CN110942026A - 基于深度学习的胶囊机器人排水管病害检测方法及系统 - Google Patents
基于深度学习的胶囊机器人排水管病害检测方法及系统 Download PDFInfo
- Publication number
- CN110942026A CN110942026A CN201911173225.6A CN201911173225A CN110942026A CN 110942026 A CN110942026 A CN 110942026A CN 201911173225 A CN201911173225 A CN 201911173225A CN 110942026 A CN110942026 A CN 110942026A
- Authority
- CN
- China
- Prior art keywords
- disease
- deep learning
- data set
- capsule robot
- drain pipe
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 150
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 150
- 239000002775 capsule Substances 0.000 title claims abstract description 76
- 238000013135 deep learning Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000013136 deep learning model Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 13
- 241000251468 Actinopterygii Species 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000009432 framing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 5
- 239000007788 liquid Substances 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 15
- 239000010865 sewage Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 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
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的胶囊机器人排水管病害检测方法及系统，获取胶囊机器人通过鱼眼镜头对排水管拍摄的视频文件，将所述视频文件进行抽帧为排水管图像；将所述排水管图像输入已训练的深度学习模型，通过所述深度学习模型进行识别，并输出病害类型标签。本发明的胶囊机器人采用无动力设计，随着管道液体流动而运动，可实现快速、大范围的管道内部图像数据采集，而结合深度学习模型中神经网络强大的特征提取能力以及良好的学习能力，可对获取的大量数据进行特征提取并快速识别排水管中的病害种类，实现快速、精准的检测出排水管病害并识别出病害种类，取代了传统人工筛查的方法，降低了排水管病害的筛查成本。
Description
技术领域
本发明涉及排水管道机器人检测技术领域，尤其涉及一种基于深度学习的胶囊机器人排水管病害检测方法及系统。
背景技术
城市地下排水管网是城市雨污水排放的重要通道，是维持城市安全运行的生命线。中国改革开放至今，人口迅速增长，市域范围迅速扩张，经过三十余年的市政基础设施建设发展，已建立了非常复杂的排水系统。然而，在市政水利部门的运行管理过程中，因负荷流量远超设计标准、管材及设施老旧、地铁等新建重大工程影响、隐蔽工程施工质量、地下探测手段不足等因素，越来越多的管网问题不断暴露出来。排水管网现有主要问题包括：一、排水管网运行状况不良，排污能力差，管道存在断头和堵头等问题导致排水不畅或无出路；二、雨、污水管道错接，雨水管系过流能力不足，雨污混流；三、城中村及老旧小区排水系统不完善，管网现状信息缺失；四、日常运维不足，管道堵塞破损严重，且病害位置不清。
这些病害问题不仅会严重影响城市日常雨水污水排放外，在极端环境下还可能引发诸如内涝、环境污染等次生问题甚至地陷等城市灾害。因此，对地下管网病害的大范围常态化探查工作意义非常重大，纳为水务部门的常态化工作。然而，现有的排水管网检测技术尚不能满足大范围普查的需求，亟需发展新型的检测方法和装备。
近年来，随着管道检测仪器的不断发展，仪器检测方法已经成为城市排水管网的主要检测手段之一。管道闭路电视检测系统(CCTV)是目前应用最为广泛，也是较为成熟的管道仪器检测方法。CCTV管道检测系统主要由装有摄像头的爬行器、数据及电源连接线、监视和录像设备、电源控制设备、测量设备等组成。检测人员在地面通过控制CCTV检测爬行器在管道内的移动对管内各部位进行摄像，再通过这些影像资料对管道内部的状况进行分析评估，检测过程中需要排空管内积水，且单次作业长度在200米左右。尽管CCTV管道检测技术凭借其检测质量的优势，已成为美国、日本等发达国家的主要管道检测手段，但由于其高昂的设备成本、复杂的操作流程以及较为低下的检测效率，其在中国还未能形成良好的竞争优势。
同时，管道病害检测也是当今亟需解决的问题。传统方法是利用人工检测的手段，让视频分析师观看CCTV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管道影像数据量极大，通过人工筛查的方法费时费力，亟需一种高效的病害检测手段。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种基于深度学习的胶囊机器人排水管病害检测方法及系统，旨在解决现有技术中传统的病害提取算法在环境复杂、恶劣的地下管道中，难以快速检测出多种类的病害，导致无法达到工程中所需要的实时监测的效果的问题。
本发明的技术方案如下：
一种基于深度学习的胶囊机器人排水管病害检测方法，包括步骤：
获取胶囊机器人通过鱼眼镜头对排水管拍摄的视频文件，将所述视频文件进行抽帧为排水管图像；
将所述排水管图像输入已训练的深度学习模型，通过所述深度学习模型进行识别，并输出病害类型标签。
所述的基于深度学习的胶囊机器人排水管病害检测方法，其中，所述已训练的深度学习模型采用如下步骤训练测到：
根据公共数据集对初始网络模型进行训练，得到第一网络模型；
根据管网病害数据集对所述第一网络模型进行训练，得到所述已训练的深度学习模型。
所述的基于深度学习的胶囊机器人排水管病害检测方法，其中，所述根据公共数据集中的数据对初始网络模型进行训练，得到第一网络模型具体包括：
根据公共数据集对初始网络模型进行训练，得到第二网络模型，再根据鱼眼图像数据集对所述第二网络模型进行训练，得到第一网络模型；其中，所述鱼眼图像数据集为由所述公共数据集中随机选出的若干张有标注图像通过球型畸变模型算法生成的。
所述的基于深度学习的胶囊机器人排水管病害检测方法，其中，所述初始网络模型可为但不限于Faster R-CNN模型。
所述的基于深度学习的胶囊机器人排水管病害检测方法，其中，所述管网病害数据集包括人工标注的管网病害图像和管网病害标签，所述人工标注的管网病害图像为由胶囊机器人拍摄的视频抽帧出的，并通过人工标注出病害位置的排水管病害图像。
所述的基于深度学习的胶囊机器人排水管病害检测方法，其中，所述公共数据集可为但不限于COCO数据集或PASCAL VOC数据集。
所述的基于深度学习的胶囊机器人排水管病害检测方法，其中，所述根据管网病害数据集对所述第一网络模型进行训练，得到所述已训练的深度学习模型后，还包括：
更新管网病害数据集，根据更新后的管网病害数据集对已训练的深度学习模型进行训练，得到更新的已训练的深度学习模型。
所述的基于深度学习的胶囊机器人排水管病害检测方法，其中，所述更新管网病害数据集具体包括：将检测后的排水管图像、病害标注框和病害类型标签形成初始数据组并保存，通过人工筛查，并更正检测错误的病害标注框和/或病害类型标签，形成最终数据组，将最终数据组收集至管网病害数据集，获得更新后的管网病害数据集。
一种基于深度学习的胶囊机器人排水管病害检测系统，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基于深度学习的胶囊机器人排水管病害检测程序，所述基于深度学习的胶囊机器人排水管病害检测序被所述处理器执行时实现如上任一项所述的基于深度学习的胶囊机器人排水管病害检测方法的步骤。
一种存储介质，所述存储介质存储有基于深度学习的胶囊机器人排水管病害检测程序，所述基于基于深度学习的胶囊机器人排水管病害检测程序被处理器执行时实现如上任一项所述的基于深度学习的胶囊机器人排水管病害检测方法的步骤。
有益效果：本发明通过获取胶囊机器人通过鱼眼镜头对排水管拍摄的视频文件，将所述视频文件进行抽帧为排水管图像；将所述排水管图像输入已训练的深度学习模型，通过所述深度学习模型进行识别，并输出病害类型标签。本发明的胶囊机器人采用无动力设计，随着管道液体流动而运动，可实现快速、大范围的管道内部图像数据采集，而结合深度学习模型中神经网络强大的特征提取能力以及良好的学习能力，可对获取的大量数据进行特征提取并快速识别排水管中的病害种类，实现快速、精准的检测出排水管病害并识别出病害种类，取代了传统人工筛查的方法，降低了排水管病害的筛查成本。
附图说明
图1是本实施例提供的一种基于深度学习的胶囊机器人排水管病害检测方法流程图。
图2是本实施例提供的一种已训练的深度学习模型的训练步骤流程图。
图3是本实施例提供的Faster R-CNN模型结构图。
图4是本实施例提供的特征图像金字塔网络结构图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、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用以解释本发明，并不用于限定本发明。
本发明较佳实施例所述的基于深度学习的胶囊机器人排水管病害检测方法，如图1所示，所述方法包括以下步骤：
S10、获取胶囊机器人通过鱼眼镜头对排水管拍摄的视频文件，将所述视频文件进行抽帧为排水管图像。
S20、将所述排水管图像输入已训练的深度学习模型，通过所述深度学习模型进行识别，并输出病害类型标签。
