CN112669269A - 一种基于图像识别的管道缺陷分类分级方法及系统 - Google Patents
一种基于图像识别的管道缺陷分类分级方法及系统 Download PDFInfo
- Publication number
- CN112669269A CN112669269A CN202011520640.7A CN202011520640A CN112669269A CN 112669269 A CN112669269 A CN 112669269A CN 202011520640 A CN202011520640 A CN 202011520640A CN 112669269 A CN112669269 A CN 112669269A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- pipeline
- classification
- image recognition
- 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 168
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 239000011150 reinforced concrete Substances 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的管道缺陷分类分级方法及系统，该方法包括以下步骤：将采集的管道视频或图片信息解码处理；将解码的图像信息归一化处理成标准格式的图像信息；将归一化处理后的图像信息形成图像集，建立图像识别模型并且基于图像识别模型进行缺陷特征提取；利用分类器对提取的缺陷特征进行缺陷分类，确定缺陷位置并且关联缺陷等级。本发明提供的基于图像识别的管道缺陷分类分级方法及系统，能够根据采集的管道图像自动进行缺陷分类和分级，具有自动化水平高、检测速度快、检测结果准确度高的特点，有效节省人工成本，避免了传统人工检测存在的问题。
Description
技术领域
本发明涉及市政管道缺陷识别技术领域，具体涉及一种基于图像识别的管道缺陷分类分级方法及系统。
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，标记缺陷类别并进行缺陷分级，这种方法检测速度慢，成本极高，判断主观性强，缺陷分类分级受工作经验影响较大，工作量大，容易出现遗漏，且反馈速度慢，效率极其低下。因此，亟需加强管道缺陷分类分级的自动化方法研究。
发明内容
本发明的目的是提供一种基于图像识别的管道缺陷分类分级方法及系统，能够根据采集的管道图像自动进行缺陷分类和分级，具有自动化水平高、检测速度快、检测结果准确度高的特点，避免了传统人工检测存在的问题。
为实现上述目的，本发明提供了如下方案：
一种基于图像识别的管道缺陷分类分级方法，该方法包括以下步骤：
步骤a，将采集的管道视频或图片信息解码处理；
步骤b，将解码的图像信息归一化处理成标准格式的图像信息；
步骤c，将归一化处理后的图像信息形成图像集，建立图像识别模型并且基于图像识别模型进行缺陷特征提取；
步骤d，利用分类器对提取的缺陷特征进行缺陷分类，确定缺陷位置并且关联缺陷等级。
进一步的，所述步骤a中，将采集的管道视频或图片信息解码处理，具体包括：
将管道视频或图片信息分帧转化成RGB图像信息，利用高斯滤波对RGB图像信息进行平滑处理。
进一步的，所述步骤c中，将归一化处理后的图像信息形成图像集，建立图像识别模型并且基于图像识别模型进行缺陷特征提取，具体包括：
所述图像集包括管道图像全集S以及根据缺陷种类和缺陷等级进行划分的若干个图像标签集P，所述图像标签集P还包含管道缺陷的位置信息，所述图像识别模型采用卷积神经网络模型；
将图像集划分为训练集和测试集，然后分批送入卷积神经网络模型进行训练，基于卷积神经网络模型对管道图像全集S中的图像信息进行缺陷特征提取。
进一步的，所述步骤d中，利用分类器对提取的缺陷特征进行缺陷分类，确定缺陷位置并且关联缺陷等级，具体包括：
卷积神经网络模型中的分类器根据提取的缺陷特征与若干个图像标签集P的相似度进行匹配，实现缺陷分类，确定缺陷等级；
并根据图像标签集P，确定缺陷位置。
进一步的，所述方法还包括：
步骤e，对图像信息进行多帧关联，在图像信息坐标上结合速度参数以分析动态特征缺陷。
进一步的，所述方法还包括：
步骤f，基于步骤d和步骤e获得的缺陷特征和动态特征缺陷，形成缺陷数据库，并输出管道检测报告。
本发明还提供了一种基于图像识别的管道缺陷分类分级系统，应用于上述的基于图像识别的管道缺陷分类分级方法，包括：
图像解码处理单元，用于将采集的管道视频或图片信息解码处理；
图像归一化处理单元，用于将解码的图像信息归一化处理成标准格式的图像信息；
缺陷特征提取单元，用于将归一化处理后的图像信息形成图像集，建立图像识别模型并且基于图像识别模型进行缺陷特征提取；
缺陷分类分级单元，用于利用分类器对提取的缺陷特征进行缺陷分类，确定缺陷位置并且关联缺陷等级。
进一步的，所述系统还包括：
态特征缺陷分析单元，用于对图像信息进行多帧关联，在图像信息坐标上结合速度参数以分析动态特征缺陷。
进一步的，所述系统还包括：
