CN111311572A - 一种管道检测方法、装置、存储介质及机器人 - Google Patents
一种管道检测方法、装置、存储介质及机器人 Download PDFInfo
- Publication number
- CN111311572A CN111311572A CN202010090958.XA CN202010090958A CN111311572A CN 111311572 A CN111311572 A CN 111311572A CN 202010090958 A CN202010090958 A CN 202010090958A CN 111311572 A CN111311572 A CN 111311572A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- defect
- characteristic
- feature
- vector
- 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
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
- G06F18/214—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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种管道检测方法,包括以下步骤:S1)提供一管道缺陷特征分类数据模型,该管道缺陷特征分类数据模型包括与多种管道缺陷类型一一对应的多组管道特征属性向量M;S2)采集管道图像,并提取目标区域的缺陷特征向量N;S3)将该缺陷特征向量N分别与该多组管道特征属性向量M进行卷积,最大卷积值对应的管道缺陷类型即为该目标区域的管道缺陷类型。本发明通过管道缺陷特征分类数据模型对多个管道样本图像的缺陷特征与管道缺陷类型划分关系进行学习训练,能够快速识别管道目标区域的缺陷类型,提升管道爬行机器人的缺陷检测效率和精确度。
Description
技术领域
本发明涉及管道检测技术领域,具体涉及一种管道检测方法、装置、存储介质及机器人。
背景技术
地下管道是城市的生命线,关系着国计民生的方方面面。传统的地下管道图像监测方法是由内业人员查看外业人员采集的视频数据,逐段排查地下管道的问题:首先,由外业数据采集人员进入管道投放机器人,机器人在管道内按照设计行驶路线行走,携带的视频采集器对前方景象进行数据采集;采集工作完成后,将视频数据分组编号并导出,于次日交由内业数据分析人员进行数据核验;内业人员通过观看视频查看其中的问题管道,并将问题位置截图标记,形成管道检测报告。这种检测方式存在以下问题:
1)视频观看时间漫长,对内业人员的消耗极大,检测效率低;
2)发现网设施存在问题时,无法精确定位位置,检测精度低。
专利CN107507165A公开了一种地下管道检查方法、装置及计算机可读存储介质,方法包括:当检测到地下管道检查指令时,获取待检查地下管道的分布位置;基于该分布位置生成检查路线,控制所述无人机在所述检查路线上开启摄像机,并每间隔预设时间段摄取所述地下管道的图像;对所述摄取的图像进行分析,实现获取所述地下管道的管道状态。该专利技术方案一定程度上解决了现有技术中检测效率低、成本、危险性大的技术问题,但该专利技术方案依旧存在上述问题。
发明内容
针对上述现有技术的不足,本发明提出一种管道检测方法、装置、存储介质及机器人,根据对多个管道样本图像的缺陷特征与管道缺陷类型划分关系的学习训练,能够快速识别管道目标区域的缺陷类型,提升管道爬行机器人的缺陷检测效率和精确度。
为实现上述目的,本发明提供了一种管道检测方法,包括以下步骤:
S1)提供一管道缺陷特征分类数据模型,该管道缺陷特征分类数据模型包括与多种管道缺陷类型一一对应的多组管道特征属性向量M;
S2)采集管道图像,并提取目标区域的缺陷特征向量N;
S3)将该缺陷特征向量N分别与该多组管道特征属性向量M进行卷积,最大卷积值对应的管道缺陷类型即为该目标区域的管道缺陷类型。
进一步地,上述技术方案中训练该管道缺陷特征分类数据模型包括以下步骤:
S11)提取多个样本图像的管道特征属性向量m并进行管道缺陷类型划分,获得管道缺陷特征数据集;
S12)将管道特征属性向量m作为输入值,管道特征属性向量m对应的管道缺陷类型作为输出值,利用卷积神经网络对该管道缺陷特征数据集进行训练,得到该管道缺陷特征分类数据模型。
更进一步地,上述技术方案还包括以下步骤:提供一初始网络权重作为该卷积神经网络的初值,该初始网络权重包含其他样本图像的管道特征属性向量m与管道缺陷类型的对应关系。
更进一步地,上述技术方案采用以下公式进行卷积计算:
其中,Mi是管道特征属性向量M(M1,M2,...Mn)(0<Mi<1)中的元素,为描述管道特征信息的加权因子;Ni是目标区域的缺陷特征向量N(N1,N2,...Nn)中的元素,为各缺陷特征的实际值;n为大于等于1的正整数。