本发明的胶囊机器人采用无动力设计，随着管道液体流动而运动，可实现快速、大范围的管道内部图像数据采集，而结合深度学习模型中神经网络强大的特征提取能力以及良好的学习能力，可对获取的大量数据进行特征提取并快速识别排水管中的病害种类，实现快速、精准的检测出排水管病害并识别出病害种类，取代了传统人工筛查的方法，降低了排水管病害的筛查成本。
具体地，如图2所示，所述已训练的深度学习模型可采用如下步骤训练得到：
步骤S100、根据公共数据集中的数据对初始网络模型进行训练，得到第一网络模型。
进一步，所述步骤S100具体包括：
步骤S110、根据公共数据集中的数据对初始网络模型进行训练，得到第二网络模型。
具体地，所述公共数据集可为但不限于COCO数据集或PASCAL VOC数据集。
具体地，所述初始网络模型可为Faster R-CNN模型，Faster R-CNN模型的结构如图3所示，Faster R-CNN模型包括RPN网络和Fast R-CNN网络，RPN网络与Fast R-CNN网络共享卷积神经网络层，卷积神经网络层生成的特征图输入RPN网络并向前传播至Fast R-CNN网络的感兴趣区域池化层。RPN网络根据卷积神经网络生成的特征图快速提取区域候选建议框，Fast R-CNN网络根据区域候选建议框和特征图生成区域建议特征图，通过计算分类得分来对排水管病害的类型进行预测。RPN网络与Fast R-CNN网络共享卷积神经网络层参数，根据公共数据集对RPN网络与Fast R-CNN网络进行交替训练，得到所述第二网络模型。
进一步，由于排水管道环境光线较差，管道场景较单调，加上胶囊机器人随管道内水流流动拍摄的视频画面会抖动，为了提高深度学习模型对排水管病害的分类精确度，针对排水管道的特殊场景对深度学习模型进行改进。在检测过程中，对病害在图像中具体位置无需十分精确，因此，在RPN网络训练过程中，选择三种尺度128*128、256*256或512*512，每种尺度选择两种比例1：2或2：1的滑动窗口，则每个位置对应有6个滑动窗口，从原来需要对2千个滑动窗口做回归计算，减少到只需对1千个滑动窗口做回归计算，大大提高了计算速度，从而提高了检测速度。
进一步，在初始网络模型中加入了特征图像金字塔网络，对特征图进行处理。特征图像金字塔网络结构图如图4所示，特征图像金字塔网络每一层预测所用的特征图都融合了不同分辨率、不同语义强度的特征，融合的不同分辨率的特征图分别做对应分辨率大小的目标预测，保证了每一层都有合适的分辨率以及强语义特征。此方法在原网络基础上加上了额外的跨层连接，在不增加额外计算量的同时提高深度学习模型的鲁棒性能与泛化性能。
步骤S120、根据鱼眼图像数据集对所述第二网络模型进行训练，得到第一网络模型；其中，所述鱼眼图像数据集为由所述公共数据集中随机选出的若干张有标注图像通过球型畸变模型算法生成的。
具体地，本发明所适用的胶囊机器人采用鱼眼镜头拍摄视频文件，视频文件抽帧出的排水管图像为鱼眼图像，但是常规公共数据集中的图像主要面向日常生活场景，通常都是非鱼眼图像，没有明显的畸变，采用常规的图像对模型进行训练得到的深度学习模型的检测精确度会不够高，因此将从常规的公共数据集中随机选出的若干张(通常大于1000张)有标注的图像，通过畸变模型算法生成鱼眼图像作为鱼眼图像数据集。
步骤S200、根据管网病害数据集对所述第一网络模型进行训练，得到所述已训练的深度学习模型。
具体地，所述管网病害数据集包括人工标注的管网病害图像和管网病害标签，所述人工标注的管网病害图像为由胶囊机器人拍摄的视频抽帧出的，并通过人工标注出病害位置的排水管病害图像。
进一步，得到所述已训练的深度学习模型后，还包括步骤：
步骤S300、更新管网病害数据集，根据更新后的管网病害数据集对已训练的深度学习模型进行训练，得到更新的已训练的深度学习模型。
具体地，由于用于对第一网络模型进行训练的初期建立的管网病害数据集的数据较少，通过深度学习模型检测出的结果精确度会不够高，因此，将已训练的深度学习模型检测后的排水管图像、病害标注框和病害类型标签形成初始数据组并保存，并且，为了保证病害数据集的绝对正确，确保基于深度学习方案的检测效果，通过人工筛查并更正检测错误的病害标注框和/或病害类型标签，形成最终数据组，将最终数据组收集至管网病害数据集，不断增加管网病害数据集的数据量，对数据集进行增强扩充，以获得更新后的管网病害数据集，并形成管网病害数据库。根据更新后的管网病害数据集再次对已训练的深度学习模型进行训练，逐步使得深度学习模型更加具备鲁棒性，提高深度学习模型的检测精确度，达到更好的检测效果。
本发明将已训练的深度学习模型应用到胶囊机器人排水管病害检测中，通过依次根据公共数据集、管网病害数据集对初始网络模型进行训练得到的已训练的深度学习模型，利用了深度学习模型中神经网络强大的特征提取能力以及良好的学习能力，提高了胶囊机器人对排水管病害检测的效率和准确度，取代了传统人工筛查的方法，降低了排水管病害的筛查成本。
进一步，本发明还可以从管道胶囊机器人方向扩展，其他类型的管道机器人若使用鱼眼镜头记录影像，则亦可使用本发明的方案。
