋梁樁基圖像，作為原始橋梁樁基圖像集。

8、進一步地，在步驟s2中，所述橋梁樁基圖像增強具體包括以下步驟：

9、步驟s21：生成器網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計；在生成器網(wǎng)絡(luò)中使用轉(zhuǎn)置卷積和最近鄰上采樣+反卷積組合；在每層使用批量歸一化；采用fcn替代全連接層，并嵌入自注意力模塊；最終輸出表示為：；其中，x是輸入特征圖；是最近鄰上采樣處理；是轉(zhuǎn)置卷積處理；是融合后的輸出圖像；sa(·)是嵌入的自注意力模塊；是數(shù)據(jù)增強操作，是包括旋轉(zhuǎn)角度、翻轉(zhuǎn)概率和噪聲級別的參數(shù)；

10、步驟s22：判別器網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計；使用卷積操作代替池化層，通過步長控制特征圖尺寸的調(diào)整；引入殘差模塊，并在每個卷積層內(nèi)加入注意力模塊；表示為：；；其中，f(x)是變換操作；是殘差模塊的輸出特征圖；和是梯度；是按位乘法；是通過注意力機制計算得到的加權(quán)特征圖。

11、進一步地，在步驟s3中，所述構(gòu)建橋梁樁基缺陷檢測模型是建立深度學(xué)習(xí)模型，輸入圖像為最終橋梁樁基圖像集；輸出最終的橋梁樁基缺陷檢測結(jié)果；具體包括以下步驟：

12、步驟s31：注意力機制設(shè)計；采用cspdarknet作為主干網(wǎng)絡(luò)，在骨干網(wǎng)絡(luò)的p4層插入無參數(shù)注意力機制，對局部特征進行加權(quán)，引入?yún)^(qū)域自適應(yīng)權(quán)重調(diào)整，并引入對比增強；整個過程表示為：；；其中，是注意力能量，用于動態(tài)調(diào)整特征圖中各區(qū)域的權(quán)重；和是固定計算因子；l是特征總長度；是第i個輸入特征；y是橋梁樁基缺陷區(qū)域的高響應(yīng)；是正則化參數(shù)，控制權(quán)重的幅值；是尖銳度參數(shù)；是區(qū)域自適應(yīng)權(quán)重；m是鄰域內(nèi)特征總數(shù)；j是鄰域內(nèi)特征索引；是鄰域特征；tanh(·)是tanh函數(shù)；β是對比增強系數(shù)；

13、步驟s32：多尺度特征融合；使用fpn將來自不同層級的特征按權(quán)重進行融合，得到綜合特征；在融合后的特征上，采用可變形卷積調(diào)整局部采樣，并引入空洞率d，表示為：；其中，是輸出特征在參考位置的值；g是卷積分組數(shù)，每個分組g共享相同的投影權(quán)重；k是采樣點數(shù)，k是采樣點索引；是第g組的卷積權(quán)重；是第g組第k個采樣點的歸一化調(diào)制因子；是輸入特征圖在分組g內(nèi)；是固定采樣點偏移；是待學(xué)習(xí)的偏移量，用于動態(tài)調(diào)整采樣位置以適應(yīng)不同尺度橋梁樁基缺陷；多尺度特征融合的整體過程表示為：；其中，y是融合后的特征輸出，后續(xù)輸入到y(tǒng)olov8-2d；fpx(·)是多尺度特征融合；是不同尺度的特征圖；

14、步驟s33：激活函數(shù)與損失函數(shù)設(shè)計；在損失函數(shù)中引入局部復(fù)雜度補償因子；激活函數(shù)表示為：；其中，和是基于損失梯度更新的待學(xué)習(xí)縮放參數(shù)；損失函數(shù)表示為：；；其中，(x1，y1)是預(yù)測橋梁樁基缺陷框中心坐標；是真實橋梁樁基缺陷框的中心坐標；wg和hg分別是真實橋梁樁基缺陷框的寬度和高度；是標準iou損失值；是復(fù)雜度調(diào)節(jié)參數(shù)；是預(yù)測位置局部的紋理復(fù)雜度；mh(·)是激活函數(shù)；l是損失函數(shù)；

15、步驟s34：二次衰減機制；對檢測結(jié)果進行非極大值抑制，并進行二次得分衰減；初次衰減表示為：；其中，是非極大值抑制；是待處理的一組檢測框；b是當前處理的檢測框；是與b進行比較的其他檢測框；iou(·)是交并比；td是交并比閾值；是置信度得分；是對重疊檢測框的得分進行衰減；二次衰減表示為：；其中，是檢測框的得分；是當前最高得分框；是經(jīng)過得分衰減后的更新得分，用于最終判定是否保留該檢測框；是控制得分衰減速率的參數(shù)；經(jīng)過二次衰減后，從待處理檢測框集合中選擇最優(yōu)檢測框作為最終橋梁樁基缺陷檢測區(qū)域。

16、進一步地，在步驟s4中，所述橋梁樁基缺陷檢測是基于建立完成的橋梁樁基缺陷檢測模型，實時獲取待檢測的橋梁樁基圖像并輸入至橋梁樁基缺陷檢測模型中，模型會對輸入圖像進行特征提取，識別圖像中的缺陷區(qū)域，從而完成橋梁樁基缺陷檢測。

17、本發(fā)明提供的基于圖像增強的橋梁樁基缺陷檢測系統(tǒng)，包括橋梁樁基圖像獲取模塊、橋梁樁基圖像增強模塊、橋梁樁基缺陷檢測模型構(gòu)建模塊和橋梁樁基缺陷檢測模塊；

18、所述橋梁樁基圖像獲取模塊獲取經(jīng)過缺陷標注的橋梁樁基圖像；

19、所述橋梁樁基圖像增強模塊通過生成器與判別器網(wǎng)絡(luò)生成最終的橋梁樁基圖像集；

20、所述橋梁樁基缺陷檢測模型構(gòu)建模塊基于cspdarknet主干網(wǎng)絡(luò)，結(jié)合注意力機制、多尺度特征融合和二次衰減機制，完成橋梁樁基缺陷檢測模型的構(gòu)建；

21、所述橋梁樁基缺陷檢測模塊利用構(gòu)建好的檢測模型對實時獲取的橋梁樁基圖像實現(xiàn)橋梁樁基缺陷檢測。

22、采用上述方案本發(fā)明取得的有益效果如下：

23、（1）針對一般橋梁樁基缺陷檢測方法存在無法有效恢復(fù)低分辨率圖像中的微小細節(jié)，導(dǎo)致對微裂紋和局部腐蝕的細節(jié)缺陷檢測不足，對混凝土紋理、陰影和光照不均的背景噪聲的區(qū)分能力較弱，導(dǎo)致誤檢或漏檢的問題，本方案通過轉(zhuǎn)置卷積與最近鄰上采樣+反卷積組合，并嵌入自注意力模塊從而設(shè)計生成器網(wǎng)絡(luò)結(jié)構(gòu)，保證低分辨率圖像中微裂紋的微小缺陷被準確還原和放大，在生成器中嵌入自注意力模塊，對圖像中微裂紋的局部細微區(qū)域進行重點捕捉，在復(fù)雜背景中突出真實缺陷，降低背景噪聲干擾，提升橋梁樁基缺陷檢測精度；在判別器網(wǎng)絡(luò)設(shè)計中利用卷積操作結(jié)合步長調(diào)整代替池化層，更適合檢測橋梁樁基表面的細微裂紋或腐蝕，通過殘差模塊設(shè)計，并在每個卷積層中嵌入注意力模塊，對特征圖中的不同區(qū)域動態(tài)加權(quán)，能夠更加關(guān)注橋梁樁基表面的關(guān)鍵缺陷區(qū)域，進而提高后續(xù)橋梁樁基缺陷檢測效果。

24、（2）針對一般橋梁樁基缺陷檢測方法存在難以同時捕捉大尺度腐蝕與微小裂紋，對非標準形態(tài)的橋梁樁基裂紋和腐蝕缺陷漏檢，從而導(dǎo)致最終橋梁樁基缺陷檢測結(jié)果的可靠性不足的問題，本方案在cspdarknet的p4層插入無參數(shù)注意力機制，并引入?yún)^(qū)域自適應(yīng)權(quán)重調(diào)整和對比增強，自動加強橋梁樁基裂紋及腐蝕區(qū)域的特征響應(yīng)；在融合后的特征上采用可變形卷積，并引入空洞率，動態(tài)調(diào)整采樣位置，以適應(yīng)不同尺度缺陷，全面捕捉缺陷特征，更好地適應(yīng)橋梁樁基缺陷的非標準形態(tài)，克服固定采樣位置的局限，提高缺陷檢測的可靠性；在損失函數(shù)中引入局部復(fù)雜度補償因子，并基于二次衰減機制最終提高缺陷檢測的準確性。