【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 ...
【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
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。