The invention discloses a method for defect location and grade determination of underground pipelines based on in-depth learning, which includes: (1) image preprocessing; (2) defect recognition and location based on in-depth learning; (3) defect grade determination based on in-depth learning; (4) loss function construction of in-depth learning framework. Among them, two deep learning network structures DCNN1 and DCNN2 are proposed for defect recognition and defect grade determination of underground pipelines, and a new target detection framework for defect grade determination is proposed. After judging the defect grade, the defects with different severity can be repaired. The underground pipeline with slight defect can take repairing measures, while the underground pipeline with more serious defect needs to be replaced immediately. Therefore, the determination of defect grade is an important and urgent problem to be solved.
【技术实现步骤摘要】
一种基于深度学习的地下管道缺陷定位及等级判定方法
本专利技术涉及地下管道缺陷检测领域,具体涉及一种基于深度学习的地下管道缺陷定位及等级判定方法。
技术介绍
由于世界各地现代化城市的地下管道网络已经非常陈旧甚至已达到其设计寿命,因此地下管道网络缺陷检测已成为各地关注主要关注点之一。然而对于地下管道的检测还存在很多难点,如传统方法存在着效率低下,识别率不高等缺点。同时地下管道环境复杂,管道缺陷之间差异小等多个因素,导致地下管道缺陷的识别成为一个相当复杂的问题,面临诸多挑战。在过去的十年中,随着计算机视觉的发展,地下管道检测技术已经有了急速进步,一些有效的检测技术包括:地下管道扫描与评估技术(SSET),基于激光的扫描系统,闭路电视(CCTV)和潜望镜(QV)等。地下管道内部图像很容易获得,但仍然没有有效的方法来自动检测大量图像中的缺陷。地下管道检查主要取决于操作员的手动操作,依赖操作员的经验,耗时、昂贵且容易出错。另外缺陷的严重程度判断也是一个重要且急需解决的问题,目前还没有有效方法对缺陷等级进行判定;因此,提供一种能够基于深度学习的地下管道缺陷定位及等级判定方法,是一个值得研究的问题。
技术实现思路
针对现有技术的不足,本专利技术提出了一种基于深度学习的地下管道缺陷定位及等级自动判定方法,该检测方法不仅减少了人工干预,增加检测精度,而且在准确识别缺陷的基础上还能判定该缺陷的等级,这使得缺陷修复具有针对性,提高了效率。本专利技术的目的是这样实现的:一种基于深度学习的地下管道缺陷定位及等级判定方法,包括以下几个步骤:(1)图像预处理:针对基于图像的地下管道缺陷检测任 ...
【技术保护点】
1.一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于,包括以下几个步骤:(1)图像预处理:针对基于图像的地下管道缺陷检测任务,图像预处理方式主要包括对比度增强和图像去噪;(2)基于深度学习的缺陷识别与定位:针对地下管道缺陷识别准确率高的网络结构;(3)缺陷等级的判定:深度学习框架可进行缺陷识别与定位并同时进行缺陷等级判定;(4)缺陷等级判定框架损失函数构建:针对网络结构DCNN1、DCNN2,分别构建损失函数Loss1、Loss2,最后合成整个框架的损失函数。
【技术特征摘要】
1.一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于,包括以下几个步骤:(1)图像预处理:针对基于图像的地下管道缺陷检测任务,图像预处理方式主要包括对比度增强和图像去噪;(2)基于深度学习的缺陷识别与定位:针对地下管道缺陷识别准确率高的网络结构;(3)缺陷等级的判定:深度学习框架可进行缺陷识别与定位并同时进行缺陷等级判定;(4)缺陷等级判定框架损失函数构建:针对网络结构DCNN1、DCNN2,分别构建损失函数Loss1、Loss2,最后合成整个框架的损失函数。2.根据权利要求1所述的一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于,所述步骤(1)具体为:(1.1)用对比度增强的方法来提高图像亮度,而对比度的增强则是利用改进的动态直方图均衡化法(DHE)来完成;DHE基于局部最小值划分图像直方图,并在分别对其进行均衡之前为每个分区指定特定的灰度级范围;这些分区进一步通过重新分区测试,以确保没有任何主导部分;(1.2)利用双边滤波的方法消除噪声,并可保持图像边缘及纹理信息;通过将信号分解成其频率分量来改进双边滤波器,以这种方式,可以消除不同频率分量中的噪声。3.根据权利要求1所述的一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于,所述步骤(2)包括:(2.1)提出了全新的深度学习目标检测框架,对输入的地下管道图像缺陷进行识别与定位;它将图像划分为偶数网格,同时预测边界框、框的置信度和类别概率,这些预测被编码为S×S×(B*5+C)的张量;(2.2)深度网络结构DCNN1,主要用于地下管道缺陷识别与定位;该网络结构由8个卷积层和2个全连接层组成。4.根据权利要求1所述的一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于:所述步骤(3)为(3.1)将经过预处理的图像输入上述(2.1)中的目标检测框架,输出一个固定大小的张量,该张量经过处理得到...
【专利技术属性】
技术研发人员:鞠建荣,刘文伍,范娟娟,汪俊,周磊,谢乾,李大伟,
申请(专利权)人:南京市测绘勘察研究院股份有限公司,
类型:发明
国别省市:江苏,32
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。