CN110766045B - 一种地下排水管道病害识别方法、智能终端及存储介质 - Google Patents
一种地下排水管道病害识别方法、智能终端及存储介质 Download PDFInfo
- Publication number
- CN110766045B CN110766045B CN201910866237.0A CN201910866237A CN110766045B CN 110766045 B CN110766045 B CN 110766045B CN 201910866237 A CN201910866237 A CN 201910866237A CN 110766045 B CN110766045 B CN 110766045B
- Authority
- CN
- China
- Prior art keywords
- diseases
- underground drainage
- disease
- drainage pipeline
- pictures
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种地下排水管道病害识别方法、智能终端及存储介质,所述方法包括:采集地下排水管道病害的图片,对所述图片按照病害类型进行分类,对分类的图片进行病害标注,构建训练数据集;根据所述训练数据集对不同管材的地下排水管道病害进行层次分类训练,得到层次分类的深度神经网络模型;将经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别,输出病害识别和分类结果。本发明通过深度学习对地下排水管道内的病害进行分类,标注和训练,得到层次分类的深度神经网络模型后,以实现对管线病害的自动识别,在实现较高的识别精度的同时保持较快的识别速度,降低人力成本。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种地下排水管道病害识别方法、智能终端及存储介质。
背景技术
地下管网的建设是城市基础建设中必不可少的一部分,是城市地下空间高效开发、利用保障和有机的组成部分。城市地下管线四通八达、交错纵横。正是这些不同类型的管线为城市居民持续不断地传递信息、输送能源、排弃废物和防涝减灾,才保证了城市的持续、健康和高效的发展,是满足城市居民安全感和舒适感的基本要求,也是衡量市政发展质量的基本要求。地下管线是城市基础设施的重要组成部分,是现代化城市高效运转的基本保证,是维持城市正常运转的动脉。中国的城市化进程在不断前进,地下管线负荷越来越大。排水管是最常见的地下管线之一,受排水管道的老化、地下不良地质条件、地下工程开挖等因素影响城市道路塌陷事故时有发生,排水管道事故隐患排查已经是急需解决的问题。
地下管线的健康运作是城市正常发展的必要条件,地下管线中存在许多病害,如何快速有效地发现病害,解决病害是建设智慧城市的必要解决的问题。目前,检测地下管线病害手段,通常以电子内窥镜设备对管线做病害的检测,如常见的管道闭路电视(CCTV),管道潜望镜检测(QV),CCTV进入管道中,通过图像检测管道中的病害,这种检测方式严重依赖人工,费时耗力,检测精度较低。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种地下排水管道病害识别方法、智能终端及存储介质,旨在解决现有技术中通过图像检测管道中的病害,这种检测方式严重依赖人工,费时耗力,检测精度较低的问题。
为实现上述目的,本发明提供一种地下排水管道病害识别方法,包括如下步骤:
采集地下排水管道病害的图片,对所述图片按照病害类型进行分类,对分类的图片进行病害标注,构建训练数据集;
根据所述训练数据集对不同管材的地下排水管道病害进行层次分类训练,得到层次分类的深度神经网络模型;
将经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别,输出病害识别和分类结果。
可选地,所述的地下排水管道病害识别方法,其中,所述采集地下排水管道病害的图片,对所述图片按照病害类型进行分类,对分类的图片进行病害标注,构建训练数据集,具体包括:
获取图像采集设备采集的地下排水管道病害的图片;
接收对所述图片按照不同的病害进行人工分类的分类结果;
通过标注软件将完成分类的图片进行病害信息的标注;
将完成标注的图片构建训练数据集。
可选地,所述的地下排水管道病害识别方法,其中,所述图像采集设备包括电子内窥镜、平板设备以及鱼眼摄像头。
可选地,所述的地下排水管道病害识别方法,其中,所述根据所述训练数据集对不同管材的地下排水管道病害进行层次分类训练,得到层次分类的深度神经网络模型,具体包括:
使用残差网络作为骨干网络的卷积神经网络,用于利用图像级标签区分所述训练数据集中不同管材的不同病害和正常图像;
通过层次分类分层地对不同管材的病害进行分类,得到层次分类的深度神经网络模型。
可选地,所述的地下排水管道病害识别方法,其中,所述残差网络为:将深层网络构建为浅层网络和自身映射的增加层,将训练好的浅层结构与自身映射的増加层通过残差块连接在一起。
可选地,所述的地下排水管道病害识别方法,其中,所述图像级标签为在图片上将病害的位置通过多边形框选出来。
可选地,所述的地下排水管道病害识别方法,其中,所述地下排水管道的管材包括:PVC和混凝土。
可选地,所述的地下排水管道病害识别方法,其中,所述将经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别,输出病害识别和分类结果,具体包括:
获取经过预处理的地下排水管道病害的图片;
将所述经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别;
所述层次分类的深度神经网络模型进行病害识别,输出病害识别和分类结果。
此外,为实现上述目的,本发明还提供一种智能终端,其中,所述智能终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地下排水管道病害识别程序,所述地下排水管道病害识别程序被所述处理器执行时实现如上所述的地下排水管道病害识别方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,其中,所述存储介质存储有地下排水管道病害识别程序,所述地下排水管道病害识别程序被处理器执行时实现如上所述的地下排水管道病害识别方法的步骤。
本发明通过采集地下排水管道病害的图片,对所述图片按照病害类型进行分类,对分类的图片进行病害标注,构建训练数据集;根据所述训练数据集对不同管材的地下排水管道病害进行层次分类训练,得到层次分类的深度神经网络模型;将经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别,输出病害识别和分类结果。本发明通过深度学习对地下排水管道内的病害进行分类,标注和训练,得到层次分类的深度神经网络模型后,以实现对管线病害的自动识别,在实现较高的识别精度的同时保持较快的识别速度,降低人力成本。
附图说明
图1是本发明地下排水管道病害识别方法的较佳实施例的流程图;
图2是本发明地下排水管道病害识别方法的较佳实施例中步骤 S10的流程图;
图3是本发明地下排水管道病害识别方法的较佳实施例中对分好类的病害数据做病害信息的标注的示意图;
图4是本发明地下排水管道病害识别方法的较佳实施例中步骤 S20的流程图;
图5是本发明地下排水管道病害识别方法的较佳实施例中残差学习过程的示意图;
图6是本发明地下排水管道病害识别方法的较佳实施例中用于地下管线病害检测的深度卷积网络及识别过程的示意图;
图7是本发明地下排水管道病害识别方法的较佳实施例中步骤 S30的流程图;
图8为本发明智能终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
目前,基于深度学习模型的图像目标自动识别技术已经非常成熟,通过采集管道病害的图片做标注,制作数据集,利用神经网络算法,训练标注的病害数据,得到相应的权重文件,根据这些权重文件,可以对病害做自动的识别和分类。但是由于管线材料的不同,其病害的类型,尺寸,形状也不相同,地下排水管的管线材料一般为PVC,混凝土等,常见的卷积神经网络(Convolutional Neural Networks,CNN,是深度学习的代表算法之一)在识别的时候存在大量的误判和漏判的情况。
本发明较佳实施例所述的地下排水管道病害识别方法,如图1所示,所述地下排水管道病害识别方法包括以下步骤:
步骤S10、采集地下排水管道病害的图片,对所述图片按照病害类型进行分类,对分类的图片进行病害标注,构建训练数据集。
具体的过程请参阅图2,其为本发明提供的地下排水管道病害识别方法中步骤S10的流程图。
如图2所示,所述步骤S10包括:
S11、获取图像采集设备采集的地下排水管道病害的图片;
S12、接收对所述图片按照不同的病害进行人工分类的分类结果;
S13、通过标注软件将完成分类的图片进行病害信息的标注;
S14、将完成标注的图片构建训练数据集。
具体地,所述图像采集设备包括电子内窥镜、平板设备以及鱼眼摄像头等等他便携式设备。高效的城市地下管网信息管理,同样满足于城市绿色、健康可持续发展的要求,以实现“智慧城市”为最终目标。例如使用电子内窥镜设备对地下管线中的病害做检测,电子内窥镜设备可以提供了足够的图像信息,可用于识别管线中的沉积物、管道变形、管道破裂、接缝、异物等病害。使用深度学习的方法对管线内的病害进行分类,标注和训练,得到识别管线模型后,以实现对管线病害的自动识别的功能。
使用深度学习方法对地下管线的病害进行自动的识别和分类,是基于图像识别的方法,目前这种识别存在很多问题,单一的卷积神经网络算法并不能满足工程的需求,本发明利用了大量的检测数据,使用残差网络作为骨干网络的深度卷积网络,利用图像级标签(在图像上将病害的位置用多边形框选出来)区分不同病害和正常图像。
