【技术实现步骤摘要】
一种基于多标签卷积神经网络的管道病害图像分类方法
本专利技术涉及计算机数字图像处理和基于卷积神经网络的深度学习算法领域，尤其涉及一种基于多标签卷积神经网络的管道病害图像分类方法。
技术介绍
目前常用的管道内窥图像的获取方式有两种：一种是基于闭路电视检测技术(CloseCircuitTelevisionInspection，CCTV)的管道检测机器人技术，一种是基于管道快速视图检测技术(PipeQuickViewInspection，QV)的管道潜望镜技术。现有技术中获取图像后的处理方法目前仍然以人工观察为主，再进行分类识别。人工观察会出现下述难点：管道建设长度的增加会导致庞大内窥视频及图像数据的产生，以管道检测机器人为例，其运行最大速度在2.5-3m/s，对于长度为1000m的管道，至少需要拍摄5分钟的视频，按照30fps的帧率进行拍摄，则会产生9000张图片，如此庞大的数据量由人工检查筛选难免会由于工作疲劳、主观意识等因素导致检测结果不准确；所以就需要利用计算机数字图像处理技术，实现管道内窥图像的病害自动分类识别。管道遍布广、种类多、产生的病害种类相对复杂，但是...
【技术保护点】
1.一种基于多标签卷积神经网络的管道病害图像分类方法，其特征在于，所述管道病害图像分类方法步骤如下：步骤1：收集管道内窥检测视频，提取管道内窥检测视频中的图像帧；步骤2：计算每一个图像的时间戳特征；步骤3：将步骤1收集到的一部分图像帧送入多标签卷积神经网络模型中进行训练，获得能够正确分类出管道病害种类的多标签卷积神经网络模型；步骤4：用训练好的多标签卷积神经网络模型检测待检测管道内窥图像，然后多标签卷积神经网络模型会输出独热编码，根据独热编码确定出存在的管道病害种类。
【技术特征摘要】
1.一种基于多标签卷积神经网络的管道病害图像分类方法，其特征在于，所述管道病害图像分类方法步骤如下：步骤1：收集管道内窥检测视频，提取管道内窥检测视频中的图像帧；步骤2：计算每一个图像的时间戳特征；步骤3：将步骤1收集到的一部分图像帧送入多标签卷积神经网络模型中进行训练，获得能够正确分类出管道病害种类的多标签卷积神经网络模型；步骤4：用训练好的多标签卷积神经网络模型检测待检测管道内窥图像，然后多标签卷积神经网络模型会输出独热编码，根据独热编码确定出存在的管道病害种类。2.如权利要求1所述的一种基于多标签卷积神经网络的管道病害图像分类方法，其特征在于，所述多标签卷积神经网络模型包括上层Inception-ResNet-v2网络结构和下层多标签分类层，所述上层Inception-ResNet-v2网络结构还包括随机失活层。3.如权利要求2所述的一种基于多标签卷积神经网络的管道病害图像分类方法，其特征在于，所述下层多标签...
【专利技术属性】
技术研发人员：唐露新，张宇维，
申请(专利权)人：广东技术师范大学天河学院，
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。