更进一步地,上述技术方案还包括以下步骤:
S4)提供一管道特征属性梯度系数集合G,该管道特征属性梯度系数集合G包括多种管道缺陷类型的特征属性梯度范围αij及与每种所述管道缺陷类型的特征属性梯度范围αij一一对应的梯度系数因子βij;将目标区域的缺陷特征向量N分别代入到每一种缺陷类型的特征属性梯度范围αij中,得到多组梯度系数因子向量β;将该多组梯度系数因子向量β分别与对应缺陷类型的管道特征属性向量M进行卷积。
S5)对步骤S3、S4获得的卷积值进行均值计算,最大卷积值对应的管道缺陷类型即为该目标区域的管道缺陷类型。
更进一步地,上述技术方案中步骤S4采用以下公式进行卷积计算:
其中,Mi是管道特征属性向量M(M1,M2,...Mn)(0<Mi<1)中的元素,为描述管道特征信息的加权因子;βi是梯度系数因子向量β(β1,β2,...βn)(0<βi<1)中的元素;n为大于等于1的正整数。
更进一步地,上述技术方案中步骤S5所述的均值计算为对同种管道缺陷类型对应的卷积值进行均值计算。
另外,本发明还提供了一种管道检测装置,包括存储器、处理器以及存储在该存储器中并可在该处理器上运行的计算机程序,该处理器被配置为执行该计算机程序时实现上述技术方案中所述方法的步骤。
另外,本发明还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现上述技术方案中所述方法的步骤。
另外,本发明还提供了一种机器人,包括:处理器,用于加载并执行指令集;以及如上述技术方案中所述的计算机可读存储介质。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:本发明通过管道缺陷特征分类数据模型对多个管道样本图像的缺陷特征与管道缺陷类型划分关系进行学习训练,能够快速识别管道目标区域的缺陷类型,提升管道爬行机器人的缺陷检测效率和精确度。
附图说明
图1本发明管道检测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1本发明实施例提供了一种管道缺陷检测装置,包括图像采集模块、图像算法处理模块、缺陷分类模块及缺陷判定模块。
如图1所示,本发明实施例的管道检测方法包括以下步骤:
1)图像算法处理模块:提取多个样本图像的管道特征属性向量m并进行管道缺陷类型划分,按照管道缺陷类型如破裂、错口、渗漏和支管暗接等类型对图像进行分类标记,获得管道缺陷特征数据集。
2)缺陷分类模块:将管道特征属性向量m作为输入值,管道特征属性向量m对应的管道缺陷类型作为输出值,利用卷积神经网络对该管道缺陷特征数据集进行训练,得到该管道缺陷特征分类数据模型。该管道缺陷特征分类数据模型包括与多种管道缺陷类型一一对应的多组管道特征属性向量M
本实施例提供一初始网络权重作为该卷积神经网络的初值,该初始网络权重包含其他现有的样本图像的管道特征属性向量m与管道缺陷类型的对应关系,并利用caffe深度学习框架训练对管道缺陷特征数据集进行训练,以提高管道缺陷特征分类数据模型的精度,同时减少训练样本。
3)图像采集模块采集管道图像,并采用图像算法处理模块提取目标区域的缺陷特征向量N。
4)缺陷判定模块:将该缺陷特征向量N分别与该多组管道特征属性向量M进行卷积,最大卷积值对应的管道缺陷类型即为该目标区域的管道缺陷类型。
卷积公式1:
其中,Mi是管道特征属性向量M(M1,M2,...Mn)(0<Mi<1)中的元素,为描述管道特征信息的加权因子;Ni是目标区域的缺陷特征向量N(N1,N2,...Nn)中的元素,为各缺陷特征的实际值;n为大于等于1的正整数。
上述实施例中,卷积过程是一种滤波,是对管道缺陷进行分类的过程,即采用所有缺陷类型矩阵核分别对其进行滤波操作,对比结果模糊得最轻(即卷积值最大)的类型便是当前管道目标区域的缺陷类型。
本实施例还提供了一种管道缺陷检测终端设备,其包括至少一个处理器、以及至少一个存储器,其中,所述存储器中存储有计算机程序,当计算机程序被处理器执行时,使得处理器执行上述管道检测方法的步骤。处理器和存储器的类型不作具体限制,例如:处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等;存储器可以是易失性存储器、非易失性存储器或者它们的组合等。
本实施例还提供了一种计算机可读介质,其存储有可由终端设备执行的计算机程序,当所述计算机程序在终端设备上运行时,使得所述终端设备执行上述管道检测方法的步骤。计算机可读介质的类型包括但不限于SD卡、U盘、固定硬盘、移动硬盘等存储介质。
本实施例还提供了一种机器人,包括:处理器,用于加载并执行指令集;以及如上述实施例技术方案中所述的计算机可读存储介质。
实施例2
在实施例1步骤1~4的基础上,提供一种优选实施例。
