CN109035202B - 一种基于cctv视频图像的排水管道缺陷诊断评估方法 - Google Patents
一种基于cctv视频图像的排水管道缺陷诊断评估方法 Download PDFInfo
- Publication number
- CN109035202B CN109035202B CN201810653948.5A CN201810653948A CN109035202B CN 109035202 B CN109035202 B CN 109035202B CN 201810653948 A CN201810653948 A CN 201810653948A CN 109035202 B CN109035202 B CN 109035202B
- Authority
- CN
- China
- Prior art keywords
- cctv
- pipeline
- image
- value
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开的一种基于CCTV视频图像的排水管道缺陷诊断评价方法,通过将量较好的管道类缺陷CCTV检测图像作为参考图像,收集需要评估的CCTV图像作为样本图像,分别计算每个CCTV图像的亮度值L和对比度值C,并分别与参考图像进行对比,再将计算所得到的亮度值L和对比度值C相乘得到图像质量值Q,使用描述性统计分析、PCA主成分分析以及RDA冗余分析分别对CCTV诊断录像进行评估,最后依据采用的多元分析手段形成的可视化数据用以评估CCTV图像质量进而判断管道缺陷类型质量。本发明克服了其他评价方法的简单、考虑不全面的缺陷,评价结果更加可靠,确保了评价方法的准确性。
Description
技术领域
本发明涉及排水管道缺陷诊断评估方法技术领域,尤其涉及一种基于CCTV视频图像的排水管道缺陷诊断评价方法。
背景技术
随着城市化进程的不断加快,城市人口数量随之不断大幅增加,城市排水负荷亦不断加大,现有的排水管道基本建设于上个世纪,特别是有的大管径的干管至今已近服役二三十年,管道内部已经出现各种缺陷,由于管道缺陷引发的城市市政工程问题凸显,例如:破裂、错位、渗漏、腐蚀等,特别是破裂、错位等管道结构性缺陷会导致管道中污水渗出,污染土壤和水资源。同时,局部管道破裂造成的渗漏会导致管道周边地面塌陷,带来巨大的安全隐患。此外,管道内部沉积物淤积等功能性缺陷,大大降低了排水管道对于污水的输送功能,在暴雨天气容易导致城市内涝,引发交通事故隐患,给城市居民的生命财产安全带来巨大威胁。
目前,通过对排水管道检测,对检测结果进行分析并做选取相对应的工艺修复方式是保证排水管道能够正常运行的有效处理方法。对于排水管道检测主要采用管道潜望镜或者管道机器人。管道潜望镜探测工作时,将摄像头探入检查井内管口附近,采集管道内部图像,检测人员根据显示的图像和录制的视频文件对排水管道状态出具评价报告;管道机器人探测工作时,通过管道机器人携带摄像头进入管道内部,采集排水管道内部图像,检测人员根据显示的图像和录制的视频文件对排水管道状态出具评价报告。但是,现有的排水管道检测方法存在评价方法较为简单、考虑因素不全面、评价结果的准确性和可靠性较低等问题。为此,本申请人经过有益的探索和研究,找到了解决上述问题的方法,下面将要介绍的技术方案便是基于这种背景下产生的。
发明内容
本发明所要解决的技术问题在于:针对现有的排水管道检测方法存在评价方法较为简单、考虑因素不全面、评价结果的准确性和可靠性较低等问题,而提供一种评价结果更加可靠且准确性更高的基于CCTV视频图像的排水管道缺陷诊断评价方法。
本发明所要解决的技术问题可以采用如下技术方案来实现:
一种基于CCTV视频图像的排水管道缺陷诊断评价方法,包括以下步骤:
步骤1,采集排水管网系统中CCTV检测视频录像,并选用各种管道缺陷类型的图片作为参考图像,然后对CCTV检测视频录像中同等缺陷的管道图片进行分类收集;
步骤2,计算CCTV检测视频录像中的CCTV图像的亮度值L与对比度值C,并将计算得到的亮度值L和对比度值C分别与参考图像进行对比;
步骤3,将CCTV图像的亮度值L与CCTV图像的对比度值C相乘所得到的乘积作为图像质量值Q;
步骤4,根据所求得的亮度值L、对比度值C和图像质量值Q依次进行描述性统计分析、PCA主成分分析、RDA冗余分析;
步骤5,根据对CCTV图像多元分析采用可视化数据对CCTV图像质量进行评估,进而对管段缺陷进行评价。
在本发明的一个优选实施例中,在所述步骤1中,所述管道缺陷类型包括管道破裂、管道渗漏、管道障碍物、管道起伏、管道错口、管道接口材料脱落、管道支管暗接、管道异物穿入、管道变形以及管道腐蚀。
在本发明的一个优选实施例中,在所述步骤2中,所述CCTV图像的亮度值L与对比度值C的计算公式如下所示:
其中,X={Xi|i=1,2,3…….N},Y={Yi|i=1,2,….N},X、Y分别表示样本图和参考图的灰度值,N表示数目。
在本发明的一个优选实施例中,在所述步骤3中,所述图像质量值Q的计算公式如下所示:
在本发明的一个优选实施例中,在所述步骤4中,所述PCA主成分分析是采用方差最大旋转正交变换法确定原始变量的方差矩阵的特征值进行计算。