基于上述基于深度学习的胶囊机器人排水管病害检测方法，本发明还提供一种基于深度学习的胶囊机器人排水管病害检测系统，所述基于深度学习的胶囊机器人排水管病害检测系统包括：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基于深度学习的胶囊机器人排水管病害检测程序，所述基于深度学习的胶囊机器人排水管病害检测程序被所述处理器执行时实现上述任意一实施例的基于深度学习的胶囊机器人排水管病害检测方法的步骤。
所述存储器在一些实施例中可以是基于深度学习的胶囊机器人排水管病害检测系统的内部存储单元，例如基于深度学习的胶囊机器人排水管病害检测系统的硬盘或内存。所述存储器在另一些实施例中也可以是所述基于深度学习的胶囊机器人排水管病害检测系统的外部存储设备，例如所述基于深度学习的胶囊机器人排水管病害检测系统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，所述存储器还可以既包括所述基于深度学习的胶囊机器人排水管病害检测系统的内部存储单元还包括外部存储设备。所述存储器用于存储安装于所述基于深度学习的胶囊机器人排水管病害检测系统的应用软件及各类数据，例如所述安装基于深度学习的胶囊机器人排水管病害检测系统的程序代码等。所述存储器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，存储器上存储有基于深度学习的胶囊机器人排水管病害检测程序，该基于深度学习的胶囊机器人排水管病害检测程序可被处理器所执行，从而实现本申请中基于深度学习的胶囊机器人排水管病害检测方法。
所述处理器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中存储的程序代码或处理数据，例如执行所述基于深度学习的胶囊机器人排水管病害检测方法等。
在一实施例中，当处理器执行所述存储器中基于深度学习的胶囊机器人排水管病害检测程序时实现以下步骤：
获取胶囊机器人通过鱼眼镜头对排水管拍摄的视频文件，将所述视频文件进行抽帧为排水管图像；
将所述排水管图像输入已训练的深度学习模型，通过所述深度学习模型进行识别，并输出病害类型标签。
基于上述基于深度学习的胶囊机器人排水管病害检测方法，本发明还提供一种存储介质，其中，所述存储介质存储有基于深度学习的胶囊机器人排水管病害检测程序，所述基于基于深度学习的胶囊机器人排水管病害检测程序被处理器执行时实现上述任意一实施例的基于深度学习的胶囊机器人排水管病害检测方法的步骤；具体如上所述。
综上所述，本发明通过获取胶囊机器人通过鱼眼镜头对排水管拍摄的视频文件，将所述视频文件进行抽帧为排水管图像；将所述排水管图像输入已训练的深度学习模型，通过所述深度学习模型进行识别，并输出病害类型标签。本发明的胶囊机器人采用无动力设计，随着管道液体流动而运动，可实现快速、大范围的管道内部图像数据采集，而结合深度学习模型中神经网络强大的特征提取能力以及良好的学习能力，可对获取的大量数据进行特征提取并快速识别排水管中的病害种类，实现快速、精准的检测出排水管病害并识别出病害种类，取代了传统人工筛查的方法，降低了排水管病害的筛查成本。
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 (10)
1.一种基于深度学习的胶囊机器人排水管病害检测方法，其特征在于，包括步骤：
获取胶囊机器人通过鱼眼镜头对排水管拍摄的视频文件，将所述视频文件进行抽帧为排水管图像；
将所述排水管图像输入已训练的深度学习模型，通过所述深度学习模型进行识别，并输出病害类型标签。
2.根据权利要求1所述的基于深度学习的胶囊机器人排水管病害检测方法，其特征在于，所述已训练的深度学习模型采用如下步骤训练得到：
根据公共数据集对初始网络模型进行训练，得到第一网络模型；
根据管网病害数据集对所述第一网络模型进行训练，得到所述已训练的深度学习模型。
3.根据权利要求2所述的基于深度学习的胶囊机器人排水管病害检测方法，其特征在于，所述根据公共数据集中的数据对初始网络模型进行训练，得到第一网络模型具体包括：
根据公共数据集对初始网络模型进行训练，得到第二网络模型，再根据鱼眼图像数据集对所述第二网络模型进行训练，得到第一网络模型；其中，所述鱼眼图像数据集为由所述公共数据集中随机选出的若干张有标注图像通过球型畸变模型算法生成的。
4.根据权利要求2或3所述的基于深度学习的胶囊机器人排水管病害检测方法，其特征在于，所述初始网络模型为Faster R-CNN模型。
5.根据权利要求2所述的基于深度学习的胶囊机器人排水管病害检测方法，其特征在于，所述管网病害数据集包括人工标注的管网病害图像和管网病害标签，所述人工标注的管网病害图像为由胶囊机器人拍摄的视频抽帧出的，并通过人工标注出病害位置的排水管病害图像。
6.根据权利要求3所述的基于深度学习的胶囊机器人排水管病害检测方法，其特征在于，所述公共数据集为COCO数据集或PASCAL VOC数据集。
7.根据权利要求2所述的基于深度学习的胶囊机器人排水管病害检测方法，其特征在于，所述根据管网病害数据集对所述第一网络模型进行训练，得到所述已训练的深度学习模型后，还包括：
更新管网病害数据集，根据更新后的管网病害数据集对已训练的深度学习模型进行训练，得到更新的已训练的深度学习模型。