进一步地,先进行地下管线病害数据预处理,通过大量采集现有地下管线中病害的图片数据集,用于构建训练数据集;为了准确和高效地识别病害种类做数据准备。然后对采集到的图片按照不同的病害类型进行人工分类,例如使用labelme(图像标注工具,可对图像进行标注,包括多边形,矩形,线,点和图像级标注)标注软件在图片上进行病害类别的标注,用于实现病害数据的分类标注;对分好类的病害数据做病害信息的标注,如图3所示,用于制作病害自动识别模型的训练数据集。
步骤S20、根据所述训练数据集对不同管材的地下排水管道病害进行层次分类训练,得到层次分类的深度神经网络模型。
具体的过程请参阅图4,其为本发明提供的地下排水管道病害识别方法中步骤S20的流程图。
如图4所示,所述步骤S20包括:
S21、使用残差网络作为骨干网络的卷积神经网络,用于利用图像级标签区分所述训练数据集中不同管材的不同病害和正常图像;
S22、通过层次分类分层地对不同管材的病害进行分类,得到层次分类的深度神经网络模型。
具体地,卷积神经网络算法是目前最常用的深度学习算法之一,单一的卷积神经网络算法并不能满足工程的需求,使用残差网络作为骨干网络的深度卷积网络,用于利用图像级标签区分不同管材的不同病害和正常图像。由于不同管材的各种病害类型的发生频率不同,每种病害中的训练样本数量是不平衡。为了处理不平衡的病害类型,引入层次分类的方法以分层地对不同管材的病害进行分类。
其中,层次分类是一种依托概念树结构的图像分类方法,其优势如下:(1)加快预测速度,由树的根节点沿某条路径向下预测,可以将预测时的计算复杂度由O(N)降低到O(log N);(2)对于某个节点,其分类器专注于区分其子节点,而它的子节点数量相对于叶节点数量是较小的,这使得分类的复杂度有所降低;(3)树形结构分割了原先较大的特征空间,使得每个节点可以专注于自身的视觉特性,为特征选择等方法的使用提供了非常好的条件;其中,第(1) 点对大规模图像分类尤其具有吸引力。
ResNet全称Residual Network残差网络,Resnet模型的主要创新在于引入残差网络,将深层网络构建为浅层网络和自身映射的增加层,把训练好的浅层结构与自身映射的増加层,通过残差块连接在一起。以这种方式构建的网络模型,在増加层数的同时,模型训练误差不会高于浅层的网络模型。
如图5所示,残差学习是致力于使用多个有参网络层来学习输入、输出之间的参差;图5中,输入值为X,用F(X)+X来表示期望得到的实际映射。深度学习中,假设多层非线性堆叠可以无限逼近该最优映,Resnet模型将该最优映射改写为F(X)+X,逼近残差函数F(X)也等效于逼近最优映射F(X)+X,RELU是一个非线性函数处理的过程,主要是用于调整每个映射层的映射结果范围。
进一步地,如图6所示,为了构建层次分类的深度神经网络模型,在卷积层加全连接层为18层的残差网络(Resnet18)中的conv4块之后创建与conv5块相同的另一个分支,这两个相同的块名为 conv5-0和conv5-1,其中conv5-0用于常见的管材(PVC)病害, conv5-1用于其他管材(混凝土)的病害识别。这两个分支共享由早期卷积块捕获的低级特征,并专门用于最后一个卷积块的病害检测和病害分类。
另外,本发明的分类卷积层并不限制于第5层(conv5);且本发明的层次分类不仅仅只限于两种,可以根据实际所需进行调整。
在Resnet18的基础上,引入softmax分类器,Softmax分类器是在logistics回归的基础上推广得到的,logistics回归是针对二分类问题的,而Softmax分类器是针对多分类问题的有监督模型, Softmax最初是在自然语言处理中引入的,分层Softmax被用于来自不平衡数据的视觉感知,关于Softmax函数的定义如(1)中所示的公式。
其中,总的类别个数为n,z为含任意实数的n维向量,c表示类别索引,zc是分类器前级输出单元的输出,zk是向量z中的一个具体实数,Pc表示的是当前元素的指数与所有元素指数和的比值。
步骤S30、将经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别,输出病害识别和分类结果。
具体的过程请参阅图7,其为本发明提供的地下排水管道病害识别方法中步骤S30的流程图。
如图7所示,所述步骤S30包括:
S31、获取经过预处理的地下排水管道病害的图片;
S32、将所述经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别;
S33、所述层次分类的深度神经网络模型进行病害识别,输出病害识别和分类结果。
具体地,将经过预处理的地下管线病害图片(图像)输入到层次分类的深度神经网络模型中,经过训练,得到能够自动识别和分类的病害识别模型。利用本方法可以实现较高的识别精度的同时保持较快的识别速度,效果优于其他框架模型;在地下管线的病害识别的基础上,还能对识别的结果做出分类。
本发明首次提出层次分类的深度学习方法用于不同地下管线的病害自动识别和分类,大大降低了在地下管线病害识别与分类所需的人力成本,这对地下管线病害检测与修复来说具有重要的意义。
进一步地,如图8所示,基于上述地下排水管道病害识别方法,本发明还相应提供了一种智能终端,所述智能终端包括处理器10、存储器20及显示器30。图8仅示出了智能终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述智能终端的内部存储单元,例如智能终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述智能终端的外部存储设备,例如所述智能终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字 (Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所述智能终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述智能终端的应用软件及各类数据,例如所述安装智能终端的程序代码等。所述存储器 20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有地下排水管道病害识别程序40,该地下排水管道病害识别程序40可被处理器10所执行,从而实现本申请中地下排水管道病害识别方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述地下排水管道病害识别方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器30用于显示在所述智能终端的信息以及用于显示可视化的用户界面。所述智能终端的部件10-30 通过系统总线相互通信。
在一实施例中,当处理器10执行所述存储器20中地下排水管道病害识别程序40时实现以下步骤:
采集地下排水管道病害的图片,对所述图片按照病害类型进行分类,对分类的图片进行病害标注,构建训练数据集;
根据所述训练数据集对不同管材的地下排水管道病害进行层次分类训练,得到层次分类的深度神经网络模型;
将经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别,输出病害识别和分类结果。
所述采集地下排水管道病害的图片,对所述图片按照病害类型进行分类,对分类的图片进行病害标注,构建训练数据集,具体包括:
获取图像采集设备采集的地下排水管道病害的图片;
接收对所述图片按照不同的病害进行人工分类的分类结果;
通过标注软件将完成分类的图片进行病害信息的标注;
将完成标注的图片构建训练数据集。
所述根据所述训练数据集对不同管材的地下排水管道病害进行层次分类训练,得到层次分类的深度神经网络模型,具体包括:
使用残差网络作为骨干网络的卷积神经网络,用于利用图像级标签区分所述训练数据集中不同管材的不同病害和正常图像;
通过层次分类分层地对不同管材的病害进行分类,得到层次分类的深度神经网络模型。
所述将经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别,输出病害识别和分类结果,具体包括:
获取经过预处理的地下排水管道病害的图片;
将所述经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别;
所述层次分类的深度神经网络模型进行病害识别,输出病害识别和分类结果。
本发明还提供一种存储介质,其中,所述存储介质存储有地下排水管道病害识别程序,所述地下排水管道病害识别程序被处理器执行时实现如上所述的地下排水管道病害识别方法的步骤。
综上所述,本发明提供一种地下排水管道病害识别方法、智能终端及存储介质,所述方法包括:采集地下排水管道病害的图片,对所述图片按照病害类型进行分类,对分类的图片进行病害标注,构建训练数据集;根据所述训练数据集对不同管材的地下排水管道病害进行层次分类训练,得到层次分类的深度神经网络模型;将经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别,输出病害识别和分类结果。本发明通过深度学习对地下排水管道内的病害进行分类,标注和训练,得到层次分类的深度神经网络模型后,以实现对管线病害的自动识别,在实现较高的识别精度的同时保持较快的识别速度,降低人力成本。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种地下排水管道病害识别方法,其特征在于,包括如下步骤:
采集地下排水管道病害的图片,对所述图片按照病害类型进行分类,对分类的图片进行病害标注,构建训练数据集;
根据所述训练数据集对不同管材的地下排水管道病害进行层次分类训练,得到层次分类的深度神经网络模型;
所述根据所述训练数据集对不同管材的地下排水管道病害进行层次分类训练,得到层次分类的深度神经网络模型,具体包括:
使用残差网络作为骨干网络的卷积神经网络,用于利用图像级标签区分所述训练数据集中不同管材的不同病害;
通过层次分类分层地对不同管材的病害进行分类,得到层次分类的深度神经网络模型;