在本发明的一个优选实施例中,在所述步骤4中,所述RDA冗余分析是基于PCA的多元线性回归的扩展,将响应变量建模为解释变量的函数,利用特征分析识别自变量x和响应变量y之间的线性关系,其方程式可以表示为:
其中,SYX表示响应和解释变量之间的协方差矩阵;S-1 XX表示标准化解释变量的协方差矩阵;I表示单位矩阵;λk表示对应轴的特征值;Uk表示正则规范特征向量。
由于采用了如上技术方案,本发明的有益效果在于:本发明克服了其他评价方法的简单、考虑不全面的缺陷,评价结果更加可靠,确保了评价方法的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的检测流程图。
图2是本发明用于表示存在缺陷的排水管道理想参考图像。
图3是本发明用于表示图像质量值Q的示意图。
图4是本发明用于表示描述性统计分析的示意图。
图5是本发明用于表示PCA主成分分析的示意图。
图6是本发明用于表示RDA冗余分析的示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
参见图1,图中给出的是一种基于CCTV视频图像的排水管道缺陷诊断评价方法,包括以下步骤:
步骤1,采集排水管网系统中CCTV检测视频录像,并选用各种管道缺陷类型的图片作为参考图像,然后对CCTV检测视频录像中同等缺陷的管道图片进行分类收集;其中,管道缺陷类型包括管道破裂、管道渗漏、管道障碍物、管道起伏、管道错口、管道接口材料脱落、管道支管暗接、管道异物穿入、管道变形以及管道腐蚀。参见图2,图中给出了八种管道缺陷类型的参考图像,其中,(a)腐蚀;(b)碎片淤积;(c)渗漏;(d)大块剥落;(e)塌陷;(f)接头处断开;(g)破裂;(h)变形。
步骤2,计算CCTV检测视频录像中的CCTV图像的亮度值L(Luminance)与对比度值C(Contrast),并将计算得到的亮度值L和对比度值C分别与参考图像进行对比。其中,CCTV图像的亮度值L与对比度值C的计算公式如下所示:
其中,X={Xi|i=1,2,3…….N},Y={Yi|i=1,2,….N},X、Y分别表示样本图和参考图的灰度值,N表示数目。
步骤3:将CCTV图像的亮度值L与CCTV图像的对比度值C相乘所得到的乘积作为图像质量值Q(Quality index),图像质量值Q的计算公式如下所示:
表1存在缺陷的管道图像参数计算值
步骤4,根据所求得的亮度值L、对比度值C和图像质量值Q依次进行描述性统计分析、PCA主成分分析(Principal Component Aanlysis)、RDA冗余分析(Redundancyanalysis);其中,所述PCA主成分分析是采用方差最大旋转正交变换法确定原始变量的方差矩阵的特征值进行计算。所述RDA冗余分析是基于PCA的多元线性回归的扩展,将响应变量建模为解释变量的函数,利用特征分析识别自变量x和响应变量y之间的线性关系,其方程式可以表示为:
其中,SYX表示响应和解释变量之间的协方差矩阵;S-1 XX表示标准化解释变量的协方差矩阵;I表示单位矩阵;λk表示对应轴的特征值;Uk表示正则规范特征向量。
步骤5,最后根据对CCTV图像多元分析,以一种可视化数据定量对图像进行评价,进而对管段缺陷进行评价。
参见图3和图4,从描述性统计分析和图像质量值Q可以发现31-1、31-2、31-3图像质量相对较差,其它相对较好。参见图5,通过PCA主成分分析(Principal ComponentAanlysis)同样可以到得验证,聚集在一起是Group III包含31-1、31-2、31-3,聚集在GroupII的是30-1、30-2、30-3,31-4、32-1、32-2、32-3、34-1、34-2、34-3、34-4,聚集在一块说明图像质量是相差不大的。RDA冗余分析(Redundancy analysis)用以分析影响视频图像质量的主导因素,参见图6,图中Hole(漏洞);Collapse(坍塌);Broken(破坏);Open joint(接口处断开);Deformed(变形);Fracture(折裂);Spalling(剥落);Debris(碎片),图中亮度值L(Luminance)和对比度值C(Contrast)的箭头,与管道缺陷之间的夹角代表了响应变量与解释变量之间的相关性,例如:Spalling(剥落)与对比度值C(Contrast)之间的夹角最下,说明提高对比度有利于增强Spalling(剥落)类型的管道缺陷,Hole(漏洞)与亮度值L(Luminance)夹角较小,说明提高亮度值L(Luminance)有利于诊断Hole(漏洞)类型的管道缺陷。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于CCTV视频图像的排水管道缺陷诊断评价方法,其特征在于,包括以下步骤:
步骤1,采集排水管网系统中CCTV检测视频录像,并选用各种管道缺陷类型的图片作为参考图像,然后对CCTV检测视频录像中同等缺陷的管道图片进行分类收集;
步骤2,计算CCTV检测视频录像中的CCTV图像的亮度值L与对比度值C,并将计算得到的亮度值L和对比度值C分别与参考图像进行对比;
