一种降低误检率的排水管道缺陷检测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种降低误检率的排水管道缺陷检测方法、装置、设备及介质，该缺陷检测方法包括如下步骤：S1，提取排水管道疑似缺陷图进行图像增强转换为第二HSI图像；根据预先训练的改进3D

【技术实现步骤摘要】
一种降低误检率的排水管道缺陷检测方法、装置、设备及介质


[0001]本专利技术涉及管道检测
，特别涉及一种降低误检率的排水管道缺陷检测方法、装置、设备及介质。

技术介绍

[0002]随着深度学习技术的发展，将其应用于目标识别、病害检测等领域得到了广泛应用。目前，由于人工节省和识别精度提高的优势，基于深度学习和神经网络的排水管道缺陷检测在管道检测领域发挥的作用越来越重要。采用深度学习技术进行管道检测识别通常包括缺陷检测和缺陷分类两个关键阶段，其中，在使用CCTV管道机器人装置相机采集含有管道的视觉信息时，因受拍摄距离、背景光线、管道环境等影响，图像易发生反光、失真、噪音等现象，可能导致缺陷误识别，即将非管道缺陷误检测为管道缺陷，从而影响了第二阶段进行缺陷类型识别的实时性和准确度。

技术实现思路

[0003]本专利技术的目的在于提供一种降低误检率的排水管道缺陷检测方法、装置、设备及介质，以降低管道缺陷检测的误检率、提高缺陷分类的实时性和准确度。
[0004]本专利技术解决其技术问题提供的技术方案如下：
[0005]第一方面，本专利技术公开一种降低误检率的排水管道缺陷检测方法，S1，提取排水管道疑似缺陷图进行图像增强转换为第二HSI图像，提高机器视觉对图像的感知力；S 2，根据预先训练的改进3D
‑
CNN高光谱图像分类卷积神经网络对第二HSI图像进行缺陷检测，输出含有缺陷的第二HSI图像，提高检测的精度和速度。
[0006]第二方面，本专利技术公开了一种降低误检率的排水管道缺陷检测装置，包括：图像增强模块，用于提取排水管道疑似缺陷图进行图像增强转换为第二HSI图像；图像检测模块，用于根据预先训练的改进3D
‑
CNN高光谱图像分类卷积神经网络对第二HSI图像进行缺陷检测，输出含有缺陷的第二HSI图像。
[0007]第三方面，本专利技术公开了一种设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的缺陷检测方法。
[0008]第四方面，本专利技术公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的缺陷检测方法。
[0009]本专利技术的有益效果包括：
[0010]1.本专利技术提出了先对原始图像进行检测是否含有疑似缺陷，再将疑似缺陷图增强后进行缺陷分类识别的方法，能剔除误检测的疑似缺陷、减少对冗余信息的处理、并增强了图像的识别精度，进而减少了误检测、提高了神经网络的反馈速度、以及提高了缺陷检测和分类识别的精确度。
[0011]2.本专利技术提出了采用改进的高光谱图像分类神经网络结构进行HSI图像分类检
测，提高了分类结果的准确度。
附图说明
[0012]下面结合附图对本专利技术作进一步说明。
[0013]图1是本专利技术实施例提供的缺陷检测方法流程图。
[0014]图2是本专利技术实施例提供的RGB图像增强转换为HIS图像方法流程图。
[0015]图3是本专利技术实施例提供的缺陷检测方法流程图二。
[0016]图4是本专利技术实施例提供的缺陷检测装置结构图。
[0017]图5是本专利技术实施例提供的缺陷检测装置结构图二。
具体实施方式
[0018]下面将结合本专利技术的附图，对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0019]本专利技术实施例提供了一种缺陷检测方案，可应用于管道缺陷检测，也可应用于其他缺陷检测。具体实现中，首先是提取待测管道或物体的原始图像进行疑似缺陷检测，将含有疑似缺陷的图像进行图像增转换为HSI图像，再使用高光谱图像分类神经网络再次对含有疑似缺陷的HSI图像进行检测，确定含有缺陷后再进行后续的缺陷分类识别，此种方案剔除可能误检测的冗余信息、对图像增强处理增强了机器视觉的感知力，是提高缺陷检测和分类识别速度和精度的有效方案。
[0020]请参考图1，本专利技术提供一种降低误检率的排水管道缺陷检测方法，包括步骤：