5)缺陷分类模块:提供一管道特征属性梯度系数集合G,该管道特征属性梯度系数集合G包括多种管道缺陷类型的特征属性梯度范围αij及与每种所述管道缺陷类型的特征属性梯度范围αij一一对应的梯度系数因子βij;将目标区域的缺陷特征向量N分别代入到每一种缺陷类型的特征属性梯度范围αij中,得到多组梯度系数因子向量β。
6)缺陷判定模块:将该多组梯度系数因子向量β分别与对应缺陷类型的管道特征属性向量M进行卷积。
卷积公式2:
其中,Mi是管道特征属性向量M(M1,M2,...Mn)(0<Mi<1)中的元素,为描述管道特征信息的加权因子;βi是梯度系数因子向量β(β1,β2,...βn)(0<βi<1)中的元素;n为大于等于1的正整数。由于0<Mi<1、0<βi<1,分类器核函数也收敛于范围0~1,对于卷积,只有管道缺陷类型的具体特征属性梯度范围αij与梯度系数因子βij相似度最接近时,其卷积所得的结果最大。
7)缺陷判定模块:对步骤4、6中获得的同种管道缺陷类型对应的卷积值进行均值计算,最大卷积值对应的管道缺陷类型即为目标区域的管道缺陷类型。
本发明实施例通过管道缺陷特征分类数据模型对多个管道样本图像的缺陷特征与管道缺陷类型划分关系进行学习训练,可以快速识别管道目标区域的缺陷类型以及快速进行缺陷等级判定,提升管道爬行机器人的缺陷检测效率和精确度。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种管道检测方法,其特征在于,包括以下步骤:
S1)提供一管道缺陷特征分类数据模型,该管道缺陷特征分类数据模型包括与多种管道缺陷类型一一对应的多组管道特征属性向量M;
S2)采集管道图像,并提取目标区域的缺陷特征向量N;
S3)将该缺陷特征向量N分别与该多组管道特征属性向量M进行卷积,最大卷积值对应的管道缺陷类型即为该目标区域的管道缺陷类型。
2.根据权利要求1所述的管道检测方法,其特征在于,训练该管道缺陷特征分类数据模型包括以下步骤:
S11)提取多个样本图像的管道特征属性向量m并进行管道缺陷类型划分,获得管道缺陷特征数据集;
S12)将管道特征属性向量m作为输入值,管道特征属性向量m对应的管道缺陷类型作为输出值,利用卷积神经网络对该管道缺陷特征数据集进行训练,得到该管道缺陷特征分类数据模型。
3.根据权利要求2所述的管道检测方法,其特征在于,还包括以下步骤:提供一初始网络权重作为该卷积神经网络的初值,该初始网络权重包含其他样本图像的管道特征属性向量m与管道缺陷类型的对应关系。
5.根据权利要求1所述的管道检测方法,其特征在于,还包括以下步骤:
S4)提供一管道特征属性梯度系数集合G,该管道特征属性梯度系数集合G包括多种管道缺陷类型的特征属性梯度范围αij及与每种所述管道缺陷类型的特征属性梯度范围αij一一对应的梯度系数因子βij;将目标区域的缺陷特征向量N分别代入到每一种缺陷类型的特征属性梯度范围αij中,得到多组梯度系数因子向量β;将该多组梯度系数因子向量β分别与对应缺陷类型的管道特征属性向量M进行卷积;
S5)对步骤S3、S4获得的卷积值进行均值计算,最大卷积值对应的管道缺陷类型即为该目标区域的管道缺陷类型。
7.根据权利要求5所述的管道检测方法,其特征在于,步骤S5所述的均值计算为对同种管道缺陷类型对应的卷积值进行均值计算。
8.一种管道检测装置,包括存储器、处理器以及存储在该存储器中并可在该处理器上运行的计算机程序,其特征在于,该处理器被配置为执行该计算机程序时实现如权利要求1-7任一项所述方法的步骤。
9.一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,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1-7任一项所述方法的步骤。
10.一种机器人,其特征在于,包括:处理器,用于加载并执行指令集;以及如权利要求9所述的计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090958.XA CN111311572A (zh) | 2020-02-13 | 2020-02-13 | 一种管道检测方法、装置、存储介质及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090958.XA CN111311572A (zh) | 2020-02-13 | 2020-02-13 | 一种管道检测方法、装置、存储介质及机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311572A true CN111311572A (zh) | 2020-06-19 |
Family
