(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210678384.7 (22)申请日 2022.06.16 (65)同一申请的已公布的文献号 申请公布号 CN 114758139 A (43)申请公布日 2022.07.15 (73)专利权人 成都鹏业软件股份有限公司 地址 610000 四川省成 都市中国 （四川） 自 由贸易试验区成都市高新区府城大道 西段399号9栋5层2号 (72)发明人 吴猛猛　马世彬　张安达　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 专利代理师 阳佑虹 (51)Int.Cl. G06V 10/28(2022.01) G06V 10/44(2022.01) G06V 10/54(2022.01) G06V 10/56(2022.01) G06V 10/774(2022.01)G06V 10/762(2022.01) G06V 10/82(2022.01) G06V 20/10(2022.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (56)对比文件 CN 112255709 A,2021.01.2 2 CN 102721451 A,2012.10.10 CN 113832980 A,2021.12.24 CN 109670404 A,2019.04.23 CN 114399460 A,2022.04.26 CN 111598908 A,2020.08.28 CN 113469504 A,2021.10.01 CN 105809131 A,2016.07.27 CN 112446304 A,2021.0 3.05 CN 112580497 A,2021.0 3.30 CN 112580497 A,2021.0 3.30 CN 110569755 A,2019.12.13 审查员 祝丽业 (54)发明名称 基坑积水检测方法 (57)摘要 本发明提供了一种基坑积水检测方法， 包括 S1： 获取基坑积水图像进行标注， 作为基本训练 图像数据； S2： 对得到的 图像数据进行特征提取； S3： 将提取的特征数据输入到卷积神经网络模型 中， 进行训练； S4： 获取待检测图像数据， 输入到 训练好的网络模型中， 输 出检测结果； S5： 设定时 间段， 并获取设定时间段的视频图像数据进行处 理， 得到高亮区域像素值随时间的变化过程， 进 行频谱分析， 通过波动性特征， 进一步进行基坑 积水判定。 本发 明实现了针对工地基坑积水图像 的准确识别检测。 权利要求书1页 说明书4页 附图2页 CN 114758139 B 2022.10.21 CN 114758139 B 1.一种基坑积水检测方法， 其特 征在于， 包括： S1： 获取基坑积水图像进行 标注， 作为基本训练图像数据； S2： 对得到的图像数据进行特征提取， 包括对获得的所述基坑积水图像中静态的水面 特征进行颜色特 征提取和纹 理特征提取； 所述颜色特 征提取， 具体过程如下： 对基坑积水图像进行 灰度处理； 确定基坑积水图像水体区域中与周围工地景物相比不同的亮度区域； 对采集的灰度图像进行自适应灰度阈值分割， 得到 图像中的高亮区域； 在颜色特征提 取进行自适应灰度阈值分割后， 判断得到的图像的水体区域中是否存在天空部分， 若存在， 则对图像中的天空部分进行去除； 图像中天空部分的去除过程如下： 依次扫描自适应灰度阈值分割后图像最上方的一行像素， 如果存在高亮度的像素点， 则对其进行四连通的区域生长， 并检测周围是否也存在高亮度的像素点， 如果存在则再次 对其进行四连通的区域生长， 如果不存在则停止， 当所有像素点 都停止生长后， 则判定生长 区域为图像中的天空部分， 对天空部分进行去除； 所述纹理特征提取， 提取 四个纹理特征值在0 °、 45°、 90°和135°四个方向上特征的平均 值作为相应特 征的特征值； 进行纹理特征提取后， 还 包括： 将图片转换至HSV颜色空间， 并分割成8x8大小 的子块， 提取每个子块饱和度亮度比值 颜色特征； 压缩灰度级并从每个子块样本中提取由灰度共生矩阵计算得到的4个纹理特征值， 得 到特征数据； S3： 将提取的特 征数据输入到卷积神经网络模型中， 进行训练； S4： 获取待检测图像数据， 输入到训练好的网络模型中， 输出检测结果； S5： 设定时间段， 并获取在 设定时间段的视频图像数据进行处理， 得到高亮区域像素值 随时间的变化过程， 进行 频谱分析， 通过波动性特 征， 进一步进行基坑积水判定 。 2.根据权利要求1所述的基坑积水检测方法， 其特征在于， 所述纹理特征提取， 基于K均 值聚类的方法来 提取图像中的弱纹 理区域。权　利　要　求　书 1/1 页 2 CN 114758139 B 2基坑积水检测方 法 技术领域 [0001]本发明涉及基坑积水图像处 理技术领域， 特别涉及一种基坑积水检测方法。 背景技术 [0002]卷积神经网络 （Convolutional  Neural Networks,  CNN） 是一类包含卷积计算且 具有深度结构的前馈神经网络 （Feedforward  Neural Networks）， 是深度学习 （deep   learning） 的代表算法之一。 卷积神经网络具有表征学习 （representation  learning） 能 力 ， 能够按其阶层结构对输入信息进行平移不变分类（shift ‑invariant   classification）， 因此， 它也被称为 “平移不变人工神经网络 （Shift ‑Invariant   Artificial Neural Networks, SIANN）”。 [0003]图像识别， 是指利用计算机对图像进行处理、 分析和理解， 以识别各种不同模式的 目标和对 象的技术， 是应用深度学习算法的一种实践应用。 现阶段图像识别技术一般分为 人脸识别与商品识别， 人脸识别主要运用在安全检查、 身份核验与 移动支付中； 商品识别主 要运用在商品流通过程中， 特别是无人货架、 智能零售柜等无人零售领域。 图像的传统识别 流程分为四个步骤： 图像采集 →图像预处理 →特征提取 →图像识别。 图像识别将图像处理 得到的图像进行特征提取和分类。 识别方法中基本的也是常用的方法有统计法(或决策理 论法)、 句法(或结构)方法、 神经网络法、 模板匹配法和几何变换法。 [0004]基础工程是项目的根基， 基坑安全至关重要， 尤其是在雨季。 基坑积水会制约工程 进展， 更严重的情况积水会渗透土方根部， 引起大面塌方， 造成安全事故影响整个地坑安 全， 快速识别出基坑积水情况可有效帮助工地根据积水情况拟定解决方案， 减少工程损失， 然而基坑水在实际中因光学特性， 使得基坑积水识别存在困难， 现有技术中， 尚未有针对基 坑积水有效检测识别的方案 。 [0005]如何快速、 准确、 有效的识别出基坑积水成为了目前在基础工程应用领域中亟待 解决的问题。 发明内容 [0006]为解决上述问题， 本发明提供了一种基坑积水检测的方法， 基于图像处理和深度 学习， 通过将工地摄像头拍摄的照片进 行分析处理， 根据水的特征及水域轮廓， 识别出基坑 是否存在积水以及积水情况， 基于对基坑积水图像数据进行颜色特征和纹理特征 的提取， 以及天空部分区域去除， 获得能够准确描述基坑积水图像的特征数据， 通过利用深度学习 技术解决水体标签分辨率低， 噪声多等问题， 提高积水检测识别精度， 实现了基坑积水得准 确有效检测识别。 [0007]本发明提供了一种基坑积水检测的方法， 具体技 术方案如下： [0008]S1： 获取基坑积水图像进行 标注， 作为基本训练图像数据； [0009]S2： 对得到的图像数据进行 特征提取； [0010]S3： 将提取的特 征数据输入到卷积神经网络模型中， 进行训练；说　明　书 1/4 页 3 CN 114758139 B 3