步骤3,将CCTV图像的亮度值L与CCTV图像的对比度值C相乘所得到的乘积作为图像质量值Q;
步骤4,根据所求得的亮度值L、对比度值C和图像质量值Q依次进行描述性统计分析、PCA主成分分析、RDA冗余分析;
步骤5,根据对CCTV图像多元分析采用可视化数据对CCTV图像质量进行评估,进而对管段缺陷进行评价。
2.如权利要求1所述的基于CCTV视频图像的排水管道缺陷诊断评价方法,其特征在于,在所述步骤1中,所述管道缺陷类型包括管道破裂、管道渗漏、管道障碍物、管道起伏、管道错口、管道接口材料脱落、管道支管暗接、管道异物穿入、管道变形以及管道腐蚀。
4.如权利要求1所述的基于CCTV视频图像的排水管道缺陷诊断评价方法,其特征在于,在所述步骤4中,所述PCA主成分分析是采用方差最大旋转正交变换法确定原始变量的方差矩阵的特征值进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810653948.5A CN109035202B (zh) | 2018-06-22 | 2018-06-22 | 一种基于cctv视频图像的排水管道缺陷诊断评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810653948.5A CN109035202B (zh) | 2018-06-22 | 2018-06-22 | 一种基于cctv视频图像的排水管道缺陷诊断评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035202A CN109035202A (zh) | 2018-12-18 |
CN109035202B true CN109035202B (zh) | 2021-09-03 |
Family
ID=64610506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810653948.5A Active CN109035202B (zh) | 2018-06-22 | 2018-06-22 | 一种基于cctv视频图像的排水管道缺陷诊断评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035202B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109707951A (zh) * | 2018-12-21 | 2019-05-03 | 云南大红山管道有限公司 | 城市地下水排水管网检测方法 |
CN110470429A (zh) * | 2019-08-12 | 2019-11-19 | 上海应用技术大学 | 基于机器视觉的供热管道泄漏检测装置 |
US11415260B2 (en) * | 2019-11-06 | 2022-08-16 | Saudi Arabian Oil Company | Robotic inspection device for tank and pipe inspections |
US11526168B2 (en) | 2019-11-14 | 2022-12-13 | Saudi Arabian Oil Company | Robotic inspection of in-service tanks through lower wall |
CN111443095B (zh) * | 2020-05-09 | 2023-06-23 | 苏州市平海排水服务有限公司 | 管道缺陷的识别判定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0299807A (ja) * | 1988-10-07 | 1990-04-11 | Hitachi Metals Ltd | 粗面の欠陥検出方法 |
US5233199A (en) * | 1991-07-15 | 1993-08-03 | Fuji Electric Co., Ltd. | Cylindrical container's inner surface tester |
CN101976444A (zh) * | 2010-11-11 | 2011-02-16 | 浙江大学 | 一种基于像素类型的结构类似性图像质量客观评价方法 |
CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
CN104266615A (zh) * | 2014-10-14 | 2015-01-07 | 上海电气集团股份有限公司 | 一种管道内壁视觉检测装置及方法 |
CN104751474A (zh) * | 2015-04-13 | 2015-07-01 | 上海理工大学 | 一种级联式快速图像缺陷分割方法 |
-
2018
- 2018-06-22 CN CN201810653948.5A patent/CN109035202B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0299807A (ja) * | 1988-10-07 | 1990-04-11 | Hitachi Metals Ltd | 粗面の欠陥検出方法 |