ID=71161594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010090958.XA Pending CN111311572A (zh) | 2020-02-13 | 2020-02-13 | 一种管道检测方法、装置、存储介质及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311572A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154041A (zh) * | 2017-05-16 | 2017-09-12 | 武汉精测电子技术股份有限公司 | 一种用于显示面板缺陷分类的学习方法 |
CN107290345A (zh) * | 2017-05-16 | 2017-10-24 | 武汉精测电子技术股份有限公司 | 一种基于aoi的显示面板缺陷分类方法及装置 |
CN109559302A (zh) * | 2018-11-23 | 2019-04-02 | 北京市新技术应用研究所 | 基于卷积神经网络的管道视频缺陷检测方法 |
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 |
CN110516694A (zh) * | 2019-07-05 | 2019-11-29 | 福州大学 | 一种基于代价敏感学习的排水管道缺陷自动检测方法 |
-
2020
- 2020-02-13 CN CN202010090958.XA patent/CN111311572A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154041A (zh) * | 2017-05-16 | 2017-09-12 | 武汉精测电子技术股份有限公司 | 一种用于显示面板缺陷分类的学习方法 |
CN107290345A (zh) * | 2017-05-16 | 2017-10-24 | 武汉精测电子技术股份有限公司 | 一种基于aoi的显示面板缺陷分类方法及装置 |
CN109559302A (zh) * | 2018-11-23 | 2019-04-02 | 北京市新技术应用研究所 | 基于卷积神经网络的管道视频缺陷检测方法 |
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 |
CN110516694A (zh) * | 2019-07-05 | 2019-11-29 | 福州大学 | 一种基于代价敏感学习的排水管道缺陷自动检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
CN110929756B (zh) | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN112215201B (zh) | 评估人脸识别模型、针对图像的分类模型的方法及装置 | |
CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
CN113989662A (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN111814835A (zh) | 计算机视觉模型的训练方法、装置、电子设备和存储介质 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
CN114821282B (zh) | 一种基于域对抗神经网络的图像检测装置及方法 | |
CN103824090A (zh) | 一种自适应的人脸低层特征选择方法及人脸属性识别方法 | |
CN111539957A (zh) | 一种用于目标检测的图像样本生成方法、系统及检测方法 | |
CN115100497A (zh) | 基于机器人的通道异常物体巡检方法、装置、设备及介质 | |
CN110334775B (zh) | 一种基于宽度学习的无人机线路故障识别方法和装置 | |
CN111598854A (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN112989901A (zh) | 基于深度学习的液位仪读数的识别方法 | |
CN114544693A (zh) | 一种基于目标检测的多种室内有害气体浓度异常检测方法及系统 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN112927783B (zh) | 图像检索方法及装置 | |
CN112991281B (zh) | 视觉检测方法、系统、电子设备及介质 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200619 |
|
WD01 | Invention patent application deemed withdrawn after publication |