CN112668634A - 基于深度学习的地下管网自动识别检测的云系统 - Google Patents
基于深度学习的地下管网自动识别检测的云系统 Download PDFInfo
- Publication number
- CN112668634A CN112668634A CN202011562508.2A CN202011562508A CN112668634A CN 112668634 A CN112668634 A CN 112668634A CN 202011562508 A CN202011562508 A CN 202011562508A CN 112668634 A CN112668634 A CN 112668634A
- Authority
- CN
- China
- Prior art keywords
- underground pipe
- pipe network
- network
- typical
- module
- 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
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的地下管网自动识别检测的云系统,包括地下管网缺陷收集模块、公共数据集收集模块、地下管网典型缺陷样本库、典型缺陷分析与分类模块、地下网管敷设环境地质状态数据收集模块、深度学习模块、地下管网自动识别检测模块和决策模块;通过建立地下管网典型缺陷样本库,利用地下管网典型缺陷样本库内包含的已知的多个地下管网典型缺陷以及公共数据集收集模块收集的数据,作为模型训练的数据集,训练后得到的地下管网自动识别检测LexNet网络模型具有高的识别检测精度,地下管网的自动识别检测速度快,检测结果质量稳定,且可靠性高。
Description
技术领域
本发明涉及地下管网自动检测技术领域,尤其涉及基于深度学习的地下管网自动识别检测的云系统。
背景技术
地下管网在施工和运营过程中,管道破坏和变形情况时有发生,不均匀沉降和环境因素引起的管道结构性缺陷和功能性缺陷,致使排水管道不能发挥应有的作用。当暴雨来袭,雨水不能及时排除,大城市屡成泽国。大量地下水经渗漏的接口流人管道,泥沙随之流出导致管道周边被掏空,管道基础承载力下降出现脱节和错位更有甚者出现路面空洞,当空洞达到一定程度时路面出现下陷或者突然坍塌。因此,定期对排水管道进行检测显得尤为必要。我国各级政府已经充分地认识到排水管网管理和维护的重要性,近几年全国排水管道检测业务发展迅速。
传统的地下管网检测方式还依靠于人工检测,首先采集地下管网内部的缺陷图形,再利用人工对图像缺陷进行识别及属性录入,检测模式不仅工作量大、作业效率低,而且容易造成人员视觉疲劳出现判定错误。因此,本发明提出基于深度学习的地下管网自动识别检测的云系统,以解决现有技术中的不足之处。
发明内容
针对上述问题,本发明的目的在于提供基于深度学习的地下管网自动识别检测的云系,通过建立地下管网典型缺陷样本库,利用地下管网典型缺陷样本库内包含的已知的多个地下管网典型缺陷以及公共数据集收集模块收集的数据,作为模型训练的数据集,训练后得到的地下管网自动识别检测LexNet网络模型具有高的识别检测精度,地下管网的自动识别检测速度快,检测结果质量稳定,且可靠性高。
为了实现本发明的目的,本发明通过以下技术方案实现:
基于深度学习的地下管网自动识别检测的云系统,其特征在于:包括地下管网缺陷收集模块、公共数据集收集模块、地下管网典型缺陷样本库、典型缺陷分析与分类模块、地下网管敷设环境地质状态数据收集模块、深度学习模块、地下管网自动识别检测模块和决策模块;
所述地下管网缺陷收集模块用于收集来自全国主要城市开展城镇排水管道检测业务所积累的管道缺陷图像,然后对地下管网缺陷进行名称确定,得到一系列的典型缺陷;
所述公共数据集收集模块用于从网络上下载公认的且质量高的数据集、用于收集网络上优质的地下管网缺陷图片,以及用于从实际地下管网检测工程项目中收集地下管网缺陷图片,并将从网络上下载公认的且质量高的数据集、从网络上收集的优质的地下管网缺陷图片补充到地下管网典型缺陷样本库中以及从实际地下管网检测工程项目中收集的地下管网缺陷图片补充到地下管网典型缺陷样本库内;
所述地下管网典型缺陷样本库用于对一系列的典型缺陷和公共数据集收集模块传输的数据进行预处理操作,然后将经过预处理操作的所有数据进行典型度排序,建立出一个具有十个典型缺陷分类的地下管网典型缺陷样本库;
所述典型缺陷分析与分类模块用于将地下管网典型缺陷样本库内的典型缺陷结合实际地下管网,并利用LexNet网络模型对典型缺陷进行综合分析,最后将典型缺陷按照危害程度进行排序,并按照危害程度将是个典型曲分类成一级危害类别、二级危害类别和三级危害类别;
