CN111814873A - 用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法 - Google Patents
用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法 Download PDFInfo
- Publication number
- CN111814873A CN111814873A CN202010647267.5A CN202010647267A CN111814873A CN 111814873 A CN111814873 A CN 111814873A CN 202010647267 A CN202010647267 A CN 202010647267A CN 111814873 A CN111814873 A CN 111814873A
- Authority
- CN
- China
- Prior art keywords
- classifier
- defect
- training
- sub
- drainage pipeline
- 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 75
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 7
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 239000013307 optical fiber Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法,包括如下步骤:构建数据集;将数据集划分为训练集和测试集;采用改进的VGG-16卷积神经网络架构作为主分类器模型,分别采用训练集和测试集对主分类器模型进行参数训练和检测;将训练集按照缺陷类型进行分组,并将每组为次分类器训练集和次分类器测试集,每组建立一个新的次分类器;分别用次分类器训练集和次分类器测试集对于次分类器进行训练和检测;将待分辨的排水管道缺陷图像输入主分类器,识别得到缺陷类型,再根据缺陷类型输入对应的次分类器,识别得到缺陷等级。本发明可以实现缺陷的分类,还可以在缺陷分类的结果上对缺陷等级进行进一步分类。
Description
技术领域
本发明涉及下水管道检测技术领域,具体涉及一种用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法。
背景技术
在下水管道缺陷检测领域,由于分类多,公开训练集缺少,鲜有与深度学习结合的检测方法,“基于深度学习的地下水管道缺陷智能检测技术研究”(户莹,西安理工大学,2019-06-30)、“基于卷积神经网的CCTV视频中排水管道缺陷的智能检测”(吕兵;刘玉贤;叶绍泽;闫臻,测绘通报,2019-11-25)两篇文献中尝试了采用卷积神经网络进行下水道缺陷的检测,实现了缺陷的检测,减少了人力的使用。但是针对实际工程中需要的更精细的缺陷等级检测,上述方法还未能做到。
发明内容
针对现有技术的不足,本发明旨在提供一种用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法,既可实现缺陷的分类,还可以在缺陷分类的结果上对缺陷等级进行进一步分类,达到更好的节省人工的目的。
为了实现上述目的,本发明采用如下技术方案:
用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法,包括如下步骤:
S1、采用实际的排水管道缺陷图像构建数据集,并且数据集中所有的图像均添加有缺陷类型和缺陷等级的数据标签;
S2、将数据集进行切分,划分为训练集和测试集,将训练集送入未训练的主分类器模型中;
S3、主分类器模型采用改进的VGG-16卷积神经网络架构,所述改进的VGG-16卷积神经网络架构通过在原有VGG-16卷积神经网络架构的全连接层后依次加入256个神经元的fc1全连接层和11个神经元的fc2全连接层后得到改进的VGG-16卷积神经网络架构;
经过训练集对主分类器模型进行参数训练,然后用测试集进行检测,最终得到训练好的主分类器模型,保存待用;
S4、将训练集按照缺陷类型进行分组,对每组同类缺陷图像分组为次分类器训练集和次分类器测试集,并且对每组同类缺陷图像建立一个新的次分类器;按照主分类器模型的架构,通过将主分类器模型中的11个神经元的fc2全连接层改为5个神经元的fc2全连接层得到次分类器;次分类器各层参数权重与主分类器相同,fc2层至softmax层全部初始化为期望为0的高斯随机分布;
S5、对于每个次分类器,固定其前10层,超参数设置和主分类器相同;每组的次分类器用该组的次分类器训练集进行训练后用该组的次分类器测试集检验,得到次分类器模型;
S6、将采集得到的待分辨的排水管道缺陷图像输入主分类器,识别得到图像中排水管道的缺陷类型,再根据缺陷类型输入对应的次分类器,识别得到图像中排水管道的缺陷等级。
进一步地,上述方法中,进行步骤S2之前,先对步骤S1构建得到的数据集进行增强处理,通过翻转和裁切操作增大数据集的数据量,并对数据集中的所有图像添加高斯噪声和椒盐噪声。
更进一步地,上述方法中,进行步骤S2之前,增强处理后,对数据集中每一张图像进行归一化处理。
进一步地,上述方法中,步骤S2中,以数量比8:2的比例将数据集划分为训练集和测试集。
进一步地,上述方法中,步骤S3中,主分类器模型的超参数分别初始化设置为:学习率learning_rate=0.001,批大小batch_size=10,训练代数epoch=50;每十代将学习率缩小一半,即new_learning_rate=learning_rate/2。
进一步地,上述方法中,步骤S6中,将训练集按数量比8:2划分为次分类器训练集和次分类器测试集。
本发明的有益效果在于:
本方法通过将深度学习方法引入下水道缺陷检测方向,相比于现有的人工检测,大大提升了检测的速度,同时相比于前沿的缺陷识别,能够做到更加精细的分类,区分出缺陷等级。
附图说明
图1为本发明实施例1中主分类器的架构示意图;
图2为本发明实施例1中次分类器的架构示意图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
本实施例提供一种用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法,包括如下步骤:
S1、采用实际的排水管道缺陷图像构建数据集,并且数据集中所有的图像均添加有缺陷类型和缺陷等级的数据标签;
在本实施例中,对步骤S1构建得到的数据集进行增强处理,通过翻转和裁切操作增大数据集的数据量,同时为了适应可能产生的各种噪声,对数据集中的所有图像添加高斯噪声和椒盐噪声,参数分别设置为0.001和0.003。
另外,在本实施例中,增强处理后,对数据集中每一张图像进行归一化处理,使得后续网络学习速度提升。
S2、将数据集进行切分,以数量比8:2的比例划分为训练集和测试集,将训练集送入未训练的主分类器模型中;
S3、主分类器模型采用改进的VGG-16卷积神经网络架构,所述改进的VGG-16卷积神经网络架构通过在原有VGG-16卷积神经网络架构的全连接层后依次加入256个神经元的fc1全连接层和11个神经元的fc2全连接层后得到改进的VGG-16卷积神经网络架构,如图1所示;主分类器模型的超参数分别初始化设置为:学习率learning_rate=0.001,批大小batch_size=10,训练代数epoch=50;根据以往经验,每十代将学习率缩小一半,即new_learning_rate=learning_rate/2;
经过训练集对主分类器模型进行参数训练,然后用测试集进行检测,最终得到训练好的主分类器模型,保存待用。
S4、将训练集按照缺陷类型进行分组,对每组同类缺陷图像按数量比8:2分组为次分类器训练集和次分类器测试集,并且对每组同类缺陷图像建立一个新的次分类器;按照主分类器模型的架构,通过将主分类器模型中的11个神经元的fc2全连接层改为5个神经元的fc2全连接层得到次分类器,如图2所示;次分类器各层参数权重与主分类器相同,fc2层至softmax层全部初始化为期望为0的高斯随机分布。
需要说明的是,考虑到主分类器会产生错误判断,导致其他类型缺陷或无缺陷数据进入次分类器,因此为避免在次分类器里学习到错误连接,所以在本实施例中,将主分类器中的11个神经元的fc2全连接层改为5个神经元的fc2全连接层得到次分类器,从而将对次分类器的分类类别设置为5类:其他缺陷、一级缺陷、二级缺陷、三级缺陷、四级缺陷。
S5、对于每个次分类器,固定其前10层,超参数设置和主分类器相同;每组的次分类器用该组的次分类器训练集进行训练后用该组的次分类器测试集检验,得到次分类器模型。
S6、将采集得到的待分辨的排水管道缺陷图像输入主分类器,识别得到图像中排水管道的缺陷类型,再根据缺陷类型输入对应的次分类器,识别得到图像中排水管道的缺陷等级。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,给出各种相应的改变和变形,而所有的这些改变和变形,都应该包括在本发明权利要求的保护范围之内。
Claims (6)
1.用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法,其特征在于,包括如下步骤:
S1、采用实际的排水管道缺陷图像构建数据集,并且数据集中所有的图像均添加有缺陷类型和缺陷等级的数据标签;
S2、将数据集进行切分,划分为训练集和测试集,将训练集送入未训练的主分类器模型中;
S3、主分类器模型采用改进的VGG-16卷积神经网络架构,所述改进的VGG-16卷积神经网络架构通过在原有VGG-16卷积神经网络架构的全连接层后依次加入256个神经元的fc1全连接层和11个神经元的fc2全连接层后得到改进的VGG-16卷积神经网络架构;
经过训练集对主分类器模型进行参数训练,然后用测试集进行检测,最终得到训练好的主分类器模型,保存待用;
S4、将训练集按照缺陷类型进行分组,对每组同类缺陷图像分组为次分类器训练集和次分类器测试集,并且对每组同类缺陷图像建立一个新的次分类器;按照主分类器模型的架构,通过将主分类器模型中的11个神经元的fc2全连接层改为5个神经元的fc2全连接层得到次分类器;次分类器各层参数权重与主分类器相同,fc2层至softmax层全部初始化为期望为0的高斯随机分布;
S5、对于每个次分类器,固定其前10层,超参数设置和主分类器相同;每组的次分类器用该组的次分类器训练集进行训练后用该组的次分类器测试集检验,得到次分类器模型;
S6、将采集得到的待分辨的排水管道缺陷图像输入主分类器,识别得到图像中排水管道的缺陷类型,再根据缺陷类型输入对应的次分类器,识别得到图像中排水管道的缺陷等级。
2.根据权利要求1所述的方法,其特征在于,进行步骤S2之前,先对步骤S1构建得到的数据集进行增强处理,通过翻转和裁切操作增大数据集的数据量,并对数据集中的所有图像添加高斯噪声和椒盐噪声。
3.根据权利要求2所述的方法,其特征在于,进行步骤S2之前,增强处理后,对数据集中每一张图像进行归一化处理。
4.根据权利要求1所述的方法,其特征在于,步骤S2中,以数量比8:2的比例将数据集划分为训练集和测试集。
5.根据权利要求1所述的方法,其特征在于,步骤S3中,主分类器模型的超参数分别初始化设置为:学习率learning_rate=0.001,批大小batch_size=10,训练代数epoch=50;每十代将学习率缩小一半,即new_learning_rate=learning_rate/2。
6.根据权利要求1所述的方法,其特征在于,步骤S6中,将训练集按数量比8:2划分为次分类器训练集和次分类器测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010647267.5A CN111814873A (zh) | 2020-07-07 | 2020-07-07 | 用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010647267.5A CN111814873A (zh) | 2020-07-07 | 2020-07-07 | 用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814873A true CN111814873A (zh) | 2020-10-23 |
Family
ID=72841946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010647267.5A Pending CN111814873A (zh) | 2020-07-07 | 2020-07-07 | 用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814873A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113139932A (zh) * | 2021-03-23 | 2021-07-20 | 广东省科学院智能制造研究所 | 一种基于集成学习的深度学习缺陷图像识别方法及系统 |
CN113763363A (zh) * | 2021-09-09 | 2021-12-07 | 华南理工大学 | 一种排水管道破裂缺陷检测及等级评定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719291A (zh) * | 2016-01-20 | 2016-06-29 | 江苏省沙钢钢铁研究院有限公司 | 品种可选择的表面缺陷图像分类系统 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN110598767A (zh) * | 2019-08-29 | 2019-12-20 | 河南省收费还贷高速公路管理有限公司航空港分公司 | 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法 |
CN110930377A (zh) * | 2019-11-18 | 2020-03-27 | 福州大学 | 一种基于多任务学习的排水管道异常类型自动检测方法 |
CN111127390A (zh) * | 2019-10-21 | 2020-05-08 | 哈尔滨医科大学 | 基于迁移学习的x射线影像处理方法及系统 |
-
2020
- 2020-07-07 CN CN202010647267.5A patent/CN111814873A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719291A (zh) * | 2016-01-20 | 2016-06-29 | 江苏省沙钢钢铁研究院有限公司 | 品种可选择的表面缺陷图像分类系统 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN110598767A (zh) * | 2019-08-29 | 2019-12-20 | 河南省收费还贷高速公路管理有限公司航空港分公司 | 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法 |
CN111127390A (zh) * | 2019-10-21 | 2020-05-08 | 哈尔滨医科大学 | 基于迁移学习的x射线影像处理方法及系统 |
CN110930377A (zh) * | 2019-11-18 | 2020-03-27 | 福州大学 | 一种基于多任务学习的排水管道异常类型自动检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113139932A (zh) * | 2021-03-23 | 2021-07-20 | 广东省科学院智能制造研究所 | 一种基于集成学习的深度学习缺陷图像识别方法及系统 |
CN113139932B (zh) * | 2021-03-23 | 2022-12-20 | 广东省科学院智能制造研究所 | 一种基于集成学习的深度学习缺陷图像识别方法及系统 |
CN113763363A (zh) * | 2021-09-09 | 2021-12-07 | 华南理工大学 | 一种排水管道破裂缺陷检测及等级评定方法 |
CN113763363B (zh) * | 2021-09-09 | 2023-08-01 | 华南理工大学 | 一种排水管道破裂缺陷检测及等级评定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814873A (zh) | 用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法 | |
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 | |
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 | |
CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
CN107564002A (zh) | 塑料管表面缺陷检测方法、系统及计算机可读存储介质 | |
Li et al. | Sewer pipe defect detection via deep learning with local and global feature fusion | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
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 | |
CN113255690B (zh) | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 | |
CN112258459A (zh) | 一种基于集成深度学习的锂电池瑕疵检测方法 | |
Yao et al. | A feature memory rearrangement network for visual inspection of textured surface defects toward edge intelligent manufacturing | |
CN115359054B (zh) | 一种基于伪缺陷空间生成的电力设备缺陷检测方法 | |
CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
CN113763363A (zh) | 一种排水管道破裂缺陷检测及等级评定方法 | |
CN115131747A (zh) | 基于知识蒸馏的输电通道工程车辆目标检测方法及系统 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN116542170A (zh) | 基于ssae和mlstm的排水管道淤积病害动态诊断方法 | |
Liu et al. | A weld defect detection method based on triplet deep neural network | |
Mei et al. | A novel weakly supervised ensemble learning framework for automated pixel-wise industry anomaly detection | |
CN114078106A (zh) | 基于改进Faster R-CNN的疵点检测方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN111144280A (zh) | 一种监控视频树叶遮挡检测方法 | |
CN114972757A (zh) | 一种隧道渗漏水区域识别方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |