基于深度学习的管道检测识别方法、存储介质及机器人技术

本发明专利技术公开了一种基于深度学习的管道检测识别方法、存储介质及机器人，解决了检测效率低且精确率低的问题，其技术方案要点是，根据图像处理执行信息以获取对应于被检测位置的当前位置图像信息；根据当前位置图像信息中的文字进行文字识别处理以形成当前位置文字信息以及根据当前位置图像信息中的管道缺陷进行判断以形成当前位置管道缺陷信息；根据相互关联的所述当前位置文字信息与当前位置管道缺陷信息以形成当前位置管道缺陷表格信息，本发明专利技术通过大数据的深度学习分析以获取相应的管道缺陷的判断模型，实现对视频中的每一帧图片进行评估，提高整体的工作效率，同时也能够保证判断的正确率。

Pipeline Detection and Recognition Method, Storage Media and Robot Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的管道检测识别方法、存储介质及机器人
本专利技术涉及管道检测
，特别涉及基于深度学习的管道检测识别方法、存储介质及机器人。
技术介绍
管道内检测是指利用管输介质驱动检测器在管道内运行，实时检测和记录管道的变形、腐蚀等损伤情况，并准确定位的作业。油气管道大多埋地敷设，通过管道内检测可事先发现各种缺陷和损伤，了解各管段的危险程度，可预防和有效减少事故并节约管道维修资金，是保证管道安全的重要措施。初次进行时，要进行—系列准备工作：线路测量；定标、清管器、收发球筒、弯头、斜口检査改造；管道通径、变形检测；清管、模拟器等准备，以确认管道满足通过检测器的要求。实施后要处理数据，做出检测报告。必要时还要选择适当管段开挖验证，确定管道内检测的精度、合格率等是否达到要求。目前管道检测主要依靠CCTV技术进行管道检测，该技术通过向管道内放置CCTV管道机器人，操控机器人进行管道内窥检测且录制视频，该技术较好的解决了管道内外业人员无法直接观看的问题，但是在数据采集过程中，需要人为记录管道内拍摄到的缺陷，需集中精神进行繁多的管道视频采集，同时在采集过程中外业人员需要进行首次判断缺陷并用纸质文件记录，导致外业采集效率较低。除此之外，外业人员完成视频采集后，需交由内业人员进行重新观看管道内窥视频，内业人员根据外业人员所记录的纸质文件上所记录的提醒节点进行回顾，对整个过程进行重新判断，以求获得最为准确的判断。最后，根据人工判断结果以报表形式导出。上述传统方法的缺点与不足：1、传统方法是基于专业经验进行缺陷判断的，外业人员的初次判断，需要安排经验丰富的人员进行采集，对专业性具有较高要求。2、传统方法需要在数据采集过程中需进行记录；采集过程中，外业人员需要根据实时内窥影像进行判断，视频采集效率较低。3、传统方法难以解放人力；内业人员对大量采集视频需要进行二次判断，通过逐个观看视频并重新判断之后再制作报表，费时费力。4、传统方法局限于个人主观意识；内业人员具有个人主观意识，不同内业人员对同一图像容易产生不同的判断结果，产生歧义，准确率因人员专业性不同而不同。5、传统方法难以提供准确的标准进行验证；质量检查人员同样需在项目提交时进行质量检查，重新根据报表情况进行视频复核，该工作受前期人员内的判断影响，且依然局限于人的主观思考。基于上述问题，故现有的管道检测方法具有一定的改进空间。
技术实现思路
本专利技术的第一目的是提供一种基于深度学习的管道检测识别方法，能够提高检测的效率，同时确保判断的准确度。本专利技术的上述技术目的是通过以下技术方案得以实现的：一种基于深度学习的管道检测识别方法，包括：获得当前用户的当前触发信息；从预先设置的触发信息与指令信息之间的对应关系中，查找与所述当前触发信息对应的当前指令信息；所述触发信息包括图像处理触发信息，所述指令信息包括与图像处理触发信息相互关联的图像处理执行信息；根据图像处理执行信息以获取对应于被检测位置的当前位置图像信息；根据当前位置图像信息中的文字进行文字识别处理以形成当前位置文字信息以及根据当前位置图像信息中的管道缺陷进行判断以形成当前位置管道缺陷信息；根据相互关联的所述当前位置文字信息与当前位置管道缺陷信息以形成当前位置管道缺陷表格信息。采用上述方案，根据图像处理触发信息以触发对相应的出现进行处理，根据之前已经存储的多个当前位置图像信息进行分析判断，分析的过程包括文字分析以及图像分析，基于两者的分析来判断管道的缺陷是什么类型的，同时对该管道的缺陷进行标记所对应的位置，该分析过程通过大数据的深度学习分析以获取相应的管道缺陷的判断模型，实现对视频中的每一帧图片进行评估，提高整体的工作效率，同时也能够保证判断的正确率。作为优选，包括获取对应于被检测位置的当前位置图像信息的方法如下：依次载入当前工作日下视频目录的视频数据信息；根据视频数据信息进行分帧提取处理以形成相应被检测位置所对应的当前位置图像信息；根据视频数据信息所对应的名称以及当前位置图像信息所对应的帧数以建立对应目录文件进行存储。采用上述方案，先通过机器人在管道中拍摄相应的视频从而形成了对应的视频数据信息，并对视频数据信息进行分帧提出处理，使得对每一帧的图像都进行处理，能够避免数据遗漏而没有查全管道的缺陷。作为优选，在进行文字识别处理之前需要对当前位置图像信息进行预处理，具体方法如下：依次载入当前位置图像信息；根据当前位置图像信息进行灰度化处理以形成一级预处理图像信息；根据一级预处理图像信息进行降噪处理以形成而二级预处理图像信息；根据二级预处理图像信息进行归一化处理以形成而三级预处理图像信息；根据三级预处理图像信息进行字符切分处理以形成文字待识别图像信息。采用上述方案，进行灰度化处理能够减小图像原始数据量，便于后续处理时计算量更少，因为该图像处理不需要对彩色图像的RGB三个分量都进行处理，即灰度化突出图像文字信息且减少了通道数，提高效率；降噪处理让图片在视觉上显得更为清晰、美观，对于数字图像处理这一块儿，降噪是各种特征识别、提取的前提，降噪提高特征提取的稳定性；归一化可以放大和缩小原始图像的长度和宽度，保留图像的线性性质。有时候表情特征块图像可能不是所要求的形式，这时就要求进行对切割后的图像中心的位置做适当的更正，使之统一到相同的位置上，即归一化是将图像转换到同一规格下，运用统一算法；经过多重预处理之后在进行字符切分处理，便于单独识别对应的文字。作为优选，文字识别处理的方法如下：依次读取文字待识别图像信息；根据OCR文字识别模型对读取到的文字待识别图像信息进行文字识别以形成独立文字识别信息，根据每个目录文件中存储的当前位置图像信息所对应的若干文字待识别图像信息以对独立文字识别信息进行成段排序并形成当前位置文字信息；将当前位置文字信息存储于对应于当前位置图像信息的目录文件中。采用上述方案，OCR技术能够将图片、照片上的文字内容，直接转换为可编辑文本；调用OCR文字识别模型进行逐帧的文字识别，从而能够快速的获取到图片中的文字信息，将识别文字结果按图像位置进行成段排序，需要识别文字的位置是固定的，故生成文字信息是具有规律性，将各图片与识别文字匹配储存，有效的提高工作效率。作为优选，管道缺陷判断的方法如下：依次载入当前位置图像信息；将当前位置图像信息输入至预先训练好的faster-RCNN网络模型中，得到faster-RCNN网络模型的输出，faster-RCNN网络模型的输出中提取出当前位置管道缺陷信息。采用上述方案，通过预置的faster-RCNN网络模型，能够对管道缺陷的图像信息进行实现深度学习，确保在分析当前位置图像信息管道缺陷信息的的过程中，能够智能判断当前位置图像信息的管道缺陷，大大提高判断的正确率，并且能够不断学习完善，让判断的准确度越来越高。作为优选，所述当前位置管道缺陷信息包括有无缺陷分类信息以及详细缺陷信息；根据预先训练好的faster-RCNN网络模型以获取有无缺陷分类信息；基于有无缺陷分类信息并根据预先训练好的faster-RCNN网络模型以获取详细缺陷信息。采用上述方案，先对有无缺陷进行判断，即先对所有的当前位置图像信息进行筛选，筛选出来有缺陷的当前位置图像信息后在进行判断是什么缺陷，能够尽可能减少计算量，提本文档来自技高网...

【技术保护点】
1.一种基于深度学习的管道检测识别方法，其特征是，包括：获得当前用户的当前触发信息；从预先设置的触发信息与指令信息之间的对应关系中，查找与所述当前触发信息对应的当前指令信息；所述触发信息包括图像处理触发信息，所述指令信息包括与图像处理触发信息相互关联的图像处理执行信息；根据图像处理执行信息以获取对应于被检测位置的当前位置图像信息；根据当前位置图像信息中的文字进行文字识别处理以形成当前位置文字信息以及根据当前位置图像信息中的管道缺陷进行判断以形成当前位置管道缺陷信息；根据相互关联的所述当前位置文字信息与当前位置管道缺陷信息以形成当前位置管道缺陷表格信息。

【技术特征摘要】
1.一种基于深度学习的管道检测识别方法，其特征是，包括：获得当前用户的当前触发信息；从预先设置的触发信息与指令信息之间的对应关系中，查找与所述当前触发信息对应的当前指令信息；所述触发信息包括图像处理触发信息，所述指令信息包括与图像处理触发信息相互关联的图像处理执行信息；根据图像处理执行信息以获取对应于被检测位置的当前位置图像信息；根据当前位置图像信息中的文字进行文字识别处理以形成当前位置文字信息以及根据当前位置图像信息中的管道缺陷进行判断以形成当前位置管道缺陷信息；根据相互关联的所述当前位置文字信息与当前位置管道缺陷信息以形成当前位置管道缺陷表格信息。2.根据权利要求1所述的基于深度学习的管道检测识别方法，其特征是，包括获取对应于被检测位置的当前位置图像信息的方法如下：依次载入当前工作日下视频目录的视频数据信息；根据视频数据信息进行分帧提取处理以形成相应被检测位置所对应的当前位置图像信息；根据视频数据信息所对应的名称以及当前位置图像信息所对应的帧数以建立对应目录文件进行存储。3.根据权利要求2所述的基于深度学习的管道检测识别方法，其特征是，在进行文字识别处理之前需要对当前位置图像信息进行预处理，具体方法如下：依次载入当前位置图像信息；根据当前位置图像信息进行灰度化处理以形成一级预处理图像信息；根据一级预处理图像信息进行降噪处理以形成而二级预处理图像信息；根据二级预处理图像信息进行归一化处理以形成而三级预处理图像信息；根据三级预处理图像信息进行字符切分处理以形成文字待识别图像信息。4.根据权利要求3所述的基于深度学习的管道检测识别方法，其特征是，文字识别处理的方法如下：依次读取文字待识别图像信息；根据OCR文字识别模型对读取到的文字待识别图像信息进行文字识别以形成独立文字识别信息，根据每个目录文件中存储的当前位置图像信息所对应的若干文字待识别图像信息以对独立文字识别信息进行成段排序并形成当前位置文字信息；将当前位置文字信息存储于对应于当前位置图像信息的目录文件中。5.根据权利要求2所述的基于深度学习的管道检测识别方法，其特征是：管道缺陷判断的方法如下：依次载入当前位置图像信息；将当前位置图像信息输入至预先训练好的faster-RCNN网络模型中，得到faster-RCNN网络模型的输出，faster-RCNN网络模型的输出中提取出当前位置管道缺陷信息。6.根据权利要求5所述的基于深度学习的管道检测识别方法，其特征是：所述当前位置管道缺陷信息包括有无缺陷分类信息以及详细缺陷信息；根据预先训练好的faster-RCNN网络模型以获取有无缺陷分类信息；基于有无缺陷分类信息并根据预先训练好的faster-RCNN网络模型以获取详细缺陷信息。7.根据权利要求5或6所述的基于深度学习的管道检测识别方法，其特征是：预先训练faster-RCNN网络模型的具体方法如下：步骤510：构建RPN卷积神经网络和faster-RCNN卷积神经网络，所述RPN卷积神经网络由八个卷积层和一个Softmax层构成，所述faster-RCNN...

【专利技术属性】
技术研发人员：叶绍泽，
申请(专利权)人：深圳市勘察研究院有限公司，
类型：发明
国别省市：广东,44