所述地下网管敷设环境地质状态数据收集模块用于获取地下网管敷设地图,并对地下网管敷设环境中的历史地质状态数据进行收集,然后对收集的地下网管敷设环境中的历史地质状态数据进行分析,预测出未来该地下网管敷设环境地质状态的变化数据;
所述深度学习模块用于将地下管网典型缺陷样本库内的数据作为复合数据集,然后将复合数据集输入到LexNet网络模型中,对LexNet网络模型进行训练,得到地下管网自动识别检测LexNet网络模型;
所述地下管网自动识别检测策模块用于根据地下管网自动识别检测LexNet网络模型对地下管网缺陷进行自动识别检测,检测出地下管网缺陷类型;
所述决策模块用于根据地下管网自动识别检测策模块检测出的地下管网缺陷类型进行风险评估,并根据风险评估比对出地下管网缺陷的所属危害类别,最后根据危害类别共同生成决策内容。
进一步改进在于:所述一级危害类别包括危害程度排序1-2名的典型缺陷,所述二级危害类别包括危害程度排序3-5名的典型缺陷,所述三级危害类别包括危害程度排序6-10名的典型缺陷。
进一步改进在于:所述一级危害类别的优先级高于二级危害类别,所述二级危害类别的优先级高于三级危害类别。
进一步改进在于:所述预处理操作包括对典型缺陷和公共数据集收集模块传输的数据进行数据清洗、去除噪声数据、归一化处理。
进一步改进在于:所述预处理操作还包括对典型缺陷和公共数据集收集模块传输的数据进行数据平衡和数据增广处理。
进一步改进在于:所述典型缺陷分析与分类模块利用LexNet网络模型对典型缺陷进行综合分析时,需要结合实际地下管网对LexNet网络模型的局部结构进行修改,得到一个新的能够适应实际地下管网的新LexNet网络模型。
进一步改进在于:所述地下管网典型缺陷样本库内包括有补充库,所述补充库用于储存公共数据集收集模块从网络上下载公认的且质量高的数据集、从网络上收集的优质的地下管网缺陷图片补充到地下管网典型缺陷样本库中以及从实际地下管网检测工程项目中收集的地下管网缺陷图片。
进一步改进在于:所述决策模块根据危害类别共同生成决策内容的时候,需要将地下网管敷设环境地质状态数据收集模块预测出的未来该地下网管敷设环境地质状态的变化数据作为关键决策指标,与危害类别指标共同生成决策内容。
本发明的有益效果为:本发明通过建立地下管网典型缺陷样本库,利用地下管网典型缺陷样本库内包含的已知的多个地下管网典型缺陷以及公共数据集收集模块收集的数据,作为模型训练的数据集,并通过对数据集进行数据清洗、去除噪声数据、归一化处理、数据平衡和数据增广处理的一系列预处理操作,可以提高数据集的质量,用包括模型训练后得到的地下管网自动识别检测LexNet网络模型具有高的识别检测精度,地下管网的自动识别检测速度快,检测结果质量稳定,且可靠性高。
附图说明
图1为本发明系统框架结构示意图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1所示,本实施例提出基于深度学习的地下管网自动识别检测的云系统,基于深度学习的地下管网自动识别检测的云系统,其特征在于:包括地下管网缺陷收集模块、公共数据集收集模块、地下管网典型缺陷样本库、典型缺陷分析与分类模块、地下网管敷设环境地质状态数据收集模块、深度学习模块、地下管网自动识别检测模块和决策模块;
所述地下管网缺陷收集模块用于收集来自全国主要城市开展城镇排水管道检测业务所积累的管道缺陷图像,然后对地下管网缺陷进行名称确定,得到一系列的典型缺陷;
所述公共数据集收集模块用于从网络上下载公认的且质量高的数据集、用于收集网络上优质的地下管网缺陷图片,以及用于从实际地下管网检测工程项目中收集地下管网缺陷图片,并将从网络上下载公认的且质量高的数据集、从网络上收集的优质的地下管网缺陷图片补充到地下管网典型缺陷样本库中以及从实际地下管网检测工程项目中收集的地下管网缺陷图片补充到地下管网典型缺陷样本库内;
所述地下管网典型缺陷样本库用于对一系列的典型缺陷和公共数据集收集模块传输的数据进行预处理操作,然后将经过预处理操作的所有数据进行典型度排序,建立出一个具有十个典型缺陷分类的地下管网典型缺陷样本库;
所述典型缺陷分析与分类模块用于将地下管网典型缺陷样本库内的典型缺陷结合实际地下管网,并利用LexNet网络模型对典型缺陷进行综合分析,最后将典型缺陷按照危害程度进行排序,并按照危害程度将是个典型曲分类成一级危害类别、二级危害类别和三级危害类别;
所述地下网管敷设环境地质状态数据收集模块用于获取地下网管敷设地图,并对地下网管敷设环境中的历史地质状态数据进行收集,然后对收集的地下网管敷设环境中的历史地质状态数据进行分析,预测出未来该地下网管敷设环境地质状态的变化数据;
所述深度学习模块用于将地下管网典型缺陷样本库内的数据作为复合数据集,然后将复合数据集输入到LexNet网络模型中,对LexNet网络模型进行训练,得到地下管网自动识别检测LexNet网络模型;
所述地下管网自动识别检测策模块用于根据地下管网自动识别检测LexNet网络模型对地下管网缺陷进行自动识别检测,检测出地下管网缺陷类型;
