基于迁移学习的ROV水下建筑物缺陷识别方法

水下建筑物缺陷检测是保障电厂长期安全稳定运行的关键。为解决检测任务繁重危险，提高检测效率，降低人工检测成本，提出一种基于水下机器人（ROV）的水下建筑物缺陷识别方法。针对水下成像环境复杂、噪声大、检测流程冗长等问题，设计了一种基于迁移学习的图像识别模型。首先，通过图像数据处理算法，提高水下缺陷图像质量，并对图像进行二值化处理，突出缺陷特征；然后通过卷积核提取图像中的突出特征，引入注意力机制对特征重要程度进行计算分配，提高模型特征提取效率；最后在训练过程中引入迁移学习，解决实际缺陷数据不足的问题，提高模型训练效率。结果表明，设计的迁移学习图像识别模型在标准数据集和实测缺陷数据集上准确率达到90%～95%，且迭代次数在30代以内，能够精确高效识别水下建筑物缺陷特征。