构建层次分类的深度神经网络模型时,在卷积层加全连接层为18层的残差网络中的conv4块之后创建与conv5块相同的另一个分支,两个相同的块名为conv5-0和conv5-1,其中conv5-0用于识别PVC管材病害,conv5-1用于识别混凝土管材病害,两个分支共享由早期卷积块捕获的低级特征,并专门用于最后一个卷积块的病害检测和病害分类;
将经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别,输出病害识别和分类结果;
所述将经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别,输出病害识别和分类结果,具体包括:
获取经过预处理的地下排水管道病害的图片;
将所述经过预处理的地下排水管道病害的图片输入到所述层次分类的深度神经网络模型中进行自动识别;
所述层次分类的深度神经网络模型进行病害识别,输出病害识别和分类结果,实现较高的识别精度的同时保持较快的识别速度。
2.根据权利要求1所述的地下排水管道病害识别方法,其特征在于,所述采集地下排水管道病害的图片,对所述图片按照病害类型进行分类,对分类的图片进行病害标注,构建训练数据集,具体包括:
获取图像采集设备采集的地下排水管道病害的图片;
接收对所述图片按照不同的病害进行人工分类的分类结果;
通过标注软件将完成分类的图片进行病害信息的标注;
将完成标注的图片构建训练数据集。
3.根据权利要求2所述的地下排水管道病害识别方法,其特征在于,所述图像采集设备包括电子内窥镜、平板设备以及鱼眼摄像头。
4.根据权利要求1所述的地下排水管道病害识别方法,其特征在于,所述残差网络为:将深层网络构建为浅层网络和自身映射的增加层,将训练好的浅层结构与自身映射的増加层通过残差块连接在一起。
5.根据权利要求1所述的地下排水管道病害识别方法,其特征在于,所述图像级标签为在图片上将病害的位置通过多边形框选出来。
6.根据权利要求1所述的地下排水管道病害识别方法,其特征在于,所述地下排水管道的管材包括:PVC和混凝土。
7.一种智能终端,其特征在于,所述智能终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地下排水管道病害识别程序,所述地下排水管道病害识别程序被所述处理器执行时实现如权利要求1-6任一项所述的地下排水管道病害识别方法的步骤。
8.一种存储介质,其特征在于,所述存储介质存储有地下排水管道病害识别程序,所述地下排水管道病害识别程序被处理器执行时实现如权利要求1-6任一项所述的地下排水管道病害识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910866237.0A CN110766045B (zh) | 2019-09-12 | 2019-09-12 | 一种地下排水管道病害识别方法、智能终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910866237.0A CN110766045B (zh) | 2019-09-12 | 2019-09-12 | 一种地下排水管道病害识别方法、智能终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766045A CN110766045A (zh) | 2020-02-07 |
CN110766045B true CN110766045B (zh) | 2023-07-07 |
Family
ID=69329529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910866237.0A Active CN110766045B (zh) | 2019-09-12 | 2019-09-12 | 一种地下排水管道病害识别方法、智能终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766045B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528922A (zh) * | 2020-12-21 | 2021-03-19 | 广东爱科环境科技有限公司 | 一种地下排水管道缺陷图像采集分类系统及方法 |
CN112669269A (zh) * | 2020-12-21 | 2021-04-16 | 广东爱科环境科技有限公司 | 一种基于图像识别的管道缺陷分类分级方法及系统 |
CN113657438B (zh) * | 2021-07-08 | 2023-04-18 | 郑州大学 | 一种热红外模式下vgg神经网络的排水管道病害检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363961A (zh) * | 2018-01-24 | 2018-08-03 | 东南大学 | 基于卷积神经网络间迁移学习的桥梁支座病害识别方法 |
CN109800824A (zh) * | 2019-02-25 | 2019-05-24 | 中国矿业大学(北京) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 |
-
2019
- 2019-09-12 CN CN201910866237.0A patent/CN110766045B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363961A (zh) * | 2018-01-24 | 2018-08-03 | 东南大学 | 基于卷积神经网络间迁移学习的桥梁支座病害识别方法 |
CN109800824A (zh) * | 2019-02-25 | 2019-05-24 | 中国矿业大学(北京) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110766045A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766045B (zh) | 一种地下排水管道病害识别方法、智能终端及存储介质 | |
US10528812B1 (en) | Distributed and self-validating computer vision for dense object detection in digital images | |
Ma et al. | A real-time crack detection algorithm for pavement based on CNN with multiple feature layers | |
CN113095434A (zh) | 目标检测方法及装置、电子设备、存储介质 | |
CN112668696A (zh) | 一种基于嵌入式深度学习的无人机电网巡检方法和系统 | |
CN111368690A (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN113537070B (zh) | 一种检测方法、装置、电子设备及存储介质 | |
CN112884764A (zh) | 提取图像中地块的方法、装置、电子设备及存储介质 | |
CN109857878B (zh) | 物品标注方法及装置、电子设备及存储介质 | |
CN109522963A (zh) | 一种单机运行的特征建筑目标检测方法和系统 | |
CN112883921A (zh) | 一种垃圾桶满溢检测模型训练方法及垃圾桶满溢检测方法 | |
CN111160432A (zh) | 一种面板生产制造缺陷的自动分类方法及系统 | |
CN113902007A (zh) | 模型训练方法及装置、图像识别方法及装置、设备和介质 | |
CN112507832A (zh) | 监控场景下的犬只检测方法、装置、电子设备和存储介质 | |
CN114418021B (zh) | 模型优化方法、装置及计算机程序产品 | |
CN109543744B (zh) | 一种基于龙芯派的多类别深度学习图像识别方法及其应用 | |
CN114067268A (zh) | 一种电力作业现场安全帽检测及身份识别方法及装置 | |
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 | |
JP2022013579A (ja) | 画像処理方法、装置、電子機器および記憶媒体 | |
CN115546824B (zh) | 禁忌图片识别方法、设备及存储介质 | |
CN114627435B (zh) | 基于图像识别的智能灯光调节方法、装置、设备及介质 | |
CN116912872A (zh) | 图纸识别方法、装置、设备及可读存储介质 | |
CN114596442A (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN113032597A (zh) | 一种基于图像处理的输电设备分类方法及系统 | |
Ro et al. | A Machine learning approach for Post-Disaster data curation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Qingquan Inventor after: Yu Jianwei Inventor after: Guo Wenhao Inventor after: Chen Zhipeng Inventor after: Fang Xu Inventor before: Yu Jianwei Inventor before: Li Qingquan Inventor before: Guo Wenhao Inventor before: Chen Zhipeng Inventor before: Fang Xu |
|
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 |