[发明专利]一种基于Mask R-CNN的结构位移监测方法

权利要求书

1.一种基于Mask R-CNN的结构位移监测方法，其特征在于，包括以下步骤：

S1、标志点选取，首先对待检测目标物上设置若干标定实际检测标志点，同时在检测计算机系统中对待检测目标物的图纸上设置与标定实际检测标志点对应的标定虚拟检测标志点，然后对标定实际检测标志点和标定虚拟检测标志点位置进行匹配验证，并在完成验证后即可完成标志点选取；

S2、标志点预训练，然后利用监控采样设备对待检测目标物上设置的标定实际检测标志点进行拍照，并将拍照后的图像数据发送至检测计算机系统中，将拍照得到的实际检测标志点与标定虚拟检测标志点位置进行对应验证，并由检测计算机系统利用Mask R-CNN形成对拍照得到的实际检测标志点与虚拟检测标志点位置进行对应验证识别逻辑，然后对验证识别逻辑在不同采样环境下进行迁徙训练学习，从而生成识别检测逻辑模型，即可完成监控采样设备标志点预训练，作业；

S3、目标检测，采用相机标定方式对待检测目标物进行定期检测作业，然后将检测结果带入到S2步骤生成的应验证识别逻辑中，按照应验证识别逻辑对当前检测的实际标志点进行分析识别；

S4、语义分割，S3步骤在对实际标志点进行分析中，首先利用Mask R-CNN算法将标志点在图像中的大致位置自动识别出来，进而通过利用Mask R-CNN语义分割将标志点像素分割出来备用，并对各标志点像素采用双线性内插法进行亚像素处理，即可得到各标志点像素值；

S5、坐标转换，完成S4步骤后，将S4步骤得到的各标志点像素值利用验证识别逻辑计算，得到各标志点在待检测目标物上的实际坐标值，然后将得到的实际坐标值与S1步骤中的标定实际检测标志点间通过验证识别逻辑进行比对计算，即可得到待检测目标物的位置量。

2.根据权利要求1所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述S2步骤中，监控采样设备对实际检测标志点进行拍照时，监控采样设备的采样相机标定针对中心透视及径向畸变两个问题进行相机标定。

3.根据权利要求1所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述S2和S3步骤中，监控采样设备的采样相机在进行标志点标定时采用单应性矩阵法、棋盘标定法中的任意一种或两种共用。

4.根据权利要求1所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述S1步骤中的检测计算机系统为基于大数据计算为基础的服务器平台，且所述检测计算机系统中另设BP神经网络系统及LSTM神经网络系统，且所述BP神经网络系统及LSTM神经网络系统并联并分别与Mask R-CNN系统建立数据连接。

5.根据权利要求1所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述S2步骤中，监控采样设备包括承载基体、检测头、激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪、补光灯、亮度传感器、水平仪、三维陀螺仪及驱动电路；所述承载基体上外表面通过三维位移台与一个检测头连接，且一个检测头和一个三维位移台构成一个检测组，所述检测组至少一个，且检测组的检测轴线与水平面呈0°—90°夹角，所述检测头为轴向界面呈矩形的柱状腔体结构；所述激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪均嵌于检测头侧表面，所述激光测距雷达、CCD摄像头及三维扫描仪环绕激光光标灯均布，且激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪平行分布，并与检测头轴线垂直分布，所述补光灯为若干个，所述补光灯环绕检测头轴线均布在检测头外侧面，且若干个所述补光灯光轴均与检测头轴线垂直分布；

所述水平仪、三维陀螺仪均嵌于检测头内，所述三维陀螺仪位于检测头中心位置，所述亮度传感器嵌于检测头上端面并与检测头同轴分布，所述驱动电路嵌于承载基体内，所述驱动电路分别与激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪、补光灯、亮度传感器、水平仪、三维陀螺仪及三维位移台电性连接。

6.根据权利要求5所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述承载基体为无人飞行器、无人车辆及无人船舶中的任意一种，且承载基体上均设导航及避障机构。