[0021]S1，提取排水管道疑似缺陷图进行图像增强转换为第二HSI图像。
[0022]进一步地，请参考图2，S1步骤具体包括：
[0023]S101，提取RGB格式的排水管道疑似缺陷图。
[0024]在一些实施例中，疑似缺陷图为将CCTV管道机器人拍摄的管道图像输入预先训练的图像检测卷积神经网络检测含有疑似缺陷的图像。
[0025]具体地，预先训练的图像检测卷积神经网络用于检测含有疑似缺陷的原始图像，当前城市运行节奏快速，对于管道的检测与修复的要求也是速度快且质量高，因此在进行图像分类卷积神经网络选型时，最好选择轻量级的卷积神经网络，即在CPU上即可以运行的，优选是可以在移动终端如平板电脑、手机移动端、或CCTV管道机器人上的嵌入式设备上运行可以实时反馈检测结果的。基于轻量级理念，以及样本训练的综合考虑，用于原始图像疑似含有缺陷的检测主干网络可以在YOLO
‑
V4、MobileNetV2、ShuffleNetV2中进行测试、选择和优化。
[0026]进一步地，S102步骤，将RGB图像转换为第一HSI图像。
[0027]具体地，RGB(红绿蓝)是依据人眼识别的颜色定义出的空间，可表示大部分颜色，但RGB颜色空间的细节难以进行数字化的调整，它将色调，亮度，饱和度三个量放在一起表示，很难分开。HSI颜色空间是为了更好的数字化处理颜色而提出来的，H是色调，S是饱和度，I是强度。在图像处理和计算机视觉中大量算法都可在HSI色彩空间中方便地使用，它们
可以分开处理而且是相互独立的。因此，在HSI色彩空间可以大大简化图像分析和处理的工作量。
[0028]S103，分离第一HSI图像的H、S、I通道；
[0029]S104，对S通道进行自适应gamma饱和度校正。
[0030]具体地，饱和度是指色彩的鲜艳程度，也称色彩的纯度。高饱和度可以让图像色彩更鲜艳，饱和度低，图像会显得灰暗。提升饱和度有多种：如图像插值法，或者转换到HSI色彩空间然后增强S分量等等。伽马(gamma)变换是一种简单且对图像的适用性强的方法，通过使用两个变化参数来控制图像。由于伽马变换具有改善图像视觉效果、可对图像光照进行校正并且运算简单的优点，被广泛应用于低质图像的增强。然而大多数伽马变换参数都是全局且手动设置的，导致达到的增强效果不够理想。本实施例针对分类后的低对比度图像和中等对比度图像，将算法中的参数设置为自适应且考虑了原图像局部区域亮度信息，增加了算法灵活性，有效提高了增强效果。
[0031]在一些实施方式中，对S通道饱和度选用自适应gamma变换进行校正。对S通道进行自适应gamma本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种降低误检率的排水管道缺陷检测方法，其特征在于，包括如下步骤：S1，提取排水管道疑似缺陷图进行图像增强转换为第二HSI图像；S2，根据预先训练的改进3D
‑
CNN高光谱图像分类卷积神经网络对第二HSI图像进行缺陷检测，输出含有缺陷的第二HSI图像。2.根据权利要求1所述缺陷检测方法，其特征在于，所述疑似缺陷图为将CCTV管道机器人拍摄的管道图像输入预先训练的图像检测卷积神经网络检测含有疑似缺陷的图像。3.根据权利要求1所述缺陷检测方法，其特征在于，所述S1步骤包括：S101，提取RGB格式的排水管道疑似缺陷图；S102，将RGB图像转换为第一HSI图像；S103，分离第一HSI图像的H、S、I通道；S104，对S通道进行自适应gamma饱和度校正；S105，对I通道进行小波变换调整亮度；S106，将H通道、饱和度校正后的S通道、亮度调整后的I通道合并为第二HSI图像。4.根据权利要求3所述缺陷检测方法，其特征在于，所述对S通道进行自适应gamma饱和度校正的公式为：其中F是处理后的S通道像素值，f是待处理图像的S通道像素值，f
max
为f中的最大值，γ为可变的指数值，用于自适应控制图像增强强度，σ是图像标准偏差，μ是图像均值；所述对I通道进行小波变换调整亮度的方法为：利用小波变换分离出I的低频和高频成分，选用Retinex增强图像低频分量，高频部分利用多尺度高斯差分进行噪声处理，之后将高频与低频部分进行叠加。5.根据权利要求1或2所述缺陷检测方...

【专利技术属性】
技术研发人员：张钊，叶子铭，林洁，杜颜，何昱昊，蒋俊豪，
申请(专利权)人：深圳市水务工程检测有限公司，
类型：发明
国别省市：