CN112014398A - 一种基于机器视觉的病害管道缺陷分类建库与识别的方法 - Google Patents

一种基于机器视觉的病害管道缺陷分类建库与识别的方法 Download PDF

Info

Publication number
CN112014398A
CN112014398A CN201910454593.1A CN201910454593A CN112014398A CN 112014398 A CN112014398 A CN 112014398A CN 201910454593 A CN201910454593 A CN 201910454593A CN 112014398 A CN112014398 A CN 112014398A
Authority
CN
China
Prior art keywords
picture
classifying
pipeline
video
image
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
Application number
CN201910454593.1A
Other languages
English (en)
Inventor
李振国
曹井国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Zhongyuan Baiyi Technology Co ltd
Original Assignee
Tianjin Zhongyuan Baiyi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Zhongyuan Baiyi Technology Co ltd filed Critical Tianjin Zhongyuan Baiyi Technology Co ltd
Priority to CN201910454593.1A priority Critical patent/CN112014398A/zh
Publication of CN112014398A publication Critical patent/CN112014398A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects

Abstract

本发明提供一种基于机器视觉的病害管道缺陷分类建库与识别的方法，其特征在于，包括分类建库与识别，所述分类建库方法按图像获取、标注、预处理和模型训练依次进行：所述识别方法按照视频采集、图像处理、分类定位、和报告生成依次进行。本发明能够替代因技术水平、精力限制的人工分类识别，大幅提高管道病害缺陷的识别速度、精度和长度，减少误判，可在线和离线识别，使用方便，效果佳。

Description

一种基于机器视觉的病害管道缺陷分类建库与识别的方法
技术领域
本发明涉及的是管道病害分类识别的方法，特别涉及的是基于机器视觉的病害管道缺陷分类建库与识别的方法。
背景技术
随着城市的发展，我国地下管网的建设也越来越复杂多样，管网规模日益扩大，截至2016年底，我国城市排水管渠长度总量达到58万公里，且以每年7%的速率增长。我国80年代以前排水管道长度为3.59万公里，占现有管道的6.22%。我国的一些老城区地下管网由于铺设年代久远，与后铺设的管网彼此之间形成错综复杂的状况。同时，由于管道铺设工艺，管道材料的耐久性、施工的成熟性等多种原因，部分管道出现了渗漏、变形、脱节等病害情况。此外，一些新铺设的排水管道也因施工质量原因开始出现病害情况，道路塌陷、行洪不畅等问题屡见不鲜，这严重影响了城市的排水管网的正常运行，甚至危害人们的生命财产安全。因此，急需对病害管道进行摸底普查和修复。
伴随着管道的病害情况的出现，管道检测技术应运而生，在病害管道诊断和预警方面发挥了不可替代的作用。目前，国内外排水管道检测主要通过CCTV、声纳、激光等方法采集管道信息，再通过传输线将图像传回地面，由工程师在现场逐帧识别，对照相关标准给出检查结果，在后期复查时也需要工程师人工审查，专业性强。随着管道检测需求量的增大，人工识别速度已无法满足速度要求，且裂痕等缺陷相对于背景信息极为细小，肉眼观测非常容易出现漏检，高强度的劳动也容易导致工作人员疲劳，漏检几率提高。另外，人工识别依赖于工程师的经验，判断结果主观性强，不同的工程师判断结果可能不同，影响判断结构的一致性，误判的概率也相对提高。因此，亟待开发一种管道自动检测系统，实现管道功能性和结构性缺陷自动检测，提高检测效率与质量，减轻工程师的劳动强度。
发明内容
本发明的目的在于克服上述技术的不足，提供一种基于机器视觉的病害管道缺陷分类建库与识别的方法。
解决上述技术问题的技术方案是：
一种基于机器视觉的病害管道缺陷分类建库与识别的方法，其特征在于，包括分类建库与识别，所述分类建库方法按如下步骤依次进行：
（1）图像获取：通过标准图集收集管道病害标准图片，按照标准图集搜集标准视频作为视频素材；
（2）图片标注阶段：将获取的图片或视频调出，按照通用格式标注缺陷类型，获得标注图片库；
（3）图片预处理阶段：将图片转换为灰度图像，采用高斯或中值滤波过滤图片噪声，再通过使用给定阙值、Ostu自动取阈值或均值的办法对图片做二值化处理，再采用腐蚀膨胀进行图片处理，去除其它无关信息；
（4）模型训练阶段：采用特征工程，提取图片纹理特征和形状，以及时间和位置等信息，训练基于支持向量机的缺陷分类模型；
所述识别方法按如下步骤依次进行：
（1）视频采集：使用视频机器人获取管道内窥图像；
（2）图像处理：参照预处理方法逐帧对视频图像进行处理，将图片转换为灰度图像，采用高斯或中值滤波过滤图片噪声，再通过使用给定阙值、Ostu自动取阈值或均值的办法对图片做二值化处理，再采用腐蚀膨胀进行图片处理，去除其它无关信息；
（3）分类定位：基于特征工程，使用分类模型逐帧对管道病害缺陷进行分类和定位；
（4）报告生成：基于管道病害缺陷分类结果给出分析报告。
本发明的有益效果是：机器视觉是综合了数字图像处理、光学成像、模式识别和计算机处理等技术的一门学科，具有安全可靠、视觉范围广、对象选择范围广、生产效率高等优越性。采用机器视觉的病害管道缺陷分类建库与识别的方法进行病害管道缺陷的智能识别，能够替代因技术水平、精力限制的人工分类识别，大幅提高管道病害缺陷的识别速度、精度和长度，减少误判，可在线和离线识别，使用方便，效果佳。
附图说明
图1是本发明分类建库方法示意图；
图2 是识别方法示意图。
具体实施方式
下面结合附图对本发明的实施例进一步详述。
如图1和图2所示，本发明提供一种基于机器视觉的病害管道缺陷分类建库与识别的方法，其特征在于，包括分类建库与识别，所述分类建库方法按如下步骤依次进行：
（1）图像获取：通过标准图集收集管道病害标准图片，按照标准图集搜集标准视频作为视频素材；
（2）图片标注阶段：将获取的图片或视频调出，按照通用格式标注缺陷类型，获得标注图片库；
（3）图片预处理阶段：将图片转换为灰度图像，采用高斯或中值滤波过滤图片噪声，再通过使用给定阙值、Ostu自动取阈值或均值的办法对图片做二值化处理，再采用腐蚀膨胀进行图片处理，去除其它无关信息；
（4）模型训练阶段：采用特征工程，提取图片纹理特征和形状，以及时间和位置等信息，训练基于支持向量机的缺陷分类模型；
所述识别方法按如下步骤依次进行：
（1）视频采集：使用视频机器人获取管道内窥图像；
（2）图像处理：参照预处理方法逐帧对视频图像进行处理，将图片转换为灰度图像，采用高斯或中值滤波过滤图片噪声，再通过使用给定阙值、Ostu自动取阈值或均值的办法对图片做二值化处理，再采用腐蚀膨胀进行图片处理，去除其它无关信息；
（3）分类定位：基于特征工程，使用分类模型逐帧对管道病害缺陷进行分类和定位；
（4）报告生成：基于管道病害缺陷分类结果给出分析报告。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (2)

1.一种基于机器视觉的病害管道缺陷分类建库与识别的方法，其特征在于，包括分类建库与识别，所述分类建库方法按如下步骤依次进行：
（1）图像获取：通过标准图集收集管道病害标准图片，按照标准图集搜集标准视频作为视频素材；
（2）图片标注阶段：将获取的图片或视频调出，按照通用格式标注缺陷类型，获得标注图片库；
（3）图片预处理阶段：将图片转换为灰度图像，采用高斯或中值滤波过滤图片噪声，再通过使用给定阙值、Ostu自动取阈值或均值的办法对图片做二值化处理，再采用腐蚀膨胀进行图片处理，去除其它无关信息；
（4）模型训练阶段：采用特征工程，提取图片纹理特征和形状，以及时间和位置等信息，训练基于支持向量机的缺陷分类模型。
2.一种基于机器视觉的病害管道缺陷分类建库与识别的方法，其特征在于，所述识别方法按如下步骤依次进行：
（1）视频采集：使用视频机器人获取管道内窥图像；
（2）图像处理：参照预处理方法逐帧对视频图像进行处理，将图片转换为灰度图像，采用高斯或中值滤波过滤图片噪声，再通过使用给定阙值、Ostu自动取阈值或均值的办法对图片做二值化处理，再采用腐蚀膨胀进行图片处理，去除其它无关信息；
（3）分类定位：基于特征工程，使用分类模型逐帧对管道病害缺陷进行分类和定位；
（4）报告生成：基于管道病害缺陷分类结果给出分析报告。
CN201910454593.1A 2019-05-29 2019-05-29 一种基于机器视觉的病害管道缺陷分类建库与识别的方法 Pending CN112014398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910454593.1A CN112014398A (zh) 2019-05-29 2019-05-29 一种基于机器视觉的病害管道缺陷分类建库与识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910454593.1A CN112014398A (zh) 2019-05-29 2019-05-29 一种基于机器视觉的病害管道缺陷分类建库与识别的方法

Publications (1)

Publication Number Publication Date
CN112014398A true CN112014398A (zh) 2020-12-01

Family

ID=73500740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910454593.1A Pending CN112014398A (zh) 2019-05-29 2019-05-29 一种基于机器视觉的病害管道缺陷分类建库与识别的方法

Country Status (1)

Country Link
CN (1) CN112014398A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130279794A1 (en) * 2012-04-19 2013-10-24 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
CN103886332A (zh) * 2014-04-02 2014-06-25 哈尔滨工业大学 一种检测与识别金属网栅缺陷的方法
CN107220649A (zh) * 2017-05-27 2017-09-29 江苏理工学院 一种素色布匹缺陷检测和分类方法
CN107389701A (zh) * 2017-08-22 2017-11-24 西北工业大学 一种基于图像的pcb表观缺陷自动检测系统及方法
CN108346137A (zh) * 2017-01-22 2018-07-31 上海金艺检测技术有限公司 用于工业射线焊缝图像的缺陷检测方法
CN109308697A (zh) * 2018-09-18 2019-02-05 安徽工业大学 一种基于机器学习算法的树叶病害识别方法
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130279794A1 (en) * 2012-04-19 2013-10-24 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
CN103886332A (zh) * 2014-04-02 2014-06-25 哈尔滨工业大学 一种检测与识别金属网栅缺陷的方法
CN108346137A (zh) * 2017-01-22 2018-07-31 上海金艺检测技术有限公司 用于工业射线焊缝图像的缺陷检测方法
CN107220649A (zh) * 2017-05-27 2017-09-29 江苏理工学院 一种素色布匹缺陷检测和分类方法
CN107389701A (zh) * 2017-08-22 2017-11-24 西北工业大学 一种基于图像的pcb表观缺陷自动检测系统及方法
CN109308697A (zh) * 2018-09-18 2019-02-05 安徽工业大学 一种基于机器学习算法的树叶病害识别方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴彰良 等: ""基于图像处理的油封缺陷自动检测与分类识别方法"", 《仪器仪表学报》, vol. 34, no. 05, pages 1093 - 1099 *

Similar Documents

Publication Publication Date Title
KR102008973B1 (ko) 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법
US7215811B2 (en) Method and apparatus for the automated detection and classification of defects in sewer pipes
WO2017063355A1 (zh) 超声相控阵检测聚乙烯电熔接头缺陷类型自动识别方法
Schmugge et al. Crack segmentation by leveraging multiple frames of varying illumination
CN111610193A (zh) 采用多镜头拍摄巡检地铁隧道管片结构缺陷的系统及方法
CN110555831B (zh) 一种基于深度学习的排水管道缺陷分割方法
CN114565845A (zh) 一种地下隧道智能巡检系统
CN112525255A (zh) 暗涵排水口排查流程及排口溯源方法
CN111524154B (zh) 一种基于影像的隧道管片自动化分割方法
CN115841466A (zh) 排水管网缺陷自动定量评估方法
CN113763363B (zh) 一种排水管道破裂缺陷检测及等级评定方法
CN110672632A (zh) 一种隧道病害识别方法
CN109767426B (zh) 一种基于图像特征识别的盾构隧道渗漏水检测方法
CN115439643A (zh) 一种基于单目测量的道路病害尺寸分析与管理方法
CN113962951B (zh) 检测分割模型的训练方法及装置、目标检测方法及装置
CN114941807A (zh) 一种基于无人机的热力管道泄漏快速监测与定位方法
CN112014398A (zh) 一种基于机器视觉的病害管道缺陷分类建库与识别的方法
CN114663672B (zh) 一种输电线路塔钢构件腐蚀检测方法及系统
CN110963036A (zh) 一种基于无人机进行建筑检测修复的装置及方法
CN105354848A (zh) 一种热镀锌产线的康耐视表面质量检测系统的优化方法
CN115082650A (zh) 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法
CN110189301B (zh) 一种发电机定子铁心钢片叠装平台的异物检测方法
CN112926401A (zh) 一种输电线路金具锈蚀检测方法及系统
Huang et al. Machine inspection equipment for tunnels: a review
CN113610957B (zh) 一种基于bim的排水管道三维缺陷信息自动化管理方法

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