缺陷结果处理单元，用于基于获得的缺陷特征和动态特征缺陷，形成缺陷数据库，并输出管道检测报告。
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：本发明提供的基于图像识别的管道缺陷分类分级方法及系统，通过采用图像识别技术实现管道图像的自动化检测识别，对采集到的管道视频或图片信息进行解码处理，得到统一规格的图像信息，再归一化成标准格式，滤除干扰，通过卷积神经网络模型对图像信息上的缺陷特征进行提取，并经过分类判断出缺陷的种类以及等级，在输出上同时标记缺陷在图像中的位置和等级，并能同时识别多种管道缺陷，本设计对采集的管道视频或图片信息自动处理，并且自动分类分级，无需人为检测即可得到该管道的质量问题，准确度高，检测效率高、速度快，实际使用标准化程度高，同时大大节省人力成本；本发明还公开了一种系统，应用于基于图像识别的管道缺陷分类分级方法，对采集的管道视频或图片信息自动处理，判断管道的质量问题，并且进行记录分级提高检测效率和准确度。
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为本发明基于图像识别的管道缺陷分类分级方法的流程图；
图2是本发明基于图像识别的管道缺陷分类分级方法的卷积运算的原理流程图；
图3是本发明实施例基于图像识别的管道缺陷分类分级方法同时识别管道缺陷效果图。
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基于图像识别的管道缺陷分类分级方法及系统，能够根据采集的管道图像自动进行缺陷分类和分级，具有自动化水平高、检测速度快、检测结果准确度高的特点。
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，本发明提供的基于图像识别的管道缺陷分类分级方法，包括以下步骤：
步骤a，将采集的管道视频或图片信息解码处理；
步骤b，将解码的图像信息归一化处理成标准格式的图像信息；
步骤c，将归一化处理后的图像信息形成图像集，建立图像识别模型并且基于图像识别模型进行缺陷特征提取；
步骤d，利用分类器对提取的缺陷特征进行缺陷分类，确定缺陷位置并且关联缺陷等级。
其中，所述步骤a中，将采集的管道视频或图片信息解码处理，具体包括：将管道视频或图片信息分帧转化成RGB图像信息，利用高斯滤波对RGB图像信息进行平滑处理。
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：
所述步骤b中，可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：
在某些实施例中，管道缺陷分级可以有4级，分别为轻微缺陷、中等缺陷、严重缺陷、重大缺陷，当出现不同的管道缺陷，则可以重新划分等级并定义分级依据，将管道缺陷种类和缺陷等级进行关联。
所述步骤c中，将归一化处理后的图像信息形成图像集，建立图像识别模型并且基于图像识别模型进行缺陷特征提取，具体包括：
所述图像集包括管道图像全集S以及根据缺陷种类和缺陷等级进行划分的若干个图像标签集P，所述图像标签集P还包含管道缺陷的位置信息，所述图像识别模型采用卷积神经网络模型；
将图像集划分为训练集和测试集，然后分批送入卷积神经网络模型进行训练，基于卷积神经网络模型对管道图像全集S中的图像信息进行缺陷特征提取。
其中，为了防止卷积神经网络模型过拟合，在步骤c中，将采集的管道的图像信息进行水平移动和/或翻转后送入卷积神经网络模型进行训练；在步骤c中，将非管道的并且与采集的管道图像信息经过步骤a处理后相类似的图像信息送入卷积神经网络模型进行训练，由于本设计是针对管道图像信息进行处理，经过解码，例如转化成RGB图像，而此处的非管道的并且与采集的管道图像信息经过步骤a处理后相类似的图像信息的意思是，在未经处理时显示的图像并不是管道图像，但是经过步骤a的解码处理后，例如得到的是RBG图像，它的RBG图像像素参数与管道图像解码的RBG图像较为相似，此非管道图像可以是人为加入的，目的在于防止卷积神经网络模型过拟合。
对于在不同管材的管道上采集的图像信息分别形成不同的图像集，以对应建立不同的图像识别模型。一般来说，排水管道的管材有塑料、钢筋混凝土等等，此处分别以不同管材上采集的图像信息建立不同的图像识别模型，能够对不同管材上的缺陷特征进行限定，同时提高判断的精准度。
在步骤c的缺陷特征提取过程中，每个卷积层，选择卷积核大小为3*3，步伐为1，对图像进行卷积处理，最终得到管道图像的特征分布，而卷积运算的原理流程如图2所示，对解码的图像信息上的像素参数卷积运算。
所述步骤d中，利用分类器对提取的缺陷特征进行缺陷分类，确定缺陷位置并且关联缺陷等级，具体包括：
卷积神经网络模型中的分类器根据提取的缺陷特征与若干个图像标签集P的相似度进行匹配，实现缺陷分类，确定缺陷等级；
并根据图像标签集P，确定缺陷位置。
即在管道图像全集S的图像中，有与之对应的图像标签集P，例如(P(1)，P(2)，…P(n))，其中包括了管道缺陷的种类和位置信息。针对提取的缺陷特征，计算与图像标签集P相似的概率，从而进行缺陷分类。
所述方法还包括：
步骤e，对图像信息进行多帧关联，在图像信息坐标上结合速度参数以分析动态特征缺陷。例如，由于外在物体及或者摄像头的运动引起的图像对象在两个连续帧之间存在视在运动，而图像信息在2D矢量场中，每个矢量是一个位移矢量，在坐标上显示点从第一帧到第二帧的移动。
考虑I(x,y，t)的第一帧中的像素，(dx,dy)在dt时间之后的下一帧中按距离移动，所以，由于这些像素相同，强度不变，即可以用以下公式表示：
I(x，y，t)＝I(x+dx，y+dy，t+dt)；
经过泰勒展开：
设u,v分别为沿X轴与Y轴的速度矢量，
利用Lucas-Kanade跟踪算法进行换算：
该方法在物体移动位移较大时，可能会失效，因此，需要应用于高帧率的情况，使得两帧的图像上，物体移动速度相对较小的条件下更有利于动态故障的诊断。
所述方法还包括步骤f，基于步骤d和步骤e获得的缺陷特征和动态特征缺陷，形成缺陷数据库，并输出管道检测报告。即训练完成后可应用于管道检测中，对抓取到的管道缺陷进行标记并形成缺陷数据库，管道检测完成时输出缺陷位置、类型和等级并自动形成管道检测报告。
其中，需要进行缺陷检测的管道的管材有塑料、钢筋混凝土等等，一般的管道问题为“变形”、“残墙”、“沉积”、“错口”、“浮渣”、“腐蚀”、“接口材料脱落”、“结垢”、“破裂”、“起伏”、“渗漏”、“树根”、“脱节”、“异物穿入”、“障碍物”、“支管暗接”等等，通过上述方法可以对这些缺陷进行分类。其中“脱节”缺陷如图3所示。
本发明提供的基于图像识别的管道缺陷分类分级方法，将图像识别技术结合到管道图像检测，将采集的管道视频或图片信息解码成统一规格的图像信息，再归一化成标准格式，滤除干扰，对图像信息上的缺陷特征进行提取，并经过分类判断出缺陷的种类以及等级，本设计对采集的管道视频或图片信息自动处理，并且自动分级，无需人为检测即可得到该管道的质量问题，准确度高，检测效率高，实际使用标准化程度高，同时大大节省人力成本。本方法基于大数据和深度学习框架，针对管道图像的特殊性，对卷积神经网络模型进行了裁剪和参数优化，结合GPU技术，极大的提高了管道缺陷的特征提取效率，较以往的BP神经网络、Boosting和SVM等检测分类方法，本方法在精确度上有极大的提高，能够检测多种管道缺陷。
本发明还提供了一种基于图像识别的管道缺陷分类分级系统，应用于上述的基于图像识别的管道缺陷分类分级方法，包括：
图像解码处理单元，用于将采集的管道视频或图片信息解码处理；
图像归一化处理单元，用于将解码的图像信息归一化处理成标准格式的图像信息；
缺陷特征提取单元，用于将归一化处理后的图像信息形成图像集，建立图像识别模型并且基于图像识别模型进行缺陷特征提取；
缺陷分类分级单元，用于利用分类器对提取的缺陷特征进行缺陷分类，确定缺陷位置并且关联缺陷等级。
所述系统还包括：
态特征缺陷分析单元，用于对图像信息进行多帧关联，在图像信息坐标上结合速度参数以分析动态特征缺陷。
缺陷结果处理单元，用于基于获得的缺陷特征和动态特征缺陷，形成缺陷数据库，并输出管道检测报告。
所述系统可以应用若干个固定在管道中的摄像头构成的监控系统，也可以是在管道中移动采集图像、视频信息的行走机器人进行管道图像的采集，并且机器人上可设置有定位部件，还可以是监控系统与行走机器人的结合。
本发明提供的基于图像识别的管道缺陷分类分级系统，应用于基于图像识别的管道缺陷分类分级方法，对采集的管道视频或图片信息自动处理，判断管道的质量问题，并且进行记录分级提高检测效率和准确度。
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 (9)
1.一种基于图像识别的管道缺陷分类分级方法，其特征在于，包括以下步骤：
步骤a，将采集的管道视频或图片信息解码处理；
步骤b，将解码的图像信息归一化处理成标准格式的图像信息；
步骤c，将归一化处理后的图像信息形成图像集，建立图像识别模型并且基于图像识别模型进行缺陷特征提取；
步骤d，利用分类器对提取的缺陷特征进行缺陷分类，确定缺陷位置并且关联缺陷等级。
2.根据权利要求1所述的基于图像识别的管道缺陷分类分级方法，其特征在于，所述步骤a中，将采集的管道视频或图片信息解码处理，具体包括：将管道视频或图片信息分帧转化成RGB图像信息，利用高斯滤波对RGB图像信息进行平滑处理。
3.根据权利要求1所述的基于图像识别的管道缺陷分类分级方法，其特征在于，所述步骤c中，将归一化处理后的图像信息形成图像集，建立图像识别模型并且基于图像识别模型进行缺陷特征提取，具体包括：
所述图像集包括管道图像全集S以及根据缺陷种类和缺陷等级进行划分的若干个图像标签集P，所述图像标签集P还包含管道缺陷的位置信息，所述图像识别模型采用卷积神经网络模型；
将图像集划分为训练集和测试集，然后分批送入卷积神经网络模型进行训练，基于卷积神经网络模型对管道图像全集S中的图像信息进行缺陷特征提取。
4.根据权利要求3所述的基于图像识别的管道缺陷分类分级方法，其特征在于，所述步骤d中，利用分类器对提取的缺陷特征进行缺陷分类，确定缺陷位置并且关联缺陷等级，具体包括：
卷积神经网络模型中的分类器根据提取的缺陷特征与若干个图像标签集P的相似度进行匹配，实现缺陷分类，确定缺陷等级；
并根据图像标签集P，确定缺陷位置。
5.根据权利要求1所述的基于图像识别的管道缺陷分类分级方法，其特征在于，所述方法还包括：
步骤e，对图像信息进行多帧关联，在图像信息坐标上结合速度参数以分析动态特征缺陷。
6.根据权利要求5所述的基于图像识别的管道缺陷分类分级方法，其特征在于，所述方法还包括：
步骤f，基于步骤d和步骤e获得的缺陷特征和动态特征缺陷，形成缺陷数据库，并输出管道检测报告。
7.一种基于图像识别的管道缺陷分类分级系统，其特征在于，应用于权利要求1-6任一所述的基于图像识别的管道缺陷分类分级方法，包括：
图像解码处理单元，用于将采集的管道视频或图片信息解码处理；
图像归一化处理单元，用于将解码的图像信息归一化处理成标准格式的图像信息；
缺陷特征提取单元，用于将归一化处理后的图像信息形成图像集，建立图像识别模型并且基于图像识别模型进行缺陷特征提取；
缺陷分类分级单元，用于利用分类器对提取的缺陷特征进行缺陷分类，确定缺陷位置并且关联缺陷等级。
8.根据权利要求7所述的基于图像识别的管道缺陷分类分级系统，其特征在于，所述系统还包括：
态特征缺陷分析单元，用于对图像信息进行多帧关联，在图像信息坐标上结合速度参数以分析动态特征缺陷。
9.根据权利要求8所述的基于图像识别的管道缺陷分类分级系统，其特征在于，所述系统还包括：
缺陷结果处理单元，用于基于获得的缺陷特征和动态特征缺陷，形成缺陷数据库，并输出管道检测报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011520640.7A CN112669269A (zh) | 2020-12-21 | 2020-12-21 | 一种基于图像识别的管道缺陷分类分级方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011520640.7A CN112669269A (zh) | 2020-12-21 | 2020-12-21 | 一种基于图像识别的管道缺陷分类分级方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112669269A true CN112669269A (zh) | 2021-04-16 |
Family
ID=75407022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011520640.7A Pending CN112669269A (zh) | 2020-12-21 | 2020-12-21 | 一种基于图像识别的管道缺陷分类分级方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669269A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160210A (zh) * | 2021-05-10 | 2021-07-23 | 深圳市水务工程检测有限公司 | 基于深度相机的排水管道缺陷检测方法及装置 |
| CN114550038A (zh) * | 2022-02-18 | 2022-05-27 | 安徽辉采科技有限公司 | 视频智能识别供水管道爆管的方法 |
| CN117291921A (zh) * | 2023-11-27 | 2023-12-26 | 哪吒港航智慧科技(上海)有限公司 | 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质 |
| CN117969554A (zh) * | 2024-01-25 | 2024-05-03 | 陕西科技大学 | 一种管道缺陷检测机器人及检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767422A (zh) * | 2018-12-08 | 2019-05-17 | 深圳市勘察研究院有限公司 | 基于深度学习的管道检测识别方法、存储介质及机器人 |
| KR102008973B1 (ko) * | 2019-01-25 | 2019-08-08 | (주)나스텍이앤씨 | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 |
| 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 |
| CN111814873A (zh) * | 2020-07-07 | 2020-10-23 | 广州市运通水务有限公司 | 用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法 |
| CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
-
2020
- 2020-12-21 CN CN202011520640.7A patent/CN112669269A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767422A (zh) * | 2018-12-08 | 2019-05-17 | 深圳市勘察研究院有限公司 | 基于深度学习的管道检测识别方法、存储介质及机器人 |
| KR102008973B1 (ko) * | 2019-01-25 | 2019-08-08 | (주)나스텍이앤씨 | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 |
| 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 |
| CN111814873A (zh) * | 2020-07-07 | 2020-10-23 | 广州市运通水务有限公司 | 用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法 |
| CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160210A (zh) * | 2021-05-10 | 2021-07-23 | 深圳市水务工程检测有限公司 | 基于深度相机的排水管道缺陷检测方法及装置 |
| CN114550038A (zh) * | 2022-02-18 | 2022-05-27 | 安徽辉采科技有限公司 | 视频智能识别供水管道爆管的方法 |
| CN117291921A (zh) * | 2023-11-27 | 2023-12-26 | 哪吒港航智慧科技(上海)有限公司 | 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质 |
| CN117291921B (zh) * | 2023-11-27 | 2024-03-12 | 哪吒港航智慧科技(上海)有限公司 | 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质 |
| CN117969554A (zh) * | 2024-01-25 | 2024-05-03 | 陕西科技大学 | 一种管道缺陷检测机器人及检测方法 |
| CN117969554B (zh) * | 2024-01-25 | 2024-09-03 | 陕西科技大学 | 一种管道缺陷检测机器人及检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112669269A (zh) | 一种基于图像识别的管道缺陷分类分级方法及系统 | |
| CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
| CN110175982B (zh) | 一种基于目标检测的缺陷检测方法 | |
| CN113469177A (zh) | 基于深度学习的排水管道缺陷检测方法及系统 | |
| CN113393426B (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN110751154B (zh) | 一种基于像素级分割的复杂环境多形状文本检测方法 | |
| CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
| CN110675421B (zh) | 基于少量标注框的深度图像协同分割方法 | |
| CN112198170B (zh) | 一种无缝钢管外表面三维检测中识别水滴的检测方法 | |
| CN110348342B (zh) | 一种基于全卷积网络的管道病害图像分割方法 | |
| CN112819837B (zh) | 一种基于多源异构遥感影像的语义分割方法 | |
| CN116309292A (zh) | 一种基于视觉转换层与实例分割的焊缝缺陷智能识别方法 | |
| 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 | |
| CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
| CN117975175B (zh) | 一种基于机器视觉的塑料管道外观缺陷检测方法 | |
| CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
| CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
| CN111882545B (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 | |
| CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
| CN116403004B (zh) | 一种基于牛脸矫正的牛脸融合特征提取方法 | |
| CN111080562B (zh) | 一种基于增强图像对比的变电场所悬挂物识别方法 | |
| CN114758139B (zh) | 基坑积水检测方法 | |
| Wang et al. | Deformable feature pyramid network for aluminum profile surface defect detection | |
| CN113343923A (zh) | 一种基于视频图像的河道排口排水状态实时识别方法 | |
| CN113343932A (zh) | 一种静态摄像头下的河道漂浮物检测算法 |
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 |