所述决策模块用于根据地下管网自动识别检测策模块检测出的地下管网缺陷类型进行风险评估,并根据风险评估比对出地下管网缺陷的所属危害类别,最后根据危害类别共同生成决策内容。
所述一级危害类别包括危害程度排序1-2名的典型缺陷,所述二级危害类别包括危害程度排序3-5名的典型缺陷,所述三级危害类别包括危害程度排序6-10名的典型缺陷。
所述一级危害类别的优先级高于二级危害类别,所述二级危害类别的优先级高于三级危害类别。
所述预处理操作包括对典型缺陷和公共数据集收集模块传输的数据进行数据清洗、去除噪声数据、归一化处理。
所述预处理操作还包括对典型缺陷和公共数据集收集模块传输的数据进行数据平衡和数据增广处理。
所述典型缺陷分析与分类模块利用LexNet网络模型对典型缺陷进行综合分析时,需要结合实际地下管网对LexNet网络模型的局部结构进行修改,得到一个新的能够适应实际地下管网的新LexNet网络模型。
所述地下管网典型缺陷样本库内包括有补充库,所述补充库用于储存公共数据集收集模块从网络上下载公认的且质量高的数据集、从网络上收集的优质的地下管网缺陷图片补充到地下管网典型缺陷样本库中以及从实际地下管网检测工程项目中收集的地下管网缺陷图片。
所述决策模块根据危害类别共同生成决策内容的时候,需要将地下网管敷设环境地质状态数据收集模块预测出的未来该地下网管敷设环境地质状态的变化数据作为关键决策指标,与危害类别指标共同生成决策内容。
本发明通过建立地下管网典型缺陷样本库,利用地下管网典型缺陷样本库内包含的已知的多个地下管网典型缺陷以及公共数据集收集模块收集的数据,作为模型训练的数据集,并通过对数据集进行数据清洗、去除噪声数据、归一化处理、数据平衡和数据增广处理的一系列预处理操作,可以提高数据集的质量,用包括模型训练后得到的地下管网自动识别检测LexNet网络模型具有高的识别检测精度,地下管网的自动识别检测速度快,检测结果质量稳定,且可靠性高。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.基于深度学习的地下管网自动识别检测的云系统,其特征在于:包括地下管网缺陷收集模块、公共数据集收集模块、地下管网典型缺陷样本库、典型缺陷分析与分类模块、地下网管敷设环境地质状态数据收集模块、深度学习模块、地下管网自动识别检测模块和决策模块;
所述地下管网缺陷收集模块用于收集来自全国主要城市开展城镇排水管道检测业务所积累的管道缺陷图像,然后对地下管网缺陷进行名称确定,得到一系列的典型缺陷;
所述公共数据集收集模块用于从网络上下载公认的且质量高的数据集、用于收集网络上优质的地下管网缺陷图片,以及用于从实际地下管网检测工程项目中收集地下管网缺陷图片,并将从网络上下载公认的且质量高的数据集、从网络上收集的优质的地下管网缺陷图片补充到地下管网典型缺陷样本库中以及从实际地下管网检测工程项目中收集的地下管网缺陷图片补充到地下管网典型缺陷样本库内;
所述地下管网典型缺陷样本库用于对一系列的典型缺陷和公共数据集收集模块传输的数据进行预处理操作,然后将经过预处理操作的所有数据进行典型度排序,建立出一个具有十个典型缺陷分类的地下管网典型缺陷样本库;
所述典型缺陷分析与分类模块用于将地下管网典型缺陷样本库内的典型缺陷结合实际地下管网,并利用LexNet网络模型对典型缺陷进行综合分析,最后将典型缺陷按照危害程度进行排序,并按照危害程度将是个典型曲分类成一级危害类别、二级危害类别和三级危害类别;
所述地下网管敷设环境地质状态数据收集模块用于获取地下网管敷设地图,并对地下网管敷设环境中的历史地质状态数据进行收集,然后对收集的地下网管敷设环境中的历史地质状态数据进行分析,预测出未来该地下网管敷设环境地质状态的变化数据;
所述深度学习模块用于将地下管网典型缺陷样本库内的数据作为复合数据集,然后将复合数据集输入到LexNet网络模型中,对LexNet网络模型进行训练,得到地下管网自动识别检测LexNet网络模型;
所述地下管网自动识别检测策模块用于根据地下管网自动识别检测LexNet网络模型对地下管网缺陷进行自动识别检测,检测出地下管网缺陷类型;
所述决策模块用于根据地下管网自动识别检测策模块检测出的地下管网缺陷类型进行风险评估,并根据风险评估比对出地下管网缺陷的所属危害类别,最后根据危害类别共同生成决策内容。
2.根据权利要求1所述的基于深度学习的地下管网自动识别检测的云系统,其特征在于:所述一级危害类别包括危害程度排序1-2名的典型缺陷,所述二级危害类别包括危害程度排序3-5名的典型缺陷,所述三级危害类别包括危害程度排序6-10名的典型缺陷。
3.根据权利要求2所述的基于深度学习的地下管网自动识别检测的云系统,其特征在于:所述一级危害类别的优先级高于二级危害类别,所述二级危害类别的优先级高于三级危害类别。
4.根据权利要求1所述的基于深度学习的地下管网自动识别检测的云系统,其特征在于:所述预处理操作包括对典型缺陷和公共数据集收集模块传输的数据进行数据清洗、去除噪声数据、归一化处理。
5.根据权利要求4所述的基于深度学习的地下管网自动识别检测的云系统,其特征在于:所述预处理操作还包括对典型缺陷和公共数据集收集模块传输的数据进行数据平衡和数据增广处理。
6.根据权利要求1所述的基于深度学习的地下管网自动识别检测的云系统,其特征在于:所述典型缺陷分析与分类模块利用LexNet网络模型对典型缺陷进行综合分析时,需要结合实际地下管网对LexNet网络模型的局部结构进行修改,得到一个新的能够适应实际地下管网的新LexNet网络模型。
7.根据权利要求1所述的基于深度学习的地下管网自动识别检测的云系统,其特征在于:所述地下管网典型缺陷样本库内包括有补充库,所述补充库用于储存公共数据集收集模块从网络上下载公认的且质量高的数据集、从网络上收集的优质的地下管网缺陷图片补充到地下管网典型缺陷样本库中以及从实际地下管网检测工程项目中收集的地下管网缺陷图片。
8.根据权利要求1所述的基于深度学习的地下管网自动识别检测的云系统,其特征在于:所述决策模块根据危害类别共同生成决策内容的时候,需要将地下网管敷设环境地质状态数据收集模块预测出的未来该地下网管敷设环境地质状态的变化数据作为关键决策指标,与危害类别指标共同生成决策内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562508.2A CN112668634B (zh) | 2020-12-25 | 2020-12-25 | 基于深度学习的地下管网自动识别检测的云系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562508.2A CN112668634B (zh) | 2020-12-25 | 2020-12-25 | 基于深度学习的地下管网自动识别检测的云系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668634A true CN112668634A (zh) | 2021-04-16 |
CN112668634B CN112668634B (zh) | 2022-08-09 |
Family
ID=75409181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011562508.2A Active CN112668634B (zh) | 2020-12-25 | 2020-12-25 | 基于深度学习的地下管网自动识别检测的云系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668634B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326812A (zh) * | 2021-07-01 | 2021-08-31 | 安徽金晥泵业科技股份有限公司 | 一种基于互联网的区域分片调蓄处理排水系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305243A (zh) * | 2017-12-08 | 2018-07-20 | 五邑大学 | 一种基于深度学习的磁瓦表面缺陷检测方法 |
CN108536934A (zh) * | 2018-03-26 | 2018-09-14 | 国网浙江省电力有限公司温州供电公司 | 带有地质判断的地下电力管线规划方法 |
CN109196386A (zh) * | 2016-05-31 | 2019-01-11 | 气象预报公司 | 用于预测天气预报状况、环境预报状况和/或地质预报状况的影响的方法和系统 |
CN109387875A (zh) * | 2018-10-25 | 2019-02-26 | 河南理工大学 | 一种滑坡水文地质监测地球物理方法及装置 |
CN110599459A (zh) * | 2019-08-14 | 2019-12-20 | 深圳市勘察研究院有限公司 | 基于深度学习的地下管网风险评估云系统 |
-
2020
- 2020-12-25 CN CN202011562508.2A patent/CN112668634B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109196386A (zh) * | 2016-05-31 | 2019-01-11 | 气象预报公司 | 用于预测天气预报状况、环境预报状况和/或地质预报状况的影响的方法和系统 |
CN108305243A (zh) * | 2017-12-08 | 2018-07-20 | 五邑大学 | 一种基于深度学习的磁瓦表面缺陷检测方法 |
CN108536934A (zh) * | 2018-03-26 | 2018-09-14 | 国网浙江省电力有限公司温州供电公司 | 带有地质判断的地下电力管线规划方法 |
CN109387875A (zh) * | 2018-10-25 | 2019-02-26 | 河南理工大学 | 一种滑坡水文地质监测地球物理方法及装置 |
CN110599459A (zh) * | 2019-08-14 | 2019-12-20 | 深圳市勘察研究院有限公司 | 基于深度学习的地下管网风险评估云系统 |
Non-Patent Citations (1)
Title |
---|
户莹: "基于深度学习的地下排水管道缺陷智能检测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326812A (zh) * | 2021-07-01 | 2021-08-31 | 安徽金晥泵业科技股份有限公司 | 一种基于互联网的区域分片调蓄处理排水系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112668634B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hoang | Detection of surface crack in building structures using image processing technique with an improved Otsu method for image thresholding | |
KR102008973B1 (ko) | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 | |
CN105160038B (zh) | 一种基于审计知识库的数据分析方法及系统 | |
Wang et al. | Towards an automated condition assessment framework of underground sewer pipes based on closed-circuit television (CCTV) images | |
CN110415233A (zh) | 基于两步卷积神经网络的路面裂缝快速提取方法 | |
CN108986448B (zh) | 一种交通设施管理方法及终端设备 | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN115327065B (zh) | 一种水利水电工程样本检测方法及系统 | |
CN110929359A (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
CN115330268B (zh) | 一种应对矿山灾难的综合性应急指挥方法及系统 | |
CN110555477A (zh) | 一种市政设施故障预测方法及装置 | |
CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN110080549A (zh) | 一种建筑文化遗产中的木构架古建筑的保护决策方法 | |
CN111127465A (zh) | 一种桥梁检测报告自动生成方法及系统 | |
CN112668634B (zh) | 基于深度学习的地下管网自动识别检测的云系统 | |
CN113780719A (zh) | 一种矿山地质环境综合评价方法 | |
CN106855865B (zh) | 水利水电大数据架构建设方法 | |
CN110636134A (zh) | 一种城市道路损伤监测维护方法及系统 | |
CN112580951B (zh) | 基于乘客出行的城市地面公交运行监测关键指标筛选方法 | |
Bush et al. | Deep Neural Networks for visual bridge inspections and defect visualisation in Civil Engineering | |
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 | |
CN116361479A (zh) | 一种基于知识图谱的水质溯源分析方法及终端 | |
KR20190087784A (ko) | Bim을 이용한 lid시설물의 물량 자동 검토시스템 및 이를 이용한 자동검토방법 | |
Kembhavi et al. | Low-cost image processing system for evaluating pavement surface distress | |
Feng et al. | Social media as a rainfall indicator |
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 |