CN110852318A - 一种排水管道缺陷精准定位方法及系统 - Google Patents
一种排水管道缺陷精准定位方法及系统 Download PDFInfo
- Publication number
- CN110852318A CN110852318A CN201911002724.9A CN201911002724A CN110852318A CN 110852318 A CN110852318 A CN 110852318A CN 201911002724 A CN201911002724 A CN 201911002724A CN 110852318 A CN110852318 A CN 110852318A
- Authority
- CN
- China
- Prior art keywords
- detection
- defect
- video
- text information
- distance
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 121
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种排水管道缺陷精准定位方法及系统,该方法包括:步骤1,获取CCTV(Closed Circuit Television Inspection,闭路电视检测)排水管道检测视频,该CCTV排水管道检测视频包含距离的文本信息;步骤2,提取检测视频中的距离的文本信息后,对检测视频中的文本信息进行过滤;步骤3,利用基于YOLOv3的检测模型对检测视频进行缺陷检测,根据缺陷检测结果以及距离的文本信息确定缺陷个数及位置。针对视频中的文本信息有利于缺陷精确定位,在缺陷检测时却为背景噪声,将对检测结果产生影响,因此提取视频中出现文字信息中的距离信息确定缺陷的位置,并在缺陷检测时将此类信息去除,确定缺陷的具体个数和精确位置,从而提高检测效率,以此降低检测的人工与时间成本。
Description
技术领域
本发明涉及排水道缺陷检测领域,尤其涉及一种排水管道缺陷精准定位方法及系统。
背景技术
随着城镇居民人工日益增多,城镇规模日益增大,排水系统作为城市运转较为重要的一环,其作用日益显著。假如排水系统出现严重的排水障碍,将导致城市出现内涝、环境污染等危害,甚至可能致使城市运转陷入瘫痪。另外,在实际生活中由于排污不规范、管道老化和道路承载过大等一系列原因导致管道经常出现破损及堵塞的现象,使排水管道无法正常发挥作用,同时当前针对排水管道缺陷检测的方法大多以人工对CCTV排水管道检测视频判定为主,存在检测效率低、易遗漏以及人工成本高等缺点。因此排水管道缺陷检测与修复是城市建设与运转过程中必不可少的一个环节。
目前对排水管道缺陷检测的研究,基于机器学习的排水管道缺陷检测方法是当下排水管道缺陷自动检测的主要研究方向,主要是纹理分析法、背景分析法和特征分析法等,但是目前的自动检测方法因识别缺陷准确率不高、识别过程繁琐以及需求样本质量高等限制无法应用于实际检测过程。
发明内容
本发明针对现有技术中存在的技术问题,提供一种排水管道缺陷精准定位方法及系统,解决现有技术中不能准确识别缺陷的个数和位置的问题。
本发明解决上述技术问题的技术方案如下:一种排水管道缺陷精准定位方法,包括:
步骤1,获取CCTV排水管道检测视频,所述检测视频包含距离的文本信息;
步骤2,提取所述检测视频中的所述距离的文本信息后,对所述检测视频中的文本信息进行过滤;
步骤3,利用基于YOLOv3的检测模型对所述检测视频进行缺陷检测,根据缺陷检测结果以及所述距离的文本信息确定缺陷个数及位置。
一种排水管道缺陷精准定位系统,包括:
检测设备,用于获取CCTV排水管道检测视频,所述检测视频包含距离的文本信息;
文本信息处理模块,提取所述检测视频中的距离的文本信息后,对所述检测视频中的文本信息进行过滤;
缺陷确定模块,利用基于YOLOv3的检测模型对所述检测视频进行缺陷检测,根据缺陷检测结果以及距离的文本信息确定缺陷个数及位置。
本发明的有益效果是:针对视频中的文本信息有利于缺陷精确定位但是在缺陷检测时为背景噪声,将对检测结果产生影响,因此提取视频中出现文字信息中的距离信息确定缺陷的位置,并在缺陷检测时将此类信息去除,能确定缺陷的具体个数和精确位置,以此降低检测的人工与时间成本,提高检测效率。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤2中对所述检测视频中的文本信息进行过滤的过程包括:
以像素为基准对文本区域进行腐蚀,使用周边像素填充的方式对视频无效区域进行修复。
进一步,所述步骤2中对所述无效区域进行修复的过程包括:
步骤201,对所述无效区域Ω的边界δΩ的任意一点p,在点p周围图像已知的区域内部,选择一个以ε为尺度的邻域Bε(P);
步骤203,不断迭代点p的像素值计算公式I(p),逐步收缩所述无效区域的边界直至整个所述无效区域完全修复。
进一步,所述步骤3中建立所述检测模型的过程包括:
步骤301,使用视频标注工具对所述检测视频进行缺陷类型标注,将标注后的样本随机按比例分为训练集和验证集;
步骤302,调整YOLOv3神经网络结构,加载通过COCO数据集训练得到的预训练模型,并将生成的训练与验证数据导入所述YOLOv3神经网络结构中进行训练;
步骤303,选出训练过程中验证集准确率高且训练与验证损失最优的所述检测模型,使用未参与模型训练的视频对所述最优的模型进行测试。
进一步,所述步骤301中标注的所述标签类型包括障碍物、沉积和结垢三类缺陷。
进一步,所述步骤3之后还包括:
步骤4,对检测到的缺陷区域与上一次检测到的缺陷区域进行相似度对比,所述相似度不小于设定阈值时,表明两次检测到的所述缺陷为同一缺陷;所述相似度小于设定阈值时,表明两次检测得到缺陷非同一缺陷,确定上一次检测的所述缺陷的位置为其精确位置。
进一步,所述相似度为所述缺陷区域的灰度直方图重合度。
采用上述进一步方案的有益效果是:缺陷精确定位由提取视频中出现文字信息中的距离信息确定,根据所有视频中的距离信息生成字符提取模型,以此为基础对相应距离信息区域进行字符提取后得到,然后将其与相应的缺陷信息同步保存来确定缺陷精确位置;利用检测得到缺陷区域的相似度对比进行判定,当检测出的缺陷区域与上一次检测得到的缺陷区域相似度小于设定阈值时,表明两次检测得到缺陷非同一缺陷,则上一次检测的缺陷位置即为其精确位置,最终所有符合此种条件的缺陷即为检测视频中所含缺陷数目。
附图说明
图1为发明提供的一种排水管道缺陷精准定位方法的流程图;
图2为本发明提供的一种排水管道缺陷精准定位方法的实施例的流程图;
图3(a)为本发明提供的视频原始截图;
图3(b)为本发明提供的视频文本信息进行过滤后的效果图;
图4为YOLOv3的主要网络结构Darknet-53网络结构图;
图5为YOLOv3中引入的残差网络结构图;
图6(a)为利用本发明实施例提供的一种定位方法对CCTV检测视频检测出的一个缺陷的截图;
图6(b)为利用本发明实施例提供的一种定位方法对CCTV检测视频检测出的另一个缺陷的截图;
图7为本发明实施例提供的一种排水管道缺陷精准定位系统的结构框图;
图8为本发明实施例提供的一种电子设备的实体结构示意图。
附图中,各标号所代表的部件列表如下:
101、检测设备,102、文本信息处理模块,103、缺陷确定模块,201、处理器,202、通信接口,203、存储器,204、通信总线。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示为本发明提供的一种排水管道缺陷精准定位方法的流程图,由图1可知,该方法包括:
步骤1,获取CCTV排水管道检测视频,该检测视频包含距离的文本信息。
步骤2,提取检测视频中的距离的文本信息后,对检测视频中的文本信息进行过滤。
步骤3,利用基于YOLOv3的检测模型对检测视频进行缺陷检测,根据缺陷检测结果以及距离的文本信息确定缺陷个数及位置。
本发明提供的一种排水管道缺陷精准定位方法,针对视频中的文本信息有利于缺陷精确定位但是在缺陷检测时为背景噪声,将对检测结果产生影响,因此提取视频中出现文字信息中的距离信息确定缺陷的位置,并在缺陷检测时将此类信息去除,能确定缺陷的具体个数和精确位置,以此降低检测的人工与时间成本,提高检测效率。
实施例1
本发明提供的实施例1为本发明提供的一种排水管道缺陷精准定位方法的实施例,如图2所示为本发明提供的一种排水管道缺陷精准定位方法的实施例的流程图,由图2可知,该方法的实施例包括:
步骤1,获取CCTV排水管道检测视频,该CCTV排水管道检测视频包含距离的文本信息。
通过检测设备获取检测视频时,该检测设备将图像传感器与距离传感器进行融合,得到包含距离的文本信息的检测视频。
步骤2,提取检测视频中的距离的文本信息后,对检测视频中的文本信息进行过滤。
步骤2中对检测视频中的文本信息进行过滤目的是将影响缺陷识别的背景噪声等信息进行过滤,该文本信息包括时间、起始检查井、小车行驶距离和管径等信息,如图3(a)和图3(b)所示分别为本发明提供的视频原始截图和文本信息进行过滤后的效果图,操作过程可以为:根据所有检测视频中的距离信息生成字符提取模型,利用字符提取模型对相应距离信息区域进行字符提取;以像素为基准对文本区域进行腐蚀,使用周边像素填充的方式对视频无效区域进行修复。对视频无效区域进行修复的过程具体包括:
步骤201,对无效区域Ω的边界δΩ的任意一点p,在点p周围图像已知的区域内部,选择一个以ε为尺度的邻域Bε(P)。
步骤203,不断迭代点p的像素值计算公式I(p),并逐步收缩无效区域的边界直至整个无效区域完全修复。
步骤3,利用基于YOLOv3的检测模型对检测视频进行缺陷检测,根据缺陷检测结果以及距离的文本信息确定缺陷个数及位置。
本发明提供的一种排水管道缺陷精准定位方法的实施例中,针对人工判定CCTV排水管道检测视频中缺陷种类与位置的效率不高、过程繁琐、易遗漏等特点,通过建立基于YOLOv3的检测模型进行缺陷检测,提高了检测效率,使检测过程智能化。该基于YOLOv3的检测模型的建立过程包括:
步骤301,使用视频标注工具对检测视频进行缺陷类型标注,将标注后的样本随机按比例分为训练集和验证集。
标注的标签类型有障碍物、沉积和结垢三种。合理规划样本中各种类型的数据比例将样本随机分为训练集和验证集。利用未参与训练的检测视频生成测试集用于检测模型的测试工作。
步骤302,调整YOLOv3神经网络结构,加载预训练模型,并将生成的训练与验证数据导入YOLOv3神经网络结构中进行训练。
如图4所示为YOLOv3的主要网络结构Darknet-53网络结构图,如图5所示为YOLOv3中引入的残差网络结构图,YOLOv3神经网络结构的主要网络结构是Darknet-53网络,Darknet-53网络包括5个卷积层和1个全连接层,且在卷积层之间引入残差网络结构,用于提升对特征的提取和实现多尺度预测的功能,每个残差网络结构有两个卷积层和一个快捷链路,YOLOv3在预测识别框时采用多尺度预测(即每种尺度预测3个框),预测类别时由于Softmax为每个框分配一个类别(得分最高的一个),而对于多标签样本分类时,目标可能有重叠的类别标签,因此Softmax不适用于多标签分类,故使用Logistic使用代替Softmax。预训练模型是在COCO数据集上训练得到的权重模型。
步骤303,选出训练过程中验证集准确率高且训练与验证损失最优的检测模型,使用未参与模型训练的视频对该最优的模型进行测试。
在进行迁移学习训练的过程中调整网络结构,冻结网络中卷积层,并设定100个Epoch及相应的学习率和训练策略进行训练,其中Epoch负责控制网络循环次数,每个Epoch由多个epoch组成,1个epoch表示遍历一遍训练集,本实施例中设为100,迁移学习训练的学习率为0.0001,并设定若3个Epoch验证集损失未下降则将学习率变为之前学习率的0.1倍,若10个Epoch验证集的损失为下降则执行早停(即终止训练),在保存模型时与上一次保存模型在验证集上的准确率与损失对比若较好则保存,反之舍弃。选出所有保存模型中验证集准确率高且训练与验证损失较低的模型作为检测模型,然后使用由缺陷视频片段剪接而成的测试视频进行测试,最终确定的模型在测试视频上的召回率为90%以上。具体可以包括:
步骤30301、输出网络最后一层卷积层的特征e1,进行第一次预测,同时将特征e1通过上采样操作,与倒数第二层卷积层输出的特征进行融合得到特征e2。
步骤30302,将得到的特征e2用于第二次预测,同时将特征e2通过上采样操作,与倒数第三层卷积层输出的特征进行融合得到特征e3。
步骤30303,将得到的特征e3用于第三次预测,比较三次预测得到的结果,输出最优预测。
优选的,本发明提供的一种排水管道缺陷精准定位方法的实施例中,步骤3之后还可以包括:
步骤4,对检测到的缺陷区域与上一次检测到的缺陷区域进行相似度对比,该相似度不小于设定阈值时,表明两次检测到的缺陷为同一缺陷;该相似度小于设定阈值时,表明两次检测得到缺陷非同一缺陷,确定上一次检测的缺陷的位置为其精确位置。
如图6(a)和图6(b)所示分别为利用本发明提供的一种定位方法对CCTV检测视频检测出的两个缺陷的截图,该相似度可以为缺陷区域的灰度直方图重合度,具体的,截取检测得到缺陷区域,对比两个缺陷区域的灰度直方图重合度并以此为基础生成相似度,判断相似度是否小于设定的阈值,本发明提供的实施例中,该阈值可以为0.0605,当相似度低于0.605时认为两次检测到的缺陷非同一缺陷,即上一缺陷出现的位置为其在视频中的精准定位,最终所有符合此种条件的缺陷即为检测视频中所含缺陷数目。因测试视频是未处理的视频所以在检测程序执行之前先提取其中距离信息,根据判定缺陷的精准定位所在帧提取到的距离确定缺陷的精确位置。
本发明提供的一种排水管道缺陷精准定位方法的实施例,使用流程为输入检测视频,生成缺陷截图及含有缺陷所在帧、视频名、缺陷类型和缺陷位置的csv文件。
实施例2
本发明提供的实施例2为本发明提供的一种排水管道缺陷精准定位系统的实施例,如图7所示,该系统包括:
检测设备101,用于获取CCTV排水管道检测视频,该检测视频包含距离的文本信息。
该检测设备将图像传感器与距离传感器进行融合,得到包含距离的文本信息的检测视频。
文本信息处理模块102,提取检测视频中的距离的文本信息后,对检测视频中的文本信息进行过滤。
缺陷确定模块103,利用基于YOLOv3的检测模型对检测视频进行缺陷检测,根据缺陷检测结果以及距离的文本信息确定缺陷个数及位置。
需要说明的是,本发明实施例提供的系统,具体执行上述各实施例中的方法,具体详见上述各方法实施例,本发明实施例对此不再进行赘述。
图8为本发明实施例提供的一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器201、通信接口202、存储器203和通信总线204,其中,处理器201,通信接口202,存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储在存储器203上并可在处理器201上运行的计算机程序,以执行上述各实施例提供的基于YOLOv3的排水管道缺陷精准定位方法,例如包括:步骤1,获取CCTV排水管道检测视频,该CCTV排水管道检测视频包含距离的文本信息。步骤2,提取检测视频中的距离的文本信息后,对检测视频中的文本信息进行过滤。步骤3,利用基于YOLOv3的检测模型对检测视频进行缺陷检测,根据缺陷检测结果以及距离的文本信息确定缺陷个数及位置。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于YOLOv3的排水管道缺陷精准定位方法,例如包括:步骤1,获取CCTV排水管道检测视频,该CCTV排水管道检测视频包含距离的文本信息。步骤2,提取检测视频中的距离的文本信息后,对检测视频中的文本信息进行过滤。步骤3,利用基于YOLOv3的检测模型对检测视频进行缺陷检测,根据缺陷检测结果以及距离的文本信息确定缺陷个数及位置。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种排水管道缺陷精准定位方法,其特征在于,所述方法包括:
步骤1,获取CCTV排水管道检测视频,所述检测视频包含距离的文本信息;
步骤2,提取所述检测视频中的所述距离的文本信息后,对所述检测视频中的文本信息进行过滤;
步骤3,利用基于YOLOv3的检测模型对所述检测视频进行缺陷检测,根据缺陷检测结果以及所述距离的文本信息确定缺陷个数及位置。
2.根据权利要求1所述的方法,其特征在于,所述步骤2中提取所述检测视频中的所述距离的文本信息的过程包括:根据所有所述检测视频中的距离信息生成字符提取模型,利用所述字符提取模型对相应距离信息区域进行字符提取;
对所述检测视频中的文本信息进行过滤的过程包括:
以像素为基准对文本区域进行腐蚀,使用周边像素填充的方式对视频无效区域进行修复。
4.根据权利要求1所述的方法,其特征在于,所述步骤3中建立所述检测模型的过程包括:
步骤301,使用视频标注工具对所述检测视频进行缺陷标签标注,将标注后的样本随机按比例分为训练集和验证集;
步骤302,调整YOLOv3神经网络结构,加载通过COCO数据集训练得到的预训练模型,并将生成的训练与验证数据导入所述YOLOv3神经网络结构中进行训练;
步骤303,选出训练过程中验证集准确率高且训练与验证损失最优的所述检测模型,使用未参与模型训练的视频对所述最优的模型进行测试。
5.根据权利要求4所述的方法,其特征在于,所述步骤301中标注的所述标签类型包括障碍物、沉积和结垢三类缺陷。
6.根据权利要求1所述的方法,其特征在于,所述步骤3之后还包括:
步骤4,对检测到的缺陷区域与上一次检测到的缺陷区域进行相似度对比,所述相似度不小于设定阈值时,表明两次检测到的所述缺陷为同一缺陷;所述相似度小于设定阈值时,表明两次检测得到缺陷非同一缺陷,确定上一次检测的所述缺陷的位置为其精确位置。
7.根据权利要求6所述的方法,其特征在于,所述相似度为所述缺陷区域的灰度直方图重合度。
8.一种排水管道缺陷精准定位系统,其特征在于,所述系统包括:
检测设备,用于获取CCTV排水管道检测视频,所述检测视频包含距离的文本信息;
文本信息处理模块,提取所述检测视频中的距离的文本信息后,对所述检测视频中的文本信息进行过滤;
缺陷确定模块,利用基于YOLOv3的检测模型对所述检测视频进行缺陷检测,根据缺陷检测结果以及距离的文本信息确定缺陷个数及位置。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的排水管道缺陷精准定位方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述的排水管道缺陷精准定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911002724.9A CN110852318A (zh) | 2019-10-21 | 2019-10-21 | 一种排水管道缺陷精准定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911002724.9A CN110852318A (zh) | 2019-10-21 | 2019-10-21 | 一种排水管道缺陷精准定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852318A true CN110852318A (zh) | 2020-02-28 |
Family
ID=69596704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911002724.9A Pending CN110852318A (zh) | 2019-10-21 | 2019-10-21 | 一种排水管道缺陷精准定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852318A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763346A (zh) * | 2021-08-31 | 2021-12-07 | 哈尔滨工业大学(威海) | 基于双目视觉的立面作业效果与表面缺陷检测方法 |
CN114091355A (zh) * | 2022-01-10 | 2022-02-25 | 深圳市水务工程检测有限公司 | 基于人工智能的城市管网缺陷位置定位分析系统及方法 |
CN114120209A (zh) * | 2022-01-27 | 2022-03-01 | 深圳市博铭维技术股份有限公司 | 管道缺陷检测方法、系统、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734682A (zh) * | 2017-04-20 | 2018-11-02 | 中国石油集团长城钻探工程有限公司 | 一种电成像测井图像缺损自适应修复方法 |
CN109767422A (zh) * | 2018-12-08 | 2019-05-17 | 深圳市勘察研究院有限公司 | 基于深度学习的管道检测识别方法、存储介质及机器人 |
-
2019
- 2019-10-21 CN CN201911002724.9A patent/CN110852318A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734682A (zh) * | 2017-04-20 | 2018-11-02 | 中国石油集团长城钻探工程有限公司 | 一种电成像测井图像缺损自适应修复方法 |
CN109767422A (zh) * | 2018-12-08 | 2019-05-17 | 深圳市勘察研究院有限公司 | 基于深度学习的管道检测识别方法、存储介质及机器人 |
Non-Patent Citations (2)
Title |
---|
ALEXANDRU TELEA: "《An Image Inpainting Technique Based on the Fast Marching Method》", 《JOURNAL OF GRAPHICS TOOLS》 * |
户莹: "《基于深度学习的地下排水管道缺陷智能检测技术研究》", 《硕士电子期刊》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763346A (zh) * | 2021-08-31 | 2021-12-07 | 哈尔滨工业大学(威海) | 基于双目视觉的立面作业效果与表面缺陷检测方法 |
CN113763346B (zh) * | 2021-08-31 | 2023-12-01 | 哈尔滨工业大学(威海) | 基于双目视觉的立面作业效果与表面缺陷检测方法 |
CN114091355A (zh) * | 2022-01-10 | 2022-02-25 | 深圳市水务工程检测有限公司 | 基于人工智能的城市管网缺陷位置定位分析系统及方法 |
CN114091355B (zh) * | 2022-01-10 | 2022-06-17 | 深圳市水务工程检测有限公司 | 基于人工智能的城市管网缺陷位置定位分析系统及方法 |
CN114120209A (zh) * | 2022-01-27 | 2022-03-01 | 深圳市博铭维技术股份有限公司 | 管道缺陷检测方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network | |
US11887064B2 (en) | Deep learning-based system and method for automatically determining degree of damage to each area of vehicle | |
CN111681240B (zh) | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 | |
CN113205176B (zh) | 训练缺陷分级检测模型的方法、装置、设备及存储介质 | |
CN111563893B (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN111080620A (zh) | 一种基于深度学习的道路病害检测方法 | |
CN110852318A (zh) | 一种排水管道缺陷精准定位方法及系统 | |
CN110569837A (zh) | 优化损伤检测结果的方法及装置 | |
CN114119554A (zh) | 一种基于卷积神经网络的表面微缺陷检测方法及装置 | |
CN111507998B (zh) | 基于深度级联的多尺度激励机制隧道表面缺陷分割方法 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
Kumar et al. | A deep learning based automated structural defect detection system for sewer pipelines | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN110660049A (zh) | 一种基于深度学习的轮胎缺陷检测方法 | |
CN112017154A (zh) | 基于Mask R-CNN模型的一种射线缺陷检测方法 | |
CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
CN112597996B (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
CN110751170A (zh) | 面板质量检测方法、系统、终端设备及计算机可读介质 | |
CN113538385A (zh) | 基于深度学习的隧道表观病害类型及等级判别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |
|
RJ01 | Rejection of invention patent application after publication |