一种管道缺陷检测与跟踪方法以及装置制造方法及图纸

本公开的实施例提供了一种管道缺陷检测与跟踪方法以及装置，应用于排水管网技术领域。该方法包括：获取CCTV管道检测视频；从CCTV管道检测视频中选取管道缺陷图像，并对选取的管道缺陷图像中的缺陷目标进行类型标注以及边框标注，构建管道缺陷数据集；对管道缺陷数据集中的样本进行缺陷目标的裁剪和分类，构建目标跟踪数据集；采用管道缺陷数据集对YOLO_v7

【技术实现步骤摘要】
一种管道缺陷检测与跟踪方法以及装置


[0001]本公开涉及排水管网
，尤其涉及一种管道缺陷检测与跟踪方法以及装置。

技术介绍

[0002]随着海绵城市建设，近年来排水管网持续扩大其运维规模。由于管道长期期使用会发生堵塞、腐蚀、坍塌以及出现裂痕等各种缺陷，从而引发类似泄露、塌方、内涝等安全事故，对环境、社会经济以及人身安全造成损害，因此需要对管道缺陷进行检测与跟踪。
[0003]目前常用的管道缺陷检测与跟踪通常基于人工实现，比较依赖用户经验，且效率较低，因此如何有效地进行管道缺陷检测与跟踪就成为了目前亟待解决的技术问题。