US5233199A (en) * | 1991-07-15 | 1993-08-03 | Fuji Electric Co., Ltd. | Cylindrical container's inner surface tester |
CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
CN101976444A (zh) * | 2010-11-11 | 2011-02-16 | 浙江大学 | 一种基于像素类型的结构类似性图像质量客观评价方法 |
CN104266615A (zh) * | 2014-10-14 | 2015-01-07 | 上海电气集团股份有限公司 | 一种管道内壁视觉检测装置及方法 |
CN104751474A (zh) * | 2015-04-13 | 2015-07-01 | 上海理工大学 | 一种级联式快速图像缺陷分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109035202A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035202B (zh) | 一种基于cctv视频图像的排水管道缺陷诊断评估方法 | |
KR102008973B1 (ko) | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 | |
US20210319265A1 (en) | Method for segmentation of underground drainage pipeline defects based on full convolutional neural network | |
Koch et al. | A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure | |
US7215811B2 (en) | Method and apparatus for the automated detection and classification of defects in sewer pipes | |
CN113469177B (zh) | 基于深度学习的排水管道缺陷检测方法及系统 | |
CN108038850A (zh) | 一种基于深度学习的排水管道异常类型自动检测方法 | |
CN110349134B (zh) | 一种基于多标签卷积神经网络的管道病害图像分类方法 | |
CN114140625A (zh) | 管道缺陷检测方法、系统、设备与计算机可读存储介质 | |
CN111611861B (zh) | 一种基于多尺度特征关联的图像变化检测方法 | |
Zhou et al. | Automatic sewer defect detection and severity quantification based on pixel-level semantic segmentation | |
Moradi et al. | Real-time defect detection in sewer closed circuit television inspection videos | |
CN112686217A (zh) | 一种基于Mask R-CNN的地下排水管道病害像素级别的检测方法 | |
CN110555831A (zh) | 一种基于深度学习的排水管道缺陷分割方法 | |
CN115841466A (zh) | 排水管网缺陷自动定量评估方法 | |
CN113763363B (zh) | 一种排水管道破裂缺陷检测及等级评定方法 | |
CN110942026B (zh) | 基于深度学习的胶囊机器人排水管病害检测方法及系统 | |
JP3500425B2 (ja) | 可視画像式路面状況把握装置における路面状況判定方法 | |
CN117152617A (zh) | 一种城市洪涝识别方法及系统 | |
Myrans et al. | Using Automatic Anomaly Detection to Identify Faults in Sewers:(027) | |
CN115359399A (zh) | 一种基于改进yolox的地下排水管道缺陷检测识别方法 | |
CN113610957B (zh) | 一种基于bim的排水管道三维缺陷信息自动化管理方法 | |
CN114067103A (zh) | 一种基于YOLOv3的管道第三方破坏智能识别方法 | |
CN110929757B (zh) | 一种沥青路面裂缝类型快速分类方法 | |
CN114663672A (zh) | 一种输电线路塔钢构件腐蚀检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |