The invention relates to a pipeline defect recognition method based on computer vision and machine learning. By stretching the gray scale of pipeline images and videos collected by pipeline robots, filtering the noise interference by sliding filtering, extracting the contour of suspected defect areas by Canny operator, dividing the collected images into gradient or edge direction histograms of each pixel in the cell unit, and combining the histograms to extract the HOG features of the image, training VGNet model by using migration learning strategy, and training. A good VGNet feature extractor extracts image features; fuses HOG features and VGNet features of pipeline images, classifies features by SVM, and identifies pipeline defects; and outputs pipeline defect types by statistical results of pipeline defect recognition. The invention can recognize the defect characteristics of real pipeline environment, improve the robustness and accuracy of classification model, improve the image processing speed and recognition efficiency of the system, and is applicable to the field of urban pipeline and industrial pipeline maintenance.
【技术实现步骤摘要】
一种基于计算机视觉与机器学习的管道缺陷识别方法
本专利技术涉及图像与视频处理和特征识别
,尤其涉及一种基于计算机视觉和机器学习检测管道缺陷的识别方法。
技术介绍
管道缺陷检测与修复工作是城市建设的重要环节,成为当前计算机视觉的热点研究问题。管道缺陷识别是通过从视频帧中根据特定的技术指标对缺陷部位进行识别。缺陷识别对后期管道修复有着决定性作用。目前管道缺陷识别主要是通过管道机器人携带闭路电视(CCTV)硬件获取管道视频,并通过技术人员对视频进行分析,人工进行管道缺陷识别,但这种方法对人工的依赖性很高,需要有经验的操作人员才能准确地判别病害,人为判别容易受到视力疲劳、注意力降低等多种人为因素的影响,从而影响检测精度和准确性。针对上述方法存在的弊端,本专利技术重点研究基于计算机视觉与机器学习的管道病害识别算法,对管道图像进行预处理,利用预训练VGGNet提取的管道图像特征和管道图像HOG特征融合,采用SVM滑动分类器对多种类别的管道病害信息进行精确识别。这种方法可以降低对人工的依赖性。目前管道缺陷识别领域存在一些问题,如视频中管道环境的复杂性、管道的差异性和缺陷的差异性,导致在实际复杂管道环境中,管道缺陷特征易受管道环境变化影响,分类模型抗干扰能力较差,在差异较大的管道环境中管道缺陷识别准确率较低。本专利技术提出了一种基于计算机视觉与机器学习的管道缺陷识别方法适用于管道缺陷检修领域。
技术实现思路
本专利技术针对现有技术中的上述问题,结合目前在计算机视觉领域表现优异的基于特征融合的图像处理方法,本专利技术提出一种基于计算机视觉与机器学习的管道缺陷识别方法,该方 ...
【技术保护点】
1.一种基于计算机视觉与机器学习的管道缺陷识别方法,其特征在于,包括以下步骤:步骤(1)、携带高清摄像头管道机器人进入管道采集图像、视频信息,对采集到的管道图像、视频进行灰度拉伸,将输入图像中的每一个像素(x,y)的灰度值f(x,y)作为函数的自变量,由此得到的因变量作为输出图像中的灰度值g(x,y),其公式如下g(x,y)=T[f(x,y)] (1)采用空域法的邻域平均法对灰度图像进行空间平滑滤波增强,邻域平均法中每个像素的权重是相等的,重要性假设一致。公式如下
【技术特征摘要】
1.一种基于计算机视觉与机器学习的管道缺陷识别方法,其特征在于,包括以下步骤:步骤(1)、携带高清摄像头管道机器人进入管道采集图像、视频信息,对采集到的管道图像、视频进行灰度拉伸,将输入图像中的每一个像素(x,y)的灰度值f(x,y)作为函数的自变量,由此得到的因变量作为输出图像中的灰度值g(x,y),其公式如下g(x,y)=T[f(x,y)](1)采用空域法的邻域平均法对灰度图像进行空间平滑滤波增强,邻域平均法中每个像素的权重是相等的,重要性假设一致。公式如下式中s为(x,y)邻域中像素坐标的集合,M为集合s内像素的数量;步骤(2)、采用Canny算子对疑似缺陷区域进行轮廓提取,进而找到疑似缺陷区域的边缘;使用高斯滤波去除图像噪声,使用大小为(2*N+1)模板,以扫描图像中的每个像素,使用模板确定邻域像素加权平均灰度,以取代模板中心像素灰度值。一维高斯函数表述为公式如下根据上述函数,计算给定尺寸和Sigma的高斯卷积核参数,并使用计算得到的高斯卷积核跟灰度图像卷积。实验过程中Canny算子使用的是尺寸5×5,σ=1的高斯核。计算梯度和方向。计算公式如下:其中f(x,y)为图像灰度值,P代表X方向梯度幅值,Q代表Y方向梯度幅值,M为该点幅值,θ为梯度方向,即梯度角度。求得X和Y方向的梯度和梯度角之后再来计算X和Y方向融合的梯度幅值,计算公式如下:计算梯度幅值的非极大值抑制。非最大抑制应用于“减薄”边缘。应用梯度计算后,从梯度值中提取的边缘仍然非常模糊。将当前像素的边缘强度与正梯度方向和负梯度方向上的像素的边缘强度进行比较,如果当前像素的边缘强度与具有相同方向的掩模中的其他像素相比是最大的该值将被保留。否则,该值将被抑制。用双阈值算法检测和连接边缘得到Canny图像;步骤(3)、对检测过后的图像、视频进行HOG特征提取,先将图像分成小的连通区域即细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器作为管道病害特征提取的一部分;步骤(4)、对检测过后的图像、视频进行VGGNet特征提取。采用了所有的网络结构都使用了3*3的卷积核和2*2的池化核的策略,模型通过不断加深卷积网络的结构来达到提升性能的目的。图3所示为本设计采用的VGGNet-16网络结构图,VGG由5层卷积层、3层全连接层、softma...
【专利技术属性】
技术研发人员:李策,尚新宇,刘雨薇,杨峰,刘瑞莉,牛天驹,
申请(专利权)人:中国矿业大学北京,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。