CN113963212A - 基于Inception-Resnet神经网络的管道病害图像分类方法及装置 - Google Patents
基于Inception-Resnet神经网络的管道病害图像分类方法及装置 Download PDFInfo
- Publication number
- CN113963212A CN113963212A CN202111241182.8A CN202111241182A CN113963212A CN 113963212 A CN113963212 A CN 113963212A CN 202111241182 A CN202111241182 A CN 202111241182A CN 113963212 A CN113963212 A CN 113963212A
- Authority
- CN
- China
- Prior art keywords
- disease
- image
- pipeline
- classification model
- disease 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 146
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000013526 transfer learning Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 239000003566 sealing material Substances 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于Inception‑Resnet神经网络的管道病害图像分类方法及装置。所述方法包括：获得管道内表面病害数据集；对管道内表面病害数据集进行增强处理；对病害图像进行分类，将病害图像分类为病害图像训练集，病害图像验证集和病害图像测试集，建立病害图像数据库；构建分类模型并训练；通过设置不同的超参数，对分类模型调优，获得最优分类模型；最优分类模型测试，判断检测指标是否达到预期值；拍摄管道内表面图像，并回传给预设有最优分类模型的工作站终端进行检测，判断各项工作指标能否达到工作要求，本发明通过结合Inception神经网络和Resnet神经网络的各自优点，构建了Inception‑Resnet神经网络，提高了模型检测的准确度，实现了管道内表面病害的自动识别。
Description
技术领域
本发明涉及管道检测技术领域，尤其涉及一种基于Inception-Resnet神经网络的管道病害图像分类方法。
背景技术
城市地下管道广泛应用于供暖，供水，排污等领域。随着我国城市化进程不断发展，地下水位变化和各种工程建设引起的不均匀沉降对管道造成不同程度的损伤。并且随着服役年龄的增加，管道密封材料老化或脱落造成接口处泄露。由此引发周围土壤，生活用水和城市空气的污染，进而引发一系列安全问题。因此，应当按时检测管道，为城市污水管道的修复和维护提供规划和决策帮助。
现有的人工检测的方法主要有人员进入管道检测，潜水员进入管道检测和简易工具法。人员进入和潜水检查适用于管径较大且管内流体流速较低的情况，无法记录检测结果，主要凭借人眼观察对管道缺陷进行描述，易受检测人员主观因素的影响，对裂缝宽度等缺陷尺寸的确定无法进行准确的测量。简易工具法的优点是快速、简便，但是容易受障碍物的干扰，无法直观检测管道结构受损状况。
针对地下管道的内部复杂的环境特点，本发明采用了基于深度学习的融合卷积神经网络算法，结合了inception网络构架和残差网络构架，提高了准确度，实现了对多种类管道病害图像的分类。
发明内容
本发明所要解决的技术问题是提供一种基于Inception-Resnet神经网络的管道病害图像分类方法，主要包括输入层，隐藏层和输出层。该方法结合了Inception神经网络和Resnet神经网络的优点，具有检测效率快，准确度高，泛化能力强，鲁棒性好的特点。
为解决上述问题，本发明提供了一种基于Inception-Resnet神经网络的管道病害图像分类方法，包含以下步骤：
步骤S1、采集管道内表面图像，挑选含有病害的管道内表面图像作为病害图像，对病害图像进行预处理和数据增强处理，获得管道内表面病害数据集；
步骤S2、根据步骤S1获取的管道内表面病害数据集，对病害图像进行分类，将病害图像按预设比例分为病害图像训练集，病害图像验证集和病害图像测试集，建立病害图像数据库；
步骤S3、搭载深度学习环境，构建分类模型，采用迁移学习方法初始化所述分类模型，将病害图像训练集中的病害图像导入所述分类模型，对所述分类模型进行训练，得到训练后的分类模型，所述分类模型为Inception-Resnet神经网络模型；
步骤S4、根据步骤S3得到的训练后的分类模型，设置不同的超参数，相应获得不同工况下的分类模型，通过病害图像验证集对该些工况下的分类模型进行测试，对比不同工况下的分类模型在训练过程中损失值及准确率的变化曲线，寻找最优超参数从而获得最优分类模型；
步骤S5、根据步骤S4所得到的最优分类模型，引入病害图像测试集，对最优分类模型进行测试，判断所述最优分类模型输出的检测指标是否达到预期值；
步骤S6、拍摄待检测的管道内表面图像并回传至预设有最优分类模型的工作站终端，所述工作站终端对所述待检测的管道内表面图像进行检测，判断各项工作指标能否达到工作要求。
可选地，所述的步骤S1具体包括：
步骤S11、通过控制管道CCTV机器人，在实际管道内采集管道内表面图像；
步骤S12、由专业人员从所述管道内表面图像中挑选出病害图像；
步骤S13、使用数据增强技术和生成对抗网络对病害图像数量进行扩增。
可选地，所述步骤S13中数据增强的主要方法包括：尺度缩放、对称变换、模糊处理、平移变换、对比度调整、饱和度调整、锐度处理及高斯噪声处理中一种或多种的组合。
可选地，所述的步骤S2具体包括：
步骤S21、人工将病害图像分类为错口图像、破漏图像、腐蚀图像及障碍物图像；
步骤S22、对各类病害图像设置编号，设置错口图像编号为0，破漏图像编号为1，腐蚀图像编号为2，障碍物图像编号为3；
步骤S23、使用Python分类程序将病害图像按预设比例分为病害图像训练集、病害图像验证集和病害图像测试集，建立病害图像数据库。
可选地，所述的步骤S23中的病害图像训练集、病害图像验证集和病害图像测试集的内的病害图像互不交叉重合。
可选地，所述的步骤S3具体包括：
步骤S31、搭载基于英伟达GPU的CUDA和CUDNN，配置Python及相应的API库的环境；
步骤S32、构建分类模型，所述分类模型为Inception-Resnet神经网络模型，所述分类模型包括输入层、隐藏层和输出层。
步骤S33、采用迁移学习方法初始化所述分类模型；
步骤S34、使用小批量梯度下降的方法对分类模型进行训练，观察损失值函数图像，达到平稳时即模型收敛，此时停止训练，得到训练后的分类模型。
可选地，所述的步骤S4中调整的超参数包括学习率、总迭代次数、小批量图像数量及权重衰减值。
可选地，所述的步骤S4中调整超参数的主要依据包括：设置不同超参数时，测试对应的分类模型在病害图像验证集上的检测表现，所述检测表现包括识别的效率、准确率上升曲线的最大值和损失值下降曲线的平稳度和收敛性。
可选地，所述步骤S5中的检测指标主要包括准确率和F1分数。
本发明还提供一种基于Inception-Resnet神经网络的管道病害图像分类装置，采用上述的方法制得。
本发明的有益效果：本发明提供的一种基于Inception-Resnet神经网络的管道病害图像分类方法，具有以下效果：首先，本发明结合了Resnet神经网络的优点，通过采用残差块将前端特征层直接映射于后端特征层，解决了梯度弥散的问题，使得从而提高了模型的准确度；其次，本发明结合了Inception神经网络的优点，可以在同一层上获得稀疏或非稀疏的特征；最后，管道内表面病害多种多样，背景复杂，传统算法仅仅能够提取有限的病害特征信息，无法泛化应用于各种管道环境，而本发明采用深度学习的方法，通过对大量管道内表面病害学习，模型能够学习到更加鲁棒性的特征表达，从而增加了泛化能力，提高识别的准确度。
附图说明
为了能更进一步了解本发明的特征以及技术内容，请参阅以下有关本发明的详细说明与附图，然而附图仅提供参考与说明用，并非用来对本发明加以限制。
附图中，
图1是本发明的基于Inception-Resnet神经网络的管道病害图像分类方法的流程图；
图2是本发明的基于Inception-Resnet神经网络的管道病害图像分类方法的模块结构图；
图3是本发明的基于Inception-Resnet神经网络的管道病害图像分类方法的识别结果示意图。
具体实施方式
为更进一步阐述本发明所采取的技术手段及其效果，以下结合本发明的优选实施例及其附图进行详细描述。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
如图1所示，本发明的一种基于Inception-Resnet神经网络的管道病害图像分类方法，包含以下步骤：
步骤S1：获取管道内表面病害数据集；通过管道闭路电视(Closed-circuittelevision，CCTV)机器人采集管道内表面图像，人工挑选含有病害的管道内表面图像作为病害图像，对病害图像进行预处理和数据增强处理，获得管道内表面病害数据集；
具体地，所述步骤S1包括：
步骤S11、管道内表面病害图像采集方法为：通过控制管道CCTV机器人，在实际管道内采集管道内表面图像；
步骤S12、由专业人员挑选病害图像；
步骤S13、为了满足基于深度学习的卷积神经网络所需的数据量，使用数据增强技术和生成对抗网络对病害图像数量进行扩增。
进一步地，所述数据增强的主要方法包括尺度缩放、对称变换、模糊处理、平移变换、对比度调整、饱和度调整、锐度处理及高斯噪声处理中的一种或多种的组合。
需要说明的是，挑选病害图像的主要标准包括：
病害图像应具有多样性，管道内表面病害数据集应包括光照强、阴影、混凝土管道及波纹管道等图像；
病害图像的拍摄视角应多样化，包括正视图像、侧视图像及斜视图像等；
病害图像的应具有代表性，具有明显的病害特征；
病害图像中的病害位置能够清晰显示。
步骤S2、数据集处理，根据步骤S1获取的管道内表面病害数据集，对病害图像进行分类，将病害图像按预设比例分为病害图像训练集，病害图像验证集和病害图像测试集，建立病害图像数据库；
步骤S21、结合图3，人工将病害图像分类为错口图像、破漏图像、腐蚀图像及障碍物图像；
步骤S22、对各类病害图像设置编号，设置错口图像编号为0，破漏图像编号为1，腐蚀图像编号为2，障碍物图像编号为3；
步骤S23、使用Python分类程序将病害图像按预设比例分为病害图像训练集、病害图像验证集和病害图像测试集，建立病害图像数据库。
进一步地，所述步骤S23中按照6：2：2的比例分类病害图像训练集、病害图像验证集和病害图像测试集。
具体地，病害图像训练集、病害图像验证集和病害图像测试集中的病害图像互不交叉重合，用于验证分类模型的鲁棒性和泛化能力。
进一步地，本发明将不同类别的病害图像放置在相应的文件夹下，并命名。
具体地，分类病害图像时，对于区分度不明显的病害，应由有经验的专业人员进行辨认。
步骤S3：构建Inception-Resnet神经网络模型并训练；
搭载深度学习环境，构建分类模型，采用迁移学习方法初始化所述分类模型，将病害图像训练集中的病害图像导入所述分类模型，对所述分类模型进行训练，得到训练后的分类模型，所述分类模型为Inception-Resnet神经网络模型。
具体地，所述步骤S3具体包括：
步骤S31、搭载基于英伟达图形处理器(Graphics Processing Unit，GPU)的统一计算设备架构(Compute Unified Device Architecture，CUDA)和CUDNN，配置Python及相应Tensorflow，keras等API库的环境；
步骤S32、构建分类模型，所述分类模型为Inception-Resnet神经网络模型，所述分类模型包括输入层、隐藏层和输出层。该分类模型结合了Inception神经网络结构和Resnet神经网络结构的优点
步骤S33、采用迁移学习方法初始化所述分类模型。所述迁移学习是相对于随机参数初始化而言，采用在pascal公开数据集表现良好预训练模型初始化神经网络，提高收敛速度和检测精度。
步骤S34、使用小批量梯度下降的方法对分类模型进行训练，观察损失值函数图像，达到平稳时即模型收敛，此时停止训练，得到训练后的分类模型。
具体地，结合图2，传统的全连接神经网络通过矩阵乘法连接输入层和输出层，输入层和输出层的每一个元素间都需要有一个对应的矩阵参数计算，这个过程计算量过于庞大，因此，本发明引入卷积神经网络。卷积神经网络有以下两个优点：首先是，参数共享，相比于一一对应的全连接权值矩阵，卷积核作用在输入层的每一个位置上，使得神经网络具有了平移不变性；然后是，稀疏连接，卷积操作将全连接权值矩阵简化为卷积核，降低了存储需求和计算量。
具体地，通常使用的池化函数包括平均池化和最大池化，平均池化是取相邻矩形区域内的平均值来代替网络在该位置的输出，最大池化是取相邻矩形区域内的最大值来代替网络在该位置的输出。当输入进行局部平移时，因为池化函数的存在，使得输入的表示近似不变，从而保证了模型局部的平移不变性。此外，池化层还能够缩减模型大小，提高计算速度，提高所取特征的鲁棒性。
具体地，对于传统的神经网络，随着网络深度的增加，检测效果呈现先增长后饱和最后迅速下降的问题。这一问题来源于网络深度的增加导致了梯度空间结构的消除，从而引起了网络退化的问题。为了解决这一问题，本发明引入深度残差网络。残差网络由一系列的残差块组成，残差块分为两个部分：直接映射部分和残差部分。残差单元通过跳层连接实现，使得特征信息的前后传播更加顺畅，解决了退化问题，提高了网络检测的准确度。
具体地，Inception网络构架是一种通过增加网络的宽度，提升网络性能的方法。Inception网络构架的核心思想是使用一个密集的网络结构替代局部稀疏结构。
需要说明的是，该网络构架具有以下四个优点：第一、网络自主确定不同尺寸的卷积组合。通过训练，使得网络能够自行确定卷积核和池化核的尺寸。第二、分解为更小的卷积，降低计算量。将稀疏矩阵聚类成相对密集的子矩阵，能够减少计算量，提高计算性能。例如，将5*5的卷积分解成两个3*3的卷积串联。第三、分解为不对称卷积，降低参数数量。将3x3的卷积核分解为1x3和3x1非对称卷积核的串联，减少了网络参数，节省了计算量。第四、不同尺寸感受野组合。采用不同大小的卷积核，得到了不同尺寸感受野的特征图。通过拼接不同感受野的特征图，实现了不同尺度特征的融合。
具体地，训练算法主要分为前向传播阶段和反向传播阶段。向前传播阶段：采用正向传播算法从第一层开始正向一层一层计算，求出每层经过激活函数ReLU得到的结果，直到最后一层。但是为了使整个网络的损失函数值最小，需要不断迭代来更新神经元前面的参数和偏差。反向传播阶段：通过首先计算最后一层的误差，然后再逐层反向求出各层的误差，利用得到的残差来对权值和偏置进行更新，从而计算出网络模型的最小损失函数。其中，训练过程中，每经过一次前向传播和一次反向传播为一次迭代。
步骤S4、Inception-Resnet神经网络模型调优。根据步骤S3得到的训练后的分类模型，设置不同的超参数，相应获得不同工况下的分类模型，通过病害图像验证集对该些工况下的分类模型进行测试，对比不同工况下的分类模型在训练过程中损失值及准确率的变化曲线，寻找最优超参数从而获得最优分类模型。
具体地，结合图1，所述步骤S4调整的主要超参数包括学习率、总迭代次数、小批量图像数量及权重衰减值。
作为优选方案，本实例调整超参数的主要依据为，设置不同超参数时，测试分类模型在病害图像验证集上的检测表现，所述检测表现包括识别的效率、准确率上升曲线的最大值和损失值下降曲线的平稳度和收敛性。
作为优选方案，本实例经过多次调优，最终得到最优分类模型的超参数为：初始学习率为0.01，每次迭代的小批量图像数量为16，动量系数为0.9，权重衰减值为0.0005，总迭代次数为44600次。
步骤S5、Inception-Resnet神经网络模型测试；根据步骤S4所得到的最优分类模型，引入病害图像测试集，对最优分类模型进行测试，判断所述最优分类模型输出的检测指标是否达到预期值；
具体地，检测指标主要包括准确率和F1分数。
具体地，通过改变置信度阈值，病害图像测试集中的病害图像能够输出大量一一对应的召回率和精确率。F1分数是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率，可以看作是模型精确率和召回率的一种调和平均。通过比较F1分数的大小，确定模型的优劣性。当病害图像测试集样本不均衡时，F1分数比准确率更能够直观地评价模型。
步骤S6、现场检测；使用CCTV管道检测机器人拍摄待检测的管道内表面图像并回传至预设有最优分类模型的工作站终端，所述工作站终端对所述待检测的管道内表面图像进行检测，判断各项工作指标能否达到工作要求。
具体地，CCTV管道检测机器人通过CCD相机拍摄待检测的管道内表面图像，CCD相机的主要工作原理为将光线转化为电荷并将电荷存储。CCD相机具有重量轻、体积小和抗震性能强的优点，因此，可应用于管道病害视频的拍摄。
具体地，所述判断各项工作指标能否达到工作要求具体包括：应当统计正确及错误检测的病害信息，查看各类病害分类是否均达到90％以上的准确率，用以保证本发明的实际应用能力。如果准确率达不到预计要求，应当统计和归纳误检的病害信息，寻找误检病害的图像按本发明的方法处理后加入管道病害图像数据库，重新训练并调优，直至各项指标均达到预期要求。
以上所述，对于本领域的普通技术人员来说，可以根据本发明的技术方案和技术构思作出其他各种相应的改变和变形，而所有这些改变和变形都应属于本发明权利要求的保护范围。
Claims (10)
1.一种基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，包含以下步骤：
步骤S1、采集管道内表面图像，挑选含有病害的管道内表面图像作为病害图像，对病害图像进行预处理和数据增强处理，获得管道内表面病害数据集；
步骤S2、根据步骤S1获取的管道内表面病害数据集，对病害图像进行分类，将病害图像按预设比例分为病害图像训练集，病害图像验证集和病害图像测试集，建立病害图像数据库；
步骤S3、搭载深度学习环境，构建分类模型，采用迁移学习方法初始化所述分类模型，将病害图像训练集中的病害图像导入所述分类模型，对所述分类模型进行训练，得到训练后的分类模型，所述分类模型为Inception-Resnet神经网络模型；
步骤S4、根据步骤S3得到的训练后的分类模型，设置不同的超参数，相应获得不同工况下的分类模型，通过病害图像验证集对该些工况下的分类模型进行测试，对比不同工况下的分类模型在训练过程中损失值及准确率的变化曲线，寻找最优超参数从而获得最优分类模型；
步骤S5、根据步骤S4所得到的最优分类模型，引入病害图像测试集，对最优分类模型进行测试，判断所述最优分类模型输出的检测指标是否达到预期值；
步骤S6、拍摄待检测的管道内表面图像并回传至预设有最优分类模型的工作站终端，所述工作站终端对所述待检测的管道内表面图像进行检测，判断各项工作指标能否达到工作要求。
2.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S1具体包括：
步骤S11、通过控制管道CCTV机器人，在实际管道内采集管道内表面图像；
步骤S12、由专业人员从所述管道内表面图像中挑选出病害图像；
步骤S13、使用数据增强技术和生成对抗网络对病害图像数量进行扩增。
3.如权利要求2所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述步骤S13中数据增强的主要方法包括：尺度缩放、对称变换、模糊处理、平移变换、对比度调整、饱和度调整、锐度处理及高斯噪声处理中一种或多种的组合。
4.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S2具体包括：
步骤S21、人工将病害图像分类为错口图像、破漏图像、腐蚀图像及障碍物图像；
步骤S22、对各类病害图像设置编号，设置错口图像编号为0，破漏图像编号为1，腐蚀图像编号为2，障碍物图像编号为3；
步骤S23、使用Python分类程序将病害图像按预设比例分为病害图像训练集、病害图像验证集和病害图像测试集，建立病害图像数据库。
5.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S23中的病害图像训练集、病害图像验证集和病害图像测试集内的病害图像互不交叉重合。
6.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S3具体包括：
步骤S31、搭载基于英伟达GPU的CUDA和CUDNN，配置Python及相应的API库的环境；
步骤S32、构建分类模型，所述分类模型为Inception-Resnet神经网络模型，所述分类模型包括输入层、隐藏层和输出层。
步骤S33、采用迁移学习方法初始化所述分类模型；
步骤S34、使用小批量梯度下降的方法对分类模型进行训练，观察损失值函数图像，达到平稳时即模型收敛，此时停止训练，得到训练后的分类模型。
7.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S4中调整的超参数包括学习率、总迭代次数、小批量图像数量及权重衰减值。
8.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S4中调整超参数的主要依据包括：设置不同超参数时，测试对应的分类模型在病害图像验证集上的检测表现，所述检测表现包括识别的效率、准确率上升曲线的最大值和损失值下降曲线的平稳度和收敛性。
9.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述步骤S5中的检测指标主要包括准确率和F1分数。
10.一种基于Inception-Resnet神经网络的管道病害图像分类装置，其特在于，采用如权利要求1至9任一项所述的方法制得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111241182.8A CN113963212A (zh) | 2021-10-25 | 2021-10-25 | 基于Inception-Resnet神经网络的管道病害图像分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111241182.8A CN113963212A (zh) | 2021-10-25 | 2021-10-25 | 基于Inception-Resnet神经网络的管道病害图像分类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113963212A true CN113963212A (zh) | 2022-01-21 |
Family
ID=79466772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111241182.8A Pending CN113963212A (zh) | 2021-10-25 | 2021-10-25 | 基于Inception-Resnet神经网络的管道病害图像分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113963212A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563458A (zh) * | 2023-04-07 | 2023-08-08 | 郑州大学 | 一种基于图像深度估计的排水管道内部病害三维重构方法 |
| CN118587514A (zh) * | 2024-08-06 | 2024-09-03 | 浙江管卫建设有限公司 | 一种管道cctv检测信息管理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110349134A (zh) * | 2019-06-27 | 2019-10-18 | 广东技术师范大学天河学院 | 一种基于多标签卷积神经网络的管道病害图像分类方法 |
| CN112200143A (zh) * | 2020-11-02 | 2021-01-08 | 坝道工程医院(平舆) | 一种基于候选区域网络和机器视觉的道路病害检测方法 |
| CN113034411A (zh) * | 2020-12-19 | 2021-06-25 | 北京工业大学 | 一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法 |
-
2021
- 2021-10-25 CN CN202111241182.8A patent/CN113963212A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110349134A (zh) * | 2019-06-27 | 2019-10-18 | 广东技术师范大学天河学院 | 一种基于多标签卷积神经网络的管道病害图像分类方法 |
| CN112200143A (zh) * | 2020-11-02 | 2021-01-08 | 坝道工程医院(平舆) | 一种基于候选区域网络和机器视觉的道路病害检测方法 |
| CN113034411A (zh) * | 2020-12-19 | 2021-06-25 | 北京工业大学 | 一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法 |
Non-Patent Citations (1)
| Title |
|---|
| 冯广 等: "基于Inception与Residual组合网络的农作物病虫害识别" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563458A (zh) * | 2023-04-07 | 2023-08-08 | 郑州大学 | 一种基于图像深度估计的排水管道内部病害三维重构方法 |
| CN118587514A (zh) * | 2024-08-06 | 2024-09-03 | 浙江管卫建设有限公司 | 一种管道cctv检测信息管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598029B (zh) | 基于注意力转移机制的细粒度图像分类方法 | |
| CN113469177B (zh) | 基于深度学习的排水管道缺陷检测方法及系统 | |
| CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
| CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
| CN111178206B (zh) | 一种基于改进yolo的建筑预埋件检测方法及系统 | |
| CN109615653B (zh) | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 | |
| CN109633729B (zh) | 一种移动机器人核环境下的放射源定位及强度估计方法 | |
| CN113963212A (zh) | 基于Inception-Resnet神经网络的管道病害图像分类方法及装置 | |
| CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
| CN105389814A (zh) | 一种用于气密性试验的气泡检测方法 | |
| CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
| CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
| CN113177456B (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
| CN111445515B (zh) | 基于特征融合网络的地下圆柱体目标半径估算方法及系统 | |
| CN114419007B (zh) | 多策略融合深度学习网络模型的缺陷类型识别方法及系统 | |
| CN110852243A (zh) | 一种基于改进YOLOv3的道路交叉口检测方法及装置 | |
| CN108319954B (zh) | 一种无接触测重方法 | |
| CN112258495A (zh) | 一种基于卷积神经网络的建筑木材裂缝识别方法 | |
| CN116051496A (zh) | 一种实时下水道缺陷检测方法 | |
| CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
| CN118675031A (zh) | 一种隧道围岩风化程度的智能评估方法 | |
| CN116309310A (zh) | 联合全局正则化与局部对抗学习的病理图像细胞核检测方法 | |
| CN116030339A (zh) | 一种地下水流态检测方法、系统、电子设备及存储介质 | |
| CN114140524B (zh) | 一种多尺度特征融合的闭环检测系统及方法 | |
| CN113657438B (zh) | 一种热红外模式下vgg神经网络的排水管道病害检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220121 |
|
| RJ01 | Rejection of invention patent application after publication |