CN113763363B - 一种排水管道破裂缺陷检测及等级评定方法 - Google Patents

一种排水管道破裂缺陷检测及等级评定方法 Download PDF

Info

Publication number
CN113763363B
CN113763363B CN202111055715.3A CN202111055715A CN113763363B CN 113763363 B CN113763363 B CN 113763363B CN 202111055715 A CN202111055715 A CN 202111055715A CN 113763363 B CN113763363 B CN 113763363B
Authority
CN
China
Prior art keywords
defect
crack
drainage pipeline
cracking
mask
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.)
Active
Application number
CN202111055715.3A
Other languages
English (en)
Other versions
CN113763363A (zh
Inventor
刘桂雄
李伟
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202111055715.3A priority Critical patent/CN113763363B/zh
Publication of CN113763363A publication Critical patent/CN113763363A/zh
Application granted granted Critical
Publication of CN113763363B publication Critical patent/CN113763363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种排水管道破裂缺陷检测及等级评定方法，包括：采集排水管道内部的视频或图像，并离线标注结构性缺陷特征；构建结构性缺陷Mask R‑CNN模型，检测分割采集视频或图像缺陷，识别排水管道结构性缺陷，输出破裂缺陷置信度、破裂缺陷边界框以及破裂缺陷掩膜；计算破裂缺陷的特征参数；计算破裂缺陷评级参数、径向覆盖比与破裂缺陷环向覆盖范围；对破裂缺陷评级。本方法可基于图像或视频检测识别排水管道的结构性缺陷，并对其破裂缺陷的程度进行等级评级，有效应用于排水管道的结构性缺陷检测识别作业，采用本方法减低工作强度、提高排水管道的检测效率以及准确性具有重大实际工程应用价值。