技术实现思路

[0004]本公开的实施例提供了一种管道缺陷检测与跟踪方法以及装置。
[0005]第一方面，本公开的实施例提供了一种管道缺陷检测与跟踪方法，该方法包括：
[0006]获取CCTV管道检测视频；
[0007]从CCTV管道检测视频中选取管道缺陷图像，并对选取的管道缺陷图像中的缺陷目标进行类型标注以及边框标注，构建管道缺陷数据集；
[0008]对管道缺陷数据集中的样本进行缺陷目标的裁剪和分类，构建目标跟踪数据集；
[0009]采用管道缺陷数据集对YOLO_v7
‑
seg模型进行训练；
[0010]采用目标跟踪数据集对DeepSORT模型进行训练；
[0011]以训练完成的YOLO_v7
‑
seg模型的输出作为训练完成的DeepSORT模型的输入，构建管道缺陷检测与跟踪模型。
[0012]在第一方面的一些可实现方式中，对选取的管道缺陷图像中的缺陷目标进行类型标注以及边框标注，构建管道缺陷数据集，包括：
[0013]对选取的管道缺陷图像进行数据预处理和数据增强；
[0014]对数据预处理和数据增强后的管道缺陷图像中的缺陷目标进行类型标注以及边框标注，构建管道缺陷数据集。
[0015]在第一方面的一些可实现方式中，数据预处理包括：基于CLAHE算法的亮度均值化处理以及基于GCANet算法的去雾处理。
[0016]在第一方面的一些可实现方式中，数据增强包括：图像旋转以及颜色抖动。
[0017]在第一方面的一些可实现方式中，YOLO_v7
‑
seg模型包括：Conv模块、ELAN模块、MP
‑
1模块、SPPCSPC模块、ELAN
‑
W模块、MP
‑
2模块、ISegment模块。
[0018]在第一方面的一些可实现方式中，DeepSORT模型包括：深度学习模块、卡尔曼滤波模块、匈牙利算法模块。
[0019]在第一方面的一些可实现方式中，采用管道缺陷数据集对YOLO_v7
‑
seg模型进行训练，包括：
[0020]将管道缺陷数据集划分为训练集和测试集；
[0021]根据训练集对YOLO_v7
‑
seg模型进行训练，并根据测试集对训练后的YOLO_v7
‑
seg模型进行性能评估；
[0022]若训练后的YOLO_v7
‑
seg模型通过性能评估，则将当前的YOLO_v7
‑
seg模型作为最终训练完成的YOLO_v7
‑
seg模型；
[0023]若训练后的YOLO_v7
‑
seg模型未通过性能评估，则调整当前YOLO_v7
‑
seg模型的超参数，并根据训练集对调整后的YOLO_v7
‑
seg模型进行训练，直到通过性能评估，将通过性能评估的YOLO_v7
‑
seg模型作为最终训练完成的YOLO_v7
‑
seg模型。
[0024]第二方面，本公开的实施例提供了一种管道缺陷检测与跟踪方法，该方法包括：
[0025]获取CCTV管道检测视频；
[0026]将CCTV管道检测视频输入管道缺陷检测与跟踪模型，进行管道缺陷检测与跟踪；
[0027]其中，管道缺陷检测与跟踪模型基于如上所述的管道缺陷检测与跟踪模型的训练方法得到。
[0028]第三方面，本公开的实施例提供了一种管道缺陷检测与跟踪模型的训练装置，该装置包括：
[0029]获取模块，用于获取CCTV管道检测视频；
[0030]构建模块，用于从CCTV管道检测视频中选取管道缺陷图像，并对选取的管道缺陷图像中的缺陷目标进行类型标注以及边框标注，构建管道缺陷数据集；
[0031]构建模块，还用于对管道缺陷数据集中的样本进行缺陷目标的裁剪和分类，构建目标跟踪数据集；
[0032]训练模块，用于采用管道缺陷数据集对YOLO_v7
‑
seg模型进行训练；
[0033]训练模块，还用于采用目标跟踪数据集对DeepSORT模型进行训练；
[0034]构建模块，还用于以训练完成的YOLO_v7
‑
seg模型的输出作为训练完成的DeepSORT模型的输入，构建管道缺陷检测与跟踪模型。
[0035]第四方面，本公开的实施例提供了一种管道缺陷检测与跟踪装置，该装置包括：
[0036]获取模块，用于获取CCTV管道检测视频；
[0037]输入模块，用于将CCTV管道检测视频输入管道缺陷检测与跟踪模型，进行管道缺陷检测与跟踪；
[0038]其中，管道缺陷检测与跟踪模型基于如上所述的管道缺陷检测与跟踪模型的训练方法得到。
[0039]第五方面，本公开的实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。
[0040]第六方面，本公开的实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如上所述的方法。
[0041]在本公开的实施例中，可以获取CCTV管道检测视频；从CCTV管道检测视频中选取管道缺陷图像，并对选取的管道缺陷图像中的缺陷目标进行类型标注以及边框标注，构建管道缺陷数据集；对管道缺陷数据集中的样本进行缺陷目标的裁剪和分类，构建目标跟踪数据集；采用管道缺陷数据集对YOLO_v7
‑
seg模型进行训练；采用目标跟踪数据集对
DeepSORT模型进行训练；以训练完成的YOLO_v7
‑
seg模型的输出作为训练完成的DeepSORT模型的输入，构建能力较强的管道缺陷检测与跟踪模型，进而基于该模型有效地进行管道缺陷检测与跟踪，降低人工成本。
[0042]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种管道缺陷检测与跟踪模型的训练方法，其特征在于，所述方法包括：获取CCTV管道检测视频；从所述CCTV管道检测视频中选取管道缺陷图像，并对选取的管道缺陷图像中的缺陷目标进行类型标注以及边框标注，构建管道缺陷数据集；对所述管道缺陷数据集中的样本进行缺陷目标的裁剪和分类，构建目标跟踪数据集；采用所述管道缺陷数据集对YOLO_v7
‑
seg模型进行训练；采用所述目标跟踪数据集对DeepSORT模型进行训练；以训练完成的YOLO_v7
‑
seg模型的输出作为训练完成的DeepSORT模型的输入，构建管道缺陷检测与跟踪模型。2.根据权利要求1所述的方法，其特征在于，所述对选取的管道缺陷图像中的缺陷目标进行类型标注以及边框标注，构建管道缺陷数据集，包括：对选取的管道缺陷图像进行数据预处理和数据增强；对数据预处理和数据增强后的管道缺陷图像中的缺陷目标进行类型标注以及边框标注，构建管道缺陷数据集。3.根据权利要求2所述的方法，其特征在于，所述数据预处理包括：基于CLAHE算法的亮度均值化处理以及基于GCANet算法的去雾处理。4.根据权利要求2所述的方法，其特征在于，所述数据增强包括：图像旋转以及颜色抖动。5.根据权利要求1所述的方法，其特征在于，所述YOLO_v7
‑
seg模型包括：Conv模块、ELAN模块、MP
‑
1模块、SPPCSPC模块、ELAN
‑
W模块、MP
‑
2模块、ISegment模块。6.根据权利要求1所述的方法，其特征在于，所述DeepSORT模型包括：深度学习模块、卡尔曼滤波模块、匈牙利算法模块。7.根据权利要求1所述的方法，其特征在于，所述采用所述管道缺陷数据集对YOLO_v7
‑
seg模型进行训练，包括：将所述管道缺陷数据集划分为训练集和测试集；根据所述训练集对YOLO_v7
‑
seg模型进行训练，并根据所述测试集对训练后的YOLO_v7
‑
seg模型进行性能评估；若训练后的YOLO_v7
‑
...

【专利技术属性】
技术研发人员：颜合想，刘一飞，师其然，王冲，陶涛，信昆仑，李树平，王嘉莹，李飞，
申请(专利权)人：同济大学，
类型：发明
国别省市：