基于异常检测思维的胶囊机器人排水管病害检测方法技术

本发明专利技术公开了一种基于异常检测思维的胶囊机器人排水管病害检测方法；该方法包括以下的步骤：S10、获取拍摄的视频文件；S20、输入图像，将图像分为4*4的图像块；S30、分别计算出图像块的LBP特征值、GLMC特征值和HOG特征值，并设计Gabor滤波器，计算Gabor特征值；S40、将步骤S30中得到的特征值组合得到特征组合数据集；S50、计算出每个特征值的概率公式；S60、选取交叉验证数据集，依次进行步骤S30‑S50，得到每张图像的总概率值，然后通过交叉验证集确定阈值ε；S70、输入新的样本图像，计算样本图像的总概率值p，当p<ε，则认为样本图像异常，当p>ε判定为非异常；本发明专利技术的有益效果是：对提取的特征数据集进行异常聚类检测，实现管道病害检测，并输出病害类型标签。

【技术实现步骤摘要】
基于异常检测思维的胶囊机器人排水管病害检测方法
本专利技术涉及排水管道检测
，更具体的说，本专利技术涉及一种基于异常检测思维的胶囊机器人排水管病害检测方法。
技术介绍
地下管网是城市的重要基础设施，是维持城市安全运行的生命线。然而，在建设和使用过程中，因城市快速发展、负荷流量超标、设施老旧和维护不足等因素，越来越多的管网问题不断暴露出来。近年来，由地下管网病害引发的诸如城市内涝、环境污染甚至地表塌陷等城市灾害事故频发，给人民群众造成了重大的人员伤亡和经济损失。据深圳市地陷办统计，城市地陷有近90％的原因是由各类地下管网病害引发，对地下管网病害开展大范围常态化的探查工作，是有效预防各类地下管网事故的重要工作。管道检测仪器(如管道闭路电视检测系统CCTV，管道潜望镜QV)检测方法已经成为城市排水管网的主要检测手段之一。CCTV或QV检测作业时，让视频分析师观看CCTV或QV所记录的管道影像来寻找管道内的病害，并将其分类标注。然而，仅仅通过人工的方法来分析视频中的病害是远远不够的。CCTV或QV管道影像数据量极大，通过人工筛查的方法费时费力。近年来，随着图像识别与人工智能技术的发展，国内外研究提出利用深度学习技术实现管道病害自动识别技术。该方法将大量经过人工标注的排水管道病害图像，作为样本数据输入深度学习模型进行训练，然后将检测采集的管道图像输入已训练的深度学习模型进行识别，输出病害类型标签。该方法减少了人工筛查的工作量，提高了病害识别效率。该方法属于监督学习的过程，病害识别效果依赖于输入的样本图像数据，需要针对不同管材、不同管道环境以及不同病害类型提供足够的样本数据，对模型进行训练才能得到较好的病害识别效果。然而，我国不同城市、不同年代建设的排水管道差异明显，管道环境复杂，病害类型多样，经常出现全新的病害类型。此时，基于监督学习的病害识别，难以实现病害样本数据的全覆盖，会导致管道病害漏检和错检，影响病害管道病害识别效果。因此，基于深度学习的排水管道病害检测技术还有待于改进和发展。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种基于异常检测思维的胶囊机器人排水管病害检测方法。本专利技术解决其技术问题所采用的技术方案是：一种基于异常检测思维的胶囊机器人排水管病害检测方法，其改进之处在于，该方法包括以下的步骤：S10、获取拍摄的视频文件，将视频文件抽帧为排水管内壁的序列图像；S20、输入图像，将图像分为4*4的图像块；S30、分别计算出图像块的LBP特征值、GLMC特征值和HOG特征值，并设计Gabor滤波器，计算Gabor特征值；S40、将步骤S30中得到的特征值组合得到特征组合数据集；S50、计算出每个特征值的概率公式；S60、选取交叉验证数据集，依次进行步骤S30-S50，得到每张图像的总概率值，然后通过交叉验证集确定阈值ε；S70、输入新的样本图像，计算样本图像的总概率值p，当p<ε，则认为样本图像异常，当p>ε判定为非异常。进一步的，步骤S40具体包括以下的步骤：将步骤S30中得到的特征值组合得到特征组合数据集(x1,x2,x3…xn)；给定m×n维训练集，将训练集转换为n维的高斯分布，通过对m个训练样例的分布分析，得出训练集的概率密度函数，即得出训练集在各个维度上的数学期望μ和方差σ2；第j个维度上的数学期望μj和方差计算公式如下：其中，表示第j个维度特征数据。进一步的，步骤S50中，当给定一个新的点，确定其在高斯分布上的概率p，概率p的计算公式如下：进一步的，步骤S10中，通过胶囊机器人的鱼眼镜头进行排水管内部的拍摄，得到视频文件。进一步的，步骤S30中，LBP特征值的计算公式如下：其中，p表示3×3窗口中除中心像素点外的第p个像素点；I(c)表示中心像素点的灰度值，I(p)表示领域内第p个像素点的灰度值；s(x)公式如下：进一步的，步骤S30中，GLMC特征值的图像特征表示为：其中Pi,j表示灰度分别为i和j的两个像素出现的次数或频率，进一步的，步骤S30中，设计Gabor滤波器，选择4个尺寸、6个方向，组成24个Gabor滤波器。进一步的，将Gabor滤波器与图像进行卷积获得Gabor特征，二维Gabor函数表达如下：x′＝xcosθ+ysinθ；y′＝-xsinθ+ycosθ；其中，X，Y分别表示像素坐标位置，λ表示滤波的波长，以像素为单位；θ表示Gabor核函数图像的倾斜角度，指定了Gabor函数并行条纹的方向；ψ表示相位偏移量，范围是-180度-180度，其中0和180度分别对应中心对称的center-on函数和center-off函数，而-90度和90度对应反对称函数；σ表示高斯函数的标准差；γ表示长宽比，当γ＝1时，形状是圆的，当γ<1时，形状随着平行条纹方向而拉长。进一步的，λ值为3，σ＝0.56λ，γ＝0.5，θ＝60，ψ＝90。进一步的，步骤S30中，HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征，图像像素点的梯度大小和方向计算公式如下：Gx(x,y)＝H(x+1,y)-H(x-1,y)；Gy(x,y)＝H(x,y+1)-H(x,y-1)；其中，Gx(x,y)、Gy(x,y)、α(x,y)以及H(x,y)分别分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度、梯度方向和像素值。本专利技术的有益效果是：本专利技术一方面综合利用图像的LBP特征、GLCM特征、Gabor特征以及HOG特征，通过图像局部纹理变化、图象亮度变化、边缘信息和物体信息等特征组合，来提高病害识别准确率。无需提前建立病害样本库，能够降低由于病害样本数据不全面导致的管道病害漏检率，同时，也能够极大降低采用有监督的学习方法前期需要对病害进行大量的人工标注工作量。附图说明图1为本专利技术的一种基于异常检测思维的胶囊机器人排水管病害检测方法的流程示意图。图2为本专利技术的一种基于异常检测思维的胶囊机器人排水管病害检测方法的实施例图。图3为本专利技术的一种基于异常检测思维的胶囊机器人排水管病害检测方法的部分实验数据样例图。图4至图9为方法与特征组合的对比图。图10为不同方法的统计结果的示意图。具体实施方式下面结合附图和实施例对本专利技术进一步说明。以下将结合实施例和附图对本专利技术的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本专利技术的目的、特征和效果。显然，所描述的实施例只是本专利技术的一部分实施例，而不是全部实施例，基于本专利技术的实施例，本领域的技术人员在不付出创造性劳动的本文档来自技高网...

【技术保护点】
1.一种基于异常检测思维的胶囊机器人排水管病害检测方法，其特征在于，该方法包括以下的步骤：/nS10、获取拍摄的视频文件，将视频文件抽帧为排水管内壁的序列图像；/nS20、输入图像，将图像分为4*4的图像块；/nS30、分别计算出图像块的LBP特征值、GLMC特征值和HOG特征值，并设计Gabor滤波器，计算Gabor特征值；/nS40、将步骤S30中得到的特征值组合得到特征组合数据集；/nS50、计算出每个特征值的概率公式；/nS60、选取交叉验证数据集，依次进行步骤S30-S50，得到每张图像的总概率值，然后通过交叉验证集确定阈值ε；/nS70、输入新的样本图像，计算样本图像的总概率值p，当p<ε，则认为样本图像异常，当p>ε判定为非异常。/n

【技术特征摘要】
1.一种基于异常检测思维的胶囊机器人排水管病害检测方法，其特征在于，该方法包括以下的步骤：
S10、获取拍摄的视频文件，将视频文件抽帧为排水管内壁的序列图像；
S20、输入图像，将图像分为4*4的图像块；
S30、分别计算出图像块的LBP特征值、GLMC特征值和HOG特征值，并设计Gabor滤波器，计算Gabor特征值；
S40、将步骤S30中得到的特征值组合得到特征组合数据集；
S50、计算出每个特征值的概率公式；
S60、选取交叉验证数据集，依次进行步骤S30-S50，得到每张图像的总概率值，然后通过交叉验证集确定阈值ε；
S70、输入新的样本图像，计算样本图像的总概率值p，当p<ε，则认为样本图像异常，当p>ε判定为非异常。


2.根据权利要求1所述的基于异常检测思维的胶囊机器人排水管病害检测方法，其特征在于，步骤S40具体包括以下的步骤：
将步骤S30中得到的特征值组合得到特征组合数据集(x1,x2,x3…xn)；给定m×n维训练集，将训练集转换为n维的高斯分布，通过对m个训练样例的分布分析，得出训练集的概率密度函数，即得出训练集在各个维度上的数学期望μ和方差σ2；第j个维度上的数学期望μj和方差计算公式如下：



其中，表示第j个维度特征数据。


3.根据权利要求2所述的基于异常检测思维的胶囊机器人排水管病害检测方法，其特征在于，步骤S50中，当给定一个新的点，确定其在高斯分布上的概率p，概率p的计算公式如下：





4.根据权利要求1所述的基于异常检测思维的胶囊机器人排水管病害检测方法，其特征在于，步骤S10中，通过胶囊机器人的鱼眼镜头进行排水管内部的拍摄，得到视频文件。


5.根据权利要求1所述的基于异常检测思维的胶囊机器人排水管病害检测方法，其特征在于，步骤S30中，LBP特征值的计算公式如下：



其中，p表示3×3窗口中除中心像素点外的第p个像素点；I(c)表示中心像素点的灰度值，I(p)表示领域内第p个像素点的灰度值；s(x)公式如下：





6.根据权利要求1所述的基于异常检测思维的胶囊机器人排水管病害检测方法，...

【专利技术属性】
技术研发人员：李清泉，臧翀，王全，朱家松，刘志，方旭，朱松，王维康，
申请(专利权)人：深圳市环水管网科技服务有限公司，深圳市智源空间创新科技有限公司，
类型：发明
国别省市：广东;44