8.根据权利要求7所述的基于深度学习的胶囊机器人排水管病害检测方法，其特征在于，所述更新管网病害数据集具体包括：将检测后的排水管图像、病害标注框和病害类型标签形成初始数据组并保存，通过人工筛查，并更正检测错误的病害标注框和/或病害类型标签，形成最终数据组，将最终数据组收集至管网病害数据集，获得更新后的管网病害数据集。
9.一种基于深度学习的胶囊机器人排水管病害检测系统，其特征在于，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基于深度学习的胶囊机器人排水管病害检测程序，所述基于深度学习的胶囊机器人排水管病害检测序被所述处理器执行时实现如权利要求1-8任一项所述的基于深度学习的胶囊机器人排水管病害检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有基于深度学习的胶囊机器人排水管病害检测程序，所述基于基于深度学习的胶囊机器人排水管病害检测程序被处理器执行时实现如权利要求1-8任一项所述的基于深度学习的胶囊机器人排水管病害检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911173225.6A CN110942026B (zh) | 2019-11-26 | 2019-11-26 | 基于深度学习的胶囊机器人排水管病害检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911173225.6A CN110942026B (zh) | 2019-11-26 | 2019-11-26 | 基于深度学习的胶囊机器人排水管病害检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110942026A true CN110942026A (zh) | 2020-03-31 |
| CN110942026B CN110942026B (zh) | 2023-12-19 |
Family
ID=69908133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911173225.6A Active CN110942026B (zh) | 2019-11-26 | 2019-11-26 | 基于深度学习的胶囊机器人排水管病害检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110942026B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184687A (zh) * | 2020-10-10 | 2021-01-05 | 南京信息工程大学 | 基于胶囊特征金字塔的道路裂缝检测方法和存储介质 |
| CN112686217A (zh) * | 2020-11-02 | 2021-04-20 | 坝道工程医院(平舆) | 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137338A1 (en) * | 2016-11-16 | 2018-05-17 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
| CN108318506A (zh) * | 2018-01-23 | 2018-07-24 | 深圳大学 | 一种管道智能检测方法及检测系统 |
| CN110163823A (zh) * | 2019-05-17 | 2019-08-23 | 深圳大学 | 基于胶囊机器人面向排水管的多视角图像矫正方法及系统 |
| CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
| CN110348342A (zh) * | 2019-06-27 | 2019-10-18 | 广东技术师范大学天河学院 | 一种基于全卷积网络的管道病害图像分割方法 |
-
2019
- 2019-11-26 CN CN201911173225.6A patent/CN110942026B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137338A1 (en) * | 2016-11-16 | 2018-05-17 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
| CN108318506A (zh) * | 2018-01-23 | 2018-07-24 | 深圳大学 | 一种管道智能检测方法及检测系统 |
| CN110163823A (zh) * | 2019-05-17 | 2019-08-23 | 深圳大学 | 基于胶囊机器人面向排水管的多视角图像矫正方法及系统 |
| CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
