【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 ...
【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
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。