CN112528922A - 一种地下排水管道缺陷图像采集分类系统及方法 - Google Patents
一种地下排水管道缺陷图像采集分类系统及方法 Download PDFInfo
- Publication number
- CN112528922A CN112528922A CN202011520563.5A CN202011520563A CN112528922A CN 112528922 A CN112528922 A CN 112528922A CN 202011520563 A CN202011520563 A CN 202011520563A CN 112528922 A CN112528922 A CN 112528922A
- Authority
- CN
- China
- Prior art keywords
- images
- drainage pipeline
- image
- defect
- 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 83
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 239000004033 plastic Substances 0.000 claims description 11
- 229920003023 plastic Polymers 0.000 claims description 11
- 230000007849 functional defect Effects 0.000 claims description 10
- 230000007847 structural defect Effects 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000008021 deposition Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000035515 penetration Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 239000004698 Polyethylene Substances 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 229920001903 high density polyethylene Polymers 0.000 claims description 4
- 239000004700 high-density polyethylene Substances 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 229920000915 polyvinyl chloride Polymers 0.000 description 3
- 239000004800 polyvinyl chloride Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 230000003068 static 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种地下排水管道缺陷图像采集分类系统及方法,该系统包括移动机器人以及与移动机器人通信连接的后台服务器,移动机器人上设置有控制器以及与控制器电性连接的照明装置、摄像头、GPS定位模块、无线通信模块,控制器通过无线通信模块与后台服务器通信连接;后台服务器包括分类器模块和图像处理模块,分类器模块用于对排水管道缺陷图像进行分类,图像处理模块用于对分类后的图像进行归一化处理。本发明提供的地下排水管道缺陷图像采集分类系统及方法,能够对排水管道进行定位图像采集,并可以对排水管道检测图像进行详细科学分类并处理为标准图像形成排水管道图像标准样本库,为图像识别提供更可靠的数据支持。
Description
技术领域
本发明涉及市政管道缺陷监测技术领域,具体涉及一种地下排水管道缺陷图像采集分类系统及方法。
背景技术
在城市地下排水管网的使用过程中,经常出现各种管道功能缺陷、结构缺陷等问题,这些问题会严重影响到排水管网健康运行和末端污水厂的污水处理。传统排水管道监测方式是在排水管道中设置摄像头,然后再安排专门人员对采集的图像信息进行浏览,手动找出问题影像,费时且不准确。目前有关研究人员提出采用图像识别的方法自动识别管道检测图像中的缺陷。
与传统图像识别方法相比,基于深度学习的图像识别能自动提取图像中的特征,在静态图像、视频识别方面获得了明显改善效果,但目前相关研究存在样本图像数据规模有限、来源单一,无法为管道内部图像识别提供丰富的数据样本。
发明内容
本发明的目的是提供一种地下排水管道缺陷图像采集分类系统及方法,能够排水管道进行定位图像采集,并可以对排水管道检测图像进行详细科学分类并处理为标准图像形成排水管道图像标准样本库,为图像识别提供更可靠的数据支持。
为实现上述目的,本发明提供了如下方案:
一种地下排水管道缺陷图像采集分类系统,该系统包括:移动机器人以及与移动机器人通信连接的后台服务器,所述移动机器人上设置有控制器以及与控制器电性连接的照明装置、摄像头、GPS定位模块、无线通信模块,所述控制器通过所述无线通信模块与所述后台服务器通信连接,所述摄像头用于采集排水管道缺陷图像,所述GPS定位模块用于对移动机器人的位置进行定位;所述后台服务器包括分类器模块和图像处理模块,所述分类器模块用于对排水管道缺陷图像进行分类,所述图像处理模块用于对分类后的图像进行归一化处理。
进一步的,所述移动机器人上还设置有温度传感器、水质传感器,所述温度传感器、水质传感器分别与所述控制器电性连接,所述温度传感器用于监测排管管道内的温度,所述水质传感器用于监测排水管道内的水质。
进一步的,所述移动机器人上还设置有存储器,所述存储器与所述控制器电性连接,用于实时存储所述摄像头采集的排水管道内的图像数据。
本发明还公开了一种地下排水管道缺陷图像监测方法,应用于上述的地下排水管道缺陷图像采集分类系统,包括以下步骤:
S1,不同监测点的图像采集装置采集排水管道检测图像,打包为图像数据集合上传到后台服务器;
S2,基于图像数据集合,后台服务器以管材类型、管道缺陷类型、图像拍摄角度作为分类依据进行排水管道图像信息分类处理;
S3,对分类完成后的图像进行解码、平滑和归一化处理,形成标准化图像,并存入排水管道图像标准样本库。
进一步的,所述步骤S2中,基于图像数据集合,后台服务器采用图像识别技术,以管材类型、管道缺陷类型、图像拍摄角度作为分类依据进行排水管道图像信息分类处理,具体包括:
S201,将采集的排水管道检测图像按管材不同进行分类;
S202,将按管材分类后的图像按管道缺陷不同进行分别分类;
S203,将按缺陷分类后的图像按图像拍摄角度进行分类。
进一步的,所述步骤S201中,将采集到的排水管道检测图像分为混凝土管道及塑料管两类图像,混凝土管道主要指材质为砼的刚性管道,塑料管包括指PVC管、PE管、HDPE双壁波纹管中的一种或多种。
进一步的,所述步骤S202中,将按管材分类后的图像分类为正常图像、含管道结构性缺陷图像、含管道功能性缺陷图像及同时含多种缺陷图像;
其中,针对混凝土管道,管道结构性缺陷分类为错口、腐蚀、破裂、渗漏、脱节、异物穿入、支管暗接,管道功能性缺陷分类为沉积、障碍物、残墙坝根、浮渣、结垢、树根;
针对塑料管道,管道结构性缺陷分类为变形、错口、破裂、渗漏、脱节、异物穿入、支管暗接,管道功能性缺陷分类为沉积、障碍物、残墙坝根、浮渣、结垢。
进一步的,所述步骤S203中,将按管道缺陷分类后的图像分类为广角视角缺陷图和特写视角缺陷图。
进一步的,所述广角视角缺陷图指摄像头指向管道末端所拍摄到的管道图像;特写视角缺陷图指图像采集装置拍摄到广角缺陷图后摄像头对缺陷进行特写拍照时所拍摄到的管道缺陷图。
进一步的,所述步骤S3中,对分类完成后的图像进行解码生成RGB图像,采用3*3高斯滤波进行平滑处理后分别对R、G、B层进行归一化处理形成标准化图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的地下排水管道缺陷图像采集分类系统及方法,通过移动机器人通过GPS定位模块实现当前监测点的定位,使得图像采集装置能够对排水管道进行定位监测,便于了解各个位置的排水管道图像;通过无线通信模块,能够建立远程通信模式,图像采集方便快捷;在监测方法中,针对采集到的排水管道检测图像,首先按管材分为混凝土刚性管和塑料软管,不同管材管道所产生的缺陷类型和特点有一定差异,判断两者主要缺陷后对两种图像进一步按缺陷类型详细分类,在此基础上针对于不同图像视角分为广角和特写两类,最后通过图像解码、平滑处理、归一化处理等将分类后的图像形成标准化图像,本方法在分析当前城市排水管道现状及检测技术的基础上,综合考虑管道缺陷类型和图像特征,提出了一种科学化管道图像分类方法,解决目前排水管道缺陷领域数据样本混乱、单一等问题,实际使用直接形成标准化图像数据库,为后续相关研究提供数据支持和样本基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明地下排水管道缺陷图像采集分类系统的结构示意图;
图2是本发明地下排水管道缺陷图像监测方法的工作流程图;
附图标记:1、GPS定位模块;2、温度传感器;3、水质传感器;4、摄像头;5、控制器;6、无线通信模块;7、后台服务器。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种地下排水管道缺陷图像采集分类系统及方法,能够对排水管道进行定位图像采集,并可以对排水管道检测图像进行详细科学分类并处理为标准图像形成排水管道图像标准样本库,为图像识别提供更可靠的数据支持。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的地下排水管道缺陷图像采集分类系统,包括:移动机器人以及与移动机器人通信连接的后台服务器,所述移动机器人上设置有控制器5以及与控制器5电性连接的照明装置、摄像头4、GPS定位模块1、无线通信模块6,所述控制器5通过所述无线通信模块6与所述后台服务器7通信连接,所述摄像头4用于采集排水管道缺陷图像,所述GPS定位模块1用于对移动机器人的位置进行定位;所述后台服务器7包括分类器模块和图像处理模块,所述分类器模块用于对排水管道缺陷图像进行分类,所述图像处理模块用于对分类后的图像进行归一化处理。
所述移动机器人上还设置有温度传感器2、水质传感器3,所述温度传感器2、水质传感器3分别与所述控制器5电性连接,所述温度传感器2用于监测排管管道内的温度,所述水质传感器3用于监测排水管道内的水质。
所述移动机器人上还设置有存储器8,所述存储器8与所述控制器5电性连接,用于实时存储所述摄像头4采集的排水管道内的图像数据。所述存储器8可以即时将图像数据进行本地存储,能够避免通信不畅导致的数据丢失问题。
所述无线通信模块可以采用GPRS无线通信模块、LORA无线通信模块、WIFI无线通信模块或Zigbee无线通信模块等。所述控制器可以采用低功耗微型处理器。
本发明提供的地下排水管道缺陷图像采集分类系统,通过GPS定位模块实现当前监测点的定位,使得图像采集装置能够对排水管道进行定位监测,便于了解各个位置的排水管道图像;通过无线通信模块,能够建立远程通信模式,图像采集方便快捷。
本发明还公开了一种地下排水管道缺陷图像监测方法,应用于上述的地下排水管道缺陷图像采集分类系统,包括以下步骤:
S1,不同监测点的图像采集装置采集排水管道检测图像,打包为图像数据集合上传到后台服务器;
S2,基于图像数据集合,后台服务器以管材类型、管道缺陷类型、图像拍摄角度作为分类依据进行排水管道图像信息分类处理;
S3,对分类完成后的图像进行解码、平滑和归一化处理,形成标准化图像,并存入排水管道图像标准样本库。
所述步骤S2中,基于图像数据集合,后台服务器采用图像识别技术,以管材类型、管道缺陷类型、图像拍摄角度作为分类依据进行排水管道图像信息分类处理,具体包括:
S201,将采集的排水管道检测图像按管材不同进行分类;
S202,将按管材分类后的图像按管道缺陷不同进行分别分类;
S203,将按缺陷分类后的图像按图像拍摄角度进行分类。
所述步骤S201中,将采集到的排水管道检测图像分为混凝土管道及塑料管两类图像,混凝土管道主要指材质为砼的刚性管道,塑料管包括PVC管(聚氯乙烯)、PE管(聚乙烯)、HDPE双壁波纹管(高密度聚乙烯)等软性管道。
所述步骤S202中,将按管材分类后的图像分类为正常图像、含管道结构性缺陷图像、含管道功能性缺陷图像及同时含多种缺陷图像;
其中,针对混凝土管道,管道结构性缺陷分类为错口(CK)、腐蚀(FS)、破裂(PL)、渗漏(SL)、脱节(TJ)、异物穿入(CR)、支管暗接(AJ),管道功能性缺陷分类为沉积(CJ)、障碍物(ZW)、残墙坝根(CQ)、浮渣(FZ)、结垢(JG)、树根(SG);
针对塑料管道,管道结构性缺陷分类为变形(BX)、错口(CK)、破裂(PL)、渗漏(SL)、脱节(TJ)、异物穿入(CR)、支管暗接(AJ),管道功能性缺陷分类为沉积(CJ)、障碍物(ZW)、残墙坝根(CQ)、浮渣(FZ)、结垢(JG)。
所述步骤S203中,将按管道缺陷分类后的图像分类为广角视角缺陷图和特写视角缺陷图。
所述广角视角缺陷图指摄像头指向管道末端所拍摄到的管道图像;特写视角缺陷图指图像采集装置拍摄到广角缺陷图后摄像头对缺陷进行特写拍照时所拍摄到的管道缺陷图。
所述步骤S3中,对分类完成后的图像进行解码生成RGB图像,采用3*3高斯滤波进行平滑处理后分别对R、G、B层进行归一化处理形成标准化图像。
采集的管道图像信息进行解码处理生成RGB图像,在某些实施例中可采用3*3的高斯滤波对图像进行平滑处理,能够降低图像噪声对特征提取的影响,其中高斯滤波模版可以如下:
将平滑处理后图像缩放到320*320,对图像的R、G、B层分别进行归一化处理降低图像噪声对特征提取的影响,减少光照对图像的干扰,即按照RGB颜色转换公式:
本发明提供的地下排水管道缺陷图像监测方法中,针对采集到的排水管道检测图像,首先按管材分为混凝土刚性管和塑料软管,不同管材管道所产生的缺陷类型和特点有一定差异,判断两者主要缺陷后对两种图像进一步按缺陷类型详细分类,在此基础上针对于不同图像视角分为广角和特写两类,最后通过图像解码、平滑处理、归一化处理等将分类后的图像形成标准化图像,本方法在分析当前城市排水管道现状及检测技术的基础上,综合考虑管道缺陷类型和图像特征,提出了一种科学化管道图像分类方法,解决目前排水管道缺陷领域数据样本混乱、单一等问题,实际使用直接形成标准化图像数据库,为后续相关研究提供数据支持和样本基础。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种地下排水管道缺陷图像采集分类系统,其特征在于,包括:移动机器人以及与移动机器人通信连接的后台服务器,所述移动机器人上设置有控制器以及与控制器电性连接的照明装置、摄像头、GPS定位模块、无线通信模块,所述控制器通过所述无线通信模块与所述后台服务器通信连接,所述摄像头用于采集排水管道缺陷图像,所述GPS定位模块用于对移动机器人的位置进行定位;所述后台服务器包括分类器模块和图像处理模块,所述分类器模块用于对排水管道缺陷图像进行分类,所述图像处理模块用于对分类后的图像进行归一化处理。
2.根据权利要求1所述的地下排水管道缺陷图像采集分类系统,其特征在于,所述移动机器人上还设置有温度传感器、水质传感器,所述温度传感器、水质传感器分别与所述控制器电性连接,所述温度传感器用于监测排管管道内的温度,所述水质传感器用于监测排水管道内的水质。
3.根据权利要求1所述的地下排水管道缺陷图像采集分类系统,其特征在于,所述移动机器人上还设置有存储器,所述存储器与所述控制器电性连接,用于实时存储所述摄像头采集的排水管道内的图像数据。
4.一种地下排水管道缺陷图像监测方法,其特征在于,应用于权利要求1-3任一所述的地下排水管道缺陷图像采集分类系统,包括以下步骤:
S1,采集排水管道检测图像,打包为图像数据集合上传到后台服务器;
S2,基于图像数据集合,后台服务器以管材类型、管道缺陷类型、图像拍摄角度作为分类依据进行排水管道图像信息分类处理;
S3,对分类完成后的图像进行解码、平滑和归一化处理,形成标准化图像,并存入排水管道图像标准样本库。
5.根据权利要求4所述的地下排水管道缺陷图像监测方法,其特征在于,所述步骤S2中,基于图像数据集合,后台服务器采用图像识别技术,以管材类型、管道缺陷类型、图像拍摄角度作为分类依据进行排水管道图像信息分类处理,具体包括:
S201,将采集的排水管道检测图像按管材不同进行分类;
S202,将按管材分类后的图像按管道缺陷不同进行分别分类;
S203,将按缺陷分类后的图像按图像拍摄角度进行分类。
6.根据权利要求5所述的地下排水管道缺陷图像监测方法,其特征在于,所述步骤S201中,将采集到的排水管道检测图像分为混凝土管道及塑料管两类图像,混凝土管道主要指材质为砼的刚性管道,塑料管包括指PVC管、PE管、HDPE双壁波纹管中的一种或多种。
7.根据权利要求6所述的地下排水管道缺陷图像监测方法,其特征在于,所述步骤S202中,将按管材分类后的图像分类为正常图像、含管道结构性缺陷图像、含管道功能性缺陷图像及同时含多种缺陷图像;
其中,针对混凝土管道,管道结构性缺陷分类为错口、腐蚀、破裂、渗漏、脱节、异物穿入、支管暗接,管道功能性缺陷分类为沉积、障碍物、残墙坝根、浮渣、结垢、树根;
针对塑料管道,管道结构性缺陷分类为变形、错口、破裂、渗漏、脱节、异物穿入、支管暗接,管道功能性缺陷分类为沉积、障碍物、残墙坝根、浮渣、结垢。
8.根据权利要求5所述的地下排水管道缺陷图像监测方法,其特征在于,所述步骤S203中,将按管道缺陷分类后的图像分类为广角视角缺陷图和特写视角缺陷图。
9.根据权利要求8所述的地下排水管道缺陷图像监测方法,其特征在于,所述广角视角缺陷图指摄像头指向管道末端所拍摄到的管道图像;特写视角缺陷图指图像采集装置拍摄到广角缺陷图后摄像头对缺陷进行特写拍照时所拍摄到的管道缺陷图。
10.根据权利要求4所述的地下排水管道缺陷图像监测方法,其特征在于,所述步骤S3中,对分类完成后的图像进行解码生成RGB图像,采用3*3高斯滤波进行平滑处理后分别对R、G、B层进行归一化处理形成标准化图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011520563.5A CN112528922A (zh) | 2020-12-21 | 2020-12-21 | 一种地下排水管道缺陷图像采集分类系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011520563.5A CN112528922A (zh) | 2020-12-21 | 2020-12-21 | 一种地下排水管道缺陷图像采集分类系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528922A true CN112528922A (zh) | 2021-03-19 |
Family
ID=75002137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011520563.5A Pending CN112528922A (zh) | 2020-12-21 | 2020-12-21 | 一种地下排水管道缺陷图像采集分类系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528922A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049600A (zh) * | 2022-05-31 | 2022-09-13 | 哈尔滨工程大学 | 一种小样本管道缺陷智能识别系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190272628A1 (en) * | 2018-03-02 | 2019-09-05 | Utechzone Co., Ltd. | Apparatus and method for enhancing optical feature of workpiece, method for enhancing optical feature of workpiece through deep learning, and non-transitory computer-readable recording medium |
CN110766045A (zh) * | 2019-09-12 | 2020-02-07 | 深圳大学 | 一种地下排水管道病害识别方法、智能终端及存储介质 |
-
2020
- 2020-12-21 CN CN202011520563.5A patent/CN112528922A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190272628A1 (en) * | 2018-03-02 | 2019-09-05 | Utechzone Co., Ltd. | Apparatus and method for enhancing optical feature of workpiece, method for enhancing optical feature of workpiece through deep learning, and non-transitory computer-readable recording medium |
CN110766045A (zh) * | 2019-09-12 | 2020-02-07 | 深圳大学 | 一种地下排水管道病害识别方法、智能终端及存储介质 |
Non-Patent Citations (1)
Title |
---|
李平 等: "自适应图像增强的管道机器人缺陷检测方法", 《光电工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049600A (zh) * | 2022-05-31 | 2022-09-13 | 哈尔滨工程大学 | 一种小样本管道缺陷智能识别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127429B (zh) | 基于自训练深度神经网络的水利系统管螺纹缺陷检测方法 | |
CN109325403B (zh) | 一种基于图像识别的水域污染识别治理方法和系统 | |
WO2021203717A1 (zh) | 基于视频帧的复杂场景路侧停车行为识别方法 | |
US11238282B2 (en) | Systems and methods for automated detection of changes in extent of structures using imagery | |
CN108596165A (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及系统 | |
CN108846402B (zh) | 基于多源数据的梯田田坎自动化提取方法 | |
CN112528922A (zh) | 一种地下排水管道缺陷图像采集分类系统及方法 | |
CN112989901A (zh) | 基于深度学习的液位仪读数的识别方法 | |
CN111383286B (zh) | 定位方法、装置、电子设备及可读存储介质 | |
CN110766045B (zh) | 一种地下排水管道病害识别方法、智能终端及存储介质 | |
CN112669269A (zh) | 一种基于图像识别的管道缺陷分类分级方法及系统 | |
CN110378884B (zh) | 管内可视化检测视频进行偏心校正和展开变换的方法 | |
CN113763363A (zh) | 一种排水管道破裂缺陷检测及等级评定方法 | |
CN117292343A (zh) | 一种巡检机器人管道连接处的识别方法 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN116958841A (zh) | 基于图像识别的配电线路无人机巡检系统 | |
CN114529808B (zh) | 一种管道检测全景拍摄处理系统及方法 | |
CN113780111B (zh) | 一种基于优化YOLOv3算法的管道连接器的缺陷精确识别方法 | |
Chen et al. | Plane segmentation for a building roof combining deep learning and the RANSAC method from a 3D point cloud | |
CN113837166B (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN110956182A (zh) | 一种基于深度学习的检测水域岸线变化的方法 | |
CN106778515B (zh) | 一种法兰轴向漏磁阵列信号自动识别方法 | |
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 | |
CN110991387B (zh) | 一种机器人集群图像识别的分布式处理方法及系统 | |
CN112668447B (zh) | 一种基于深度学习的无人机影像道路自动提取方法和系统 |
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 |
Application publication date: 20210319 |
|
RJ01 | Rejection of invention patent application after publication |