Description

一种排水管道破裂缺陷检测及等级评定方法
技术领域
本发明涉及排水管道破裂缺陷检测及等级评定技术领域，尤其涉及一种基于实例分割+CCTV的排水管道破裂缺陷检测及等级评定方法。
背景技术
近年来，排水管道事故频发，严重损害人民生命财产安全，造成不良影响，排水管道失效直接影响城镇居民生活、工业生产等。传统的排水管道检测方法有目视检查，镜检，潜水管道检查，泥浆测量桶检查等，简单方便。但在实际的大规模管道排查检测任务中，管内空间情况复杂，可能存在的有害气体使得传统检测方法并不适用，而且传统方法存在流程复杂、费时费力、主观依赖性强等严重不足。而新型的机器视觉图像检测方法可对管道缺陷进行检测，但对缺陷程度的计算划分仍存在不足。本发明公开种排水管道破裂缺陷检测及等级评定方法，采用本方法减低工作强度、提高排水管道的检测效率以及准确性具有重大实际工程应用价值。
在本发明以前的排水管道破裂缺陷检测及等级评定方法现有技术中，有如下几篇对比专利和文献:
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(CN 111814873 A)公开了分辨排水管道缺陷类型及自动鉴别缺陷等级的方法，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。该方法对缺陷等级的自动鉴别方法实质是增加一层分类器，鉴别缺陷等级方法仍是依据分类器鉴别，该方法依赖排水管道缺陷大量数据集，且各缺陷等级的数据集都需丰富，实际应用受限；
2)一种基于深度学习的排水管道缺陷分割方法(CN 110555831 A)公开一种基于深度学习的排水管道缺陷分割方法，破裂、错口、渗漏和支管暗接四类缺陷进行分类检测，该发明仅分类四类结构性缺陷，并且不具备缺陷分级的方法。
发明内容
为解决上述技术问题，本发明的目的是提供一种排水管道破裂缺陷检测及等级评定方法。
本发明的目的通过以下的技术方案来实现：
一种排水管道破裂缺陷检测及等级评定方法，该方法基于实例分割与CCTV系统实现包括：
步骤A采集排水管道内部的视频或图像，并离线标注结构性缺陷特征；
步骤B构建结构性缺陷Mask R-CNN模型，检测分割采集视频或图像缺陷，识别排水管道结构性缺陷，输出破裂缺陷置信度、破裂缺陷边界框以及破裂缺陷掩膜；
步骤C计算破裂缺陷的特征参数；
步骤D计算破裂缺陷评级参数、径向覆盖比与破裂缺陷环向覆盖范围；
步骤E对破裂缺陷评级。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
基于图像或视频检测识别排水管道的结构性缺陷，并对其破裂缺陷的程度进行等级评级，有效应用于排水管道的结构性缺陷检测识别作业，采用本方法减低工作强度、提高排水管道的检测效率以及准确性具有重大实际工程应用价值。
附图说明
图1是基于实例分割+CCTV的排水管道破裂缺陷检测及等级评定方法总流程图；
图2是基于实例分割+CCTV的排水管道破裂缺陷检测及等级评定方法详细流程图；
图3是排水管道缺陷检测识别示例1图；
图4是是排水管道缺陷检测识别示例2图；
图5是排水管道缺陷检测识别掩膜拟合示例1图示；
图6是排水管道缺陷检测识别掩膜拟合示例2图示。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
如图1和图2所示，为基于实例分割+CCTV的排水管道破裂缺陷检测及等级评定方法流程，包括：
步骤10采用CCTV系统或管道潜望镜采集排水管道内部的视频或图像，并离线标注结构性缺陷特征；
步骤20构建结构性缺陷Mask R-CNN模型，对采集视频或图像检测分割缺陷，识别排水管道结构性缺陷，输出破裂缺陷置信度，破裂缺陷边界框，破裂缺陷掩膜；
步骤30计算破裂缺陷的特征参数；
步骤40计算破裂缺陷评级参数，径向覆盖比例，破裂缺陷环向覆盖范围；
步骤50对破裂缺陷评级。
上述步骤10采用的CCTV系统全称闭路电视管道系统、离线标注采用开源标注软件labelme、VGG图像标注器VIA的多边形标注工具，标注的结构性缺陷特征包括破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入、渗漏。
上述步骤20构建结构性缺陷Mask R-CNN模型方法为：
采用随机梯度下降SGD算法对Mask R-CNN模型进行调优，使其拟合到训练数据集上，训练采用Mini-batch策略，学习率为0.001，分批数Nbatch
训练迭代次数Niter分别可选为1000、2000、3000…，训练过程中，模型每次训练在数据集中挑选Nbatch个图片进行，将训练Niter次，观测Mask R-CNN模型分类损失loss_cls、定位损失loss_box_reg、分割损失loss_mask、总损失total_loss，若这4个损失均有缩小趋势，则Mask R-CNN模型收敛。
对采集视频或图像检测分割缺陷，特征输出为：
结构性缺陷特征包括破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入、渗漏。并得到破裂缺陷置信度score、破裂缺陷边界框bbox、破裂缺陷掩膜Mask。
上述步骤30破裂缺陷的特征参数计算方法为：
将破裂缺陷置信度score、破裂缺陷边界框bbox、破裂缺陷掩膜Mask进行计算可得到破裂缺陷的特征参数，包括区域面积大小Scrack,长轴长度LLcrack,短轴长度SLcrack,离心率Ecrack，方向Ocrack，凸面面积Ccrack，填充面积Fcrack,欧拉数EUcrack,等效直径EDcrack,紧实度SOcarck,周长Pcrack,拟合圆半径r。
所述步骤40中，对破裂缺陷评级参数，破裂缺陷径向覆盖比例k、环向覆盖范围θcrack计算方法分别为：
所述步骤50中，对破裂缺陷评级方法为：
若计算特征参数满足下式，评定为裂痕，1级缺陷。
0＜k＜＝10 (3)若计算特征参数满足下式，评定为裂口，2级缺陷。
10＜k＜30 (4)若计算特征参数满足下式，评定为破碎，3级缺陷。
若计算特征参数满足下式，评定为坍塌，4级缺陷。
【示例1】如图3和图5所示为通过CCTV对排水管道内窥缺陷检测识别图和排水管道缺陷检测识别掩膜拟合图示；结构性缺陷Mask R-CNN模型对采集视频或图像检测分割缺陷，识别排水管道结构性缺陷，检测识别其为该缺陷为破裂缺陷，则输出破裂缺陷置信度，破裂缺陷边界框，破裂缺陷掩膜；计算破裂缺陷的特征参数如下：
区域面积大小Scrack＝5084,长轴长度LLcrack＝1811.0048,短轴长度SLcrack＝37.8637,离心率Ecrack＝0.9779，方向Ocrack＝33.6082，凸面面积Ccrack＝5594，填充面积Fcrack＝5084,欧拉数EUcrack＝1,等效直径EDcrack＝80.4559,紧实度SOcrack＝0.9088,周长Pcrack＝402.4560,拟合圆半径r＝300；
可计算破裂缺陷径向覆盖比例k＝Scrack/r＝5084/300＝16.9467环向覆盖范围θcrack＝2arcsin(LLcrack/2r)＝0.6139.
由10<k<30可对破裂缺陷评级为裂口，2级缺陷。
【示例2】如图4和图6为通过CCTV对排水管道内窥镜缺陷检测识别和排水管道缺陷检测识别掩膜拟合图示；采用CCTV系统或管道潜望镜采集排水管道内部的视频或图像，并离线标注结构性缺陷特征；构建结构性缺陷Mask R-CNN模型，对采集视频或图像检测分割缺陷，识别排水管道结构性缺陷，检测识别其为破裂缺陷，输出破裂缺陷置信度，破裂缺陷边界框，破裂缺陷掩膜；计算破裂缺陷的特征参数如下：
区域面积大小Scrack＝20786,长轴长度LLcrack＝338.8133,短轴长度SLcrack＝89.9195,离心率Ecrack＝0.9641，方向Ocrack＝-74.9815，凸面面积Ccrack＝26274，填充面积Fcrack＝20786,欧拉数EUcrack＝1,等效直径EDcrack＝162.6824,紧实度SOcrack＝0.7911,周长Pcrack＝797.822,拟合圆半径r＝300；
可计算破裂缺陷径向覆盖比例k＝Scrack/r＝20786/300＝69.2867环向覆盖范围θcrack＝2arcsin(LLcrack/2r)＝1.2001
由k>＝30结合θcrack>＝π/3＝1.0472,可对破裂缺陷评级为坍塌，4级缺陷。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (3)

1.一种排水管道破裂缺陷检测及等级评定方法，其特征在于，所述方法基于实例分割与CCTV系统实现；所述方法包括以下步骤：
步骤A采集排水管道内部的视频或图像，并离线标注结构性缺陷特征；
步骤B构建结构性缺陷Mask R-CNN模型，检测分割采集视频或图像缺陷，识别排水管道结构性缺陷，输出破裂缺陷置信度、破裂缺陷边界框以及破裂缺陷掩膜；
步骤C计算破裂缺陷的特征参数；
步骤D计算破裂缺陷评级参数、径向覆盖比与破裂缺陷环向覆盖范围；
步骤E对破裂缺陷评级；
所述步骤B中构建结构性缺陷Mask R-CNN模型包括：
采用随机梯度下降SGD算法对Mask R-CNN模型进行调优，使其拟合到训练数据集上，训练采用Mini-batch策略，学习率为0.001，分批数Nbatch；
训练迭代次数Niter分别可选为1000、2000、3000…，训练过程中，模型每次训练在数据集中挑选Nbatch个图片进行，将训练Niter次，观测Mask R-CNN模型分类损失loss_cls、定位损失loss_box_reg、分割损失loss_mask、总损失total_loss，若四个损失均有缩小趋势，则MaskR-CNN模型收敛；
所述排水管道结构性缺陷包括破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入、渗漏；
所述步骤C中破裂缺陷的特征参数计算方法包括：将破裂缺陷置信度score、破裂缺陷边界框bbox、破裂缺陷掩膜Mask进行计算得到破裂缺陷的特征参数；特征参数包括区域面积大小Scrack、长轴长度LLcrack、短轴长度SLcrack、离心率Ecrack、方向Ocrack、凸面面积Ccrack、填充面积Fcrack、欧拉数EUcrack、等效直径EDcrack、紧实度SOcarck、周长Pcrack及拟合圆半径r；
所述步骤D中对破裂缺陷评级参数，破裂缺陷径向覆盖比例k、环向覆盖范围θcrack计算方法分别为：
2.如权利要求1所述的排水管道破裂缺陷检测及等级评定方法，其特征在于，所述步骤A中采用CCTV系统或管道潜望镜采集排水管道内部的视频或图像，所述CCTV系统为闭路电视管道系统；所述离线标注采用开源标注软件labelme与VGG图像标注器VIA的多边形标注工具；所述离线标注的结构性缺陷特征包括破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入与渗漏。
3.如权利要求1所述的排水管道破裂缺陷检测及等级评定方法，其特征在于，所述步骤E中，对破裂缺陷评级方法为：
若计算特征参数满足式3，评定为裂痕，1级缺陷；
0＜k＜＝10 (3)若计算特征参数满足式4，评定为裂口，2级缺陷；
10＜k＜30 (4)若计算特征参数满足式5，评定为破碎，3级缺陷；
若计算特征参数满足式6，评定为坍塌，4级缺陷；
CN202111055715.3A 2021-09-09 2021-09-09 一种排水管道破裂缺陷检测及等级评定方法 Active CN113763363B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111055715.3A CN113763363B (zh) 2021-09-09 2021-09-09 一种排水管道破裂缺陷检测及等级评定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111055715.3A CN113763363B (zh) 2021-09-09 2021-09-09 一种排水管道破裂缺陷检测及等级评定方法

Publications (2)

Publication Number Publication Date
CN113763363A CN113763363A (zh) 2021-12-07
CN113763363B true CN113763363B (zh) 2023-08-01

Family

ID=78794274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111055715.3A Active CN113763363B (zh) 2021-09-09 2021-09-09 一种排水管道破裂缺陷检测及等级评定方法

Country Status (1)

Country Link
CN (1) CN113763363B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120209B (zh) * 2022-01-27 2022-05-20 深圳市博铭维技术股份有限公司 管道缺陷检测方法、系统、设备及存储介质
CN116630242B (zh) * 2023-04-28 2024-01-12 广东励图空间信息技术有限公司 一种基于实例分割的管道缺陷评估方法及装置
CN117237290A (zh) * 2023-09-11 2023-12-15 深圳杰泰科技有限公司 一种零件内壁表面缺陷检测及等级评定方法
CN118134930B (zh) * 2024-05-08 2024-07-09 上海叁零肆零科技有限公司 管道平面型缺陷评估方法、装置、电子设备、系统及芯片

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034641A (zh) * 2018-08-10 2018-12-18 中国石油大学(北京) 管道缺陷预测方法及装置
CN109085181A (zh) * 2018-09-14 2018-12-25 河北工业大学 一种用于管路连接件的表面缺陷检测装置及检测方法
CN109670404A (zh) * 2018-11-23 2019-04-23 江苏理工学院 一种基于混合模型的道路积水图像检测预警方法
CN110555831A (zh) * 2019-08-29 2019-12-10 天津大学 一种基于深度学习的排水管道缺陷分割方法
CN111402248A (zh) * 2020-03-23 2020-07-10 华南理工大学 一种基于机器视觉的输电线路导线缺陷检测方法
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
CN112102255A (zh) * 2020-08-21 2020-12-18 杭州培慕科技有限公司 基于工业场景下的x射线成像图像的缺陷智能评级方法
CN112881424A (zh) * 2021-01-13 2021-06-01 广东省特种设备检测研究院珠海检测院 Ai+荧光渗透小型管件表面缺陷检测及质量分级方法与系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034641A (zh) * 2018-08-10 2018-12-18 中国石油大学(北京) 管道缺陷预测方法及装置
CN109085181A (zh) * 2018-09-14 2018-12-25 河北工业大学 一种用于管路连接件的表面缺陷检测装置及检测方法
CN109670404A (zh) * 2018-11-23 2019-04-23 江苏理工学院 一种基于混合模型的道路积水图像检测预警方法
CN110555831A (zh) * 2019-08-29 2019-12-10 天津大学 一种基于深度学习的排水管道缺陷分割方法
CN111402248A (zh) * 2020-03-23 2020-07-10 华南理工大学 一种基于机器视觉的输电线路导线缺陷检测方法
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
CN112102255A (zh) * 2020-08-21 2020-12-18 杭州培慕科技有限公司 基于工业场景下的x射线成像图像的缺陷智能评级方法
CN112881424A (zh) * 2021-01-13 2021-06-01 广东省特种设备检测研究院珠海检测院 Ai+荧光渗透小型管件表面缺陷检测及质量分级方法与系统

Also Published As

Publication number Publication date
CN113763363A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN113763363B (zh) 一种排水管道破裂缺陷检测及等级评定方法
KR102008973B1 (ko) 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법
CN110555831B (zh) 一种基于深度学习的排水管道缺陷分割方法
CN108802041B (zh) 一种屏幕检测的小样本集快速换型的方法
CN116309600B (zh) 基于图像处理的环保纺织品质量检测方法
KR20190066789A (ko) 딥러닝을 이용한 영상 기반 콘크리트 균열 탐지 시스템
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN111127448A (zh) 一种基于孤立森林检测空气弹簧故障的模型及方法
CN112669269A (zh) 一种基于图像识别的管道缺陷分类分级方法及系统
CN111289526B (zh) 一种燃气输送管道内表面缺陷检测方法及系统
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
CN112508944A (zh) 一种应用于煤矿井下供水管路的泄漏检测方法
Li et al. Detection algorithm of defects on polyethylene gas pipe using image recognition
CN110378866B (zh) 一种基于无人机巡检的渠道衬砌破损图像识别方法
CN105528790A (zh) 一种输电线路小型部件识别方法
CN112465784B (zh) 一种地铁夹钳外观异常检测的方法
CN109767426A (zh) 一种基于图像特征识别的盾构隧道渗漏水检测方法
CN111310899B (zh) 基于共生关系和小样本学习的电力缺陷识别方法
CN114758260B (zh) 工地安全防护网检测方法及系统
Myrans et al. Using Automatic Anomaly Detection to Identify Faults in Sewers:(027)
CN116309447A (zh) 一种基于深度学习的水坝斜坡裂缝检测方法
CN115908301A (zh) 一种基于增强输入的缺陷检测方法、装置及存储介质
CN113222947B (zh) 一种非金属材料焊接缺陷智能检测方法及系统
CN115359399A (zh) 一种基于改进yolox的地下排水管道缺陷检测识别方法

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
GR01 Patent grant
GR01 Patent grant