| CN110348342A (zh) * | 2019-06-27 | 2019-10-18 | 广东技术师范大学天河学院 | 一种基于全卷积网络的管道病害图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHENG, JCP等: ""Automated detection of sewer pipe defects in closed-circuit television images using deep learning techniques"" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184687A (zh) * | 2020-10-10 | 2021-01-05 | 南京信息工程大学 | 基于胶囊特征金字塔的道路裂缝检测方法和存储介质 |
| CN112184687B (zh) * | 2020-10-10 | 2023-09-26 | 南京信息工程大学 | 基于胶囊特征金字塔的道路裂缝检测方法和存储介质 |
| CN112686217A (zh) * | 2020-11-02 | 2021-04-20 | 坝道工程医院(平舆) | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110942026B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bang et al. | Encoder–decoder network for pixel‐level road crack detection in black‐box images | |
| Pan et al. | Automatic sewer pipe defect semantic segmentation based on improved U-Net | |
| Cheng et al. | Automated detection of sewer pipe defects in closed-circuit television images using deep learning techniques | |
| Tan et al. | Automatic detection of sewer defects based on improved you only look once algorithm | |
| Jafari et al. | Real-time water level monitoring using live cameras and computer vision techniques | |
| CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
| CN103413444A (zh) | 一种基于无人机高清视频的交通流调查处理方法 | |
| CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
| Ma et al. | Automatic defogging, deblurring, and real-time segmentation system for sewer pipeline defects | |
| CN114049356B (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
| CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| CN113780111A (zh) | 一种基于优化YOLOv3算法的管道连接器及缺陷精确识别方法 | |
| 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 | |
| CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 | |
| CN115205855A (zh) | 融合多尺度语义信息的车辆目标识别方法、装置及设备 | |
| CN114241310B (zh) | 基于改进yolo模型的堤防管涌险情智能识别方法 | |
| CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
| Dang et al. | Lightweight pixel-level semantic segmentation and analysis for sewer defects using deep learning | |
| CN117152617A (zh) | 一种城市洪涝识别方法及系统 | |
| CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
| Kulambayev et al. | Real-time road surface damage detection framework based on mask r-cnn model | |
| CN113496182B (zh) | 基于遥感影像的道路提取方法及装置、存储介质及设备 | |
| CN113112479A (zh) | 基于关键区块提取的渐进式目标检测方法和装置 | |
| CN107564031A (zh) | 基于反馈背景提取的城市交通场景前景目标检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |