CN114140625A - 管道缺陷检测方法、系统、设备与计算机可读存储介质 - Google Patents
管道缺陷检测方法、系统、设备与计算机可读存储介质 Download PDFInfo
- Publication number
- CN114140625A CN114140625A CN202210113661.XA CN202210113661A CN114140625A CN 114140625 A CN114140625 A CN 114140625A CN 202210113661 A CN202210113661 A CN 202210113661A CN 114140625 A CN114140625 A CN 114140625A
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- defect detection
- detection result
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种管道缺陷检测方法、系统、设备与计算机可读存储介质,属于计算机技术领域。本发明通过获取的待检测的视频数据或图片数据,用多标签图像分类网络进行特征提取,得到缺陷特征数据,将提取到的缺陷特征数据进行识别分类,以得到缺陷检测结果,并输出缺陷检测结果,实现自动、高效的对管道视频、管道图片中的缺陷进行分类,并且显著提升预测模型的预测精度以及实现模型的轻量化。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及管道缺陷检测方法、系统、设备与计算机可读存储介质。
背景技术
视频异常检测对于实际工业应用具有重要意义。城市排水管网系统是城市最重要的基础设施之一。为了保证其正常运行,我们需要定期检查管道缺陷并进行修复。
目前,常用的技术是管道QV(Quick-View)检测和管道CCTV(Closed CircuitTelevision)检测,这两种技术会采集大量的管道内视频图像,然后通过专业技术人员分析视频种的管道是否有缺陷或损坏。
然而,通过人工观看采集的视频图像资料,从而分析得到缺陷检测结果这种方式是相当费时费力的,并且人工检测可能会存在疏漏。
发明内容
本发明的主要目的在于提供一种管道缺陷检测方法、系统、设备与计算机可读存储介质,旨在解决如何准确的找到和分类管道中的缺陷的问题。
为实现上述目的,本发明提供一种管道缺陷检测方法,所述管道缺陷检测方法包括以下步骤:
获取待检测数据,所述待检测数据为包含管道图像的以下数据至少一种:视频数据、图片数据;
通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取,得到缺陷特征数据;
对所述缺陷特征数据进行识别分类,得到缺陷检测结果,并输出所述缺陷检测结果。
优选地,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤包括:
将所述缺陷特征数据输入预训练的第一网络,输出缺陷定位数据;
将所述缺陷定位数据添加到所述缺陷检测结果中。
优选地,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤包括:
将所述缺陷特征数据输入预训练的分类器,通过所述分类器输出缺陷的缺陷置信度分数及严重程度;
基于所述缺陷置信度分数及严重程度得到所述缺陷检测结果。
优选地,所述待检测数据为视频数据,所述基于所述缺陷置信度分数及严重程度得到所述缺陷检测结果的步骤包括:
将所述缺陷特征数据输入预训练的第二网络,获取旋转得分;
根据所述旋转得分得到旋转判别结果,所述旋转判别结果包括:旋转缺陷、一般缺陷;
基于所述旋转判别结果、所述缺陷置信度分数和严重程度,输出缺陷检测结果。
优选地,所述通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取的步骤之前,所述方法还包括:
获取管道图像样本数据,将所述管道图像样本数据输入轻量化特征提取网络进行训练,得到所述多标签图像分类网络。
优选地,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤之前,所述方法还包括:
选择卷积核尺寸至少为1*1,第二卷积层数至少为1层的语义分割或目标检测网络,构建得到所述第一网络。
优选地,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤之前,所述方法还包括:
选择卷积核尺寸至少为1*1*1,第一卷积层数至少为1层的视频理解网络,构建得到所述第二网络。
优选地,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤之后,所述方法还包括:
获取所述缺陷检测结果中缺陷相对于图像中心的位置,并生成时钟位置;
将所述时钟位置标注在所述缺陷检测结果上。
优选地,所述待检测数据为视频数据,所述获取待检测数据的步骤包括:
按照预设帧采集率,从所述视频数据中采集预设帧数的待检测图片;
对所述待检测图片进行尺寸修改,并进行分批,得到已处理数据;
将所述已处理数据作为所述待检测数据。
优选地,所述输出所述缺陷检测结果的步骤包括:
获取缺陷检测结果中每张图像的井内判别得分,将所述井内判别得分与第一阈值比较;
将低于所述第一阈值的图像判别为井外,并筛除所述图像对应的缺陷检测结果,输出剩余的缺陷检测结果。
优选地,所述输出所述缺陷检测结果的步骤包括:
检测所述缺陷检测结果中图像的置信度,并获取所述置信度最高的类;
判段所述置信度最高的类是否为正常;
若是,则筛除所述置信度最高的类为正常对应的缺陷检测结果,输出剩余的缺陷检测结果。
优选地,所述输出所述缺陷检测结果的步骤包括:
按预设帧数对所述缺陷检测结果中的图像进行分组;
检测所述图像的置信度,并获取置信度最高的类;
依次判断组内图像的置信度最高的类是否为同一类;
若是,则对两张图像的最高的置信度进行比较,舍弃置信度更低的那张图像,输出剩余的缺陷检测结果。
优选地,所述输出所述缺陷检测结果的步骤包括:
按预设帧数对所述缺陷检测结果中的图像进行分组;
依次获取组内图像的相邻时间间隔,判断所述相邻时间间隔是否小于第二阈值;
若是,则舍弃相邻图像中的后一帧缺陷检测结果,输出剩余的缺陷检测结果。
此外,为实现上述目的,本发明还提供一种管道缺陷检测系统,所述系统包括:
获取模块,用于获取待检测数据,所述待检测数据为包含管道图像的以下数据至少一种:视频数据、图片数据;
特征提取模块,用于通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取,得到缺陷特征数据;
检测模块,用于对所述缺陷特征数据进行识别分类,得到缺陷检测结果,并输出所述缺陷检测结果。
优选地,所述检测模块还用于:
将所述缺陷特征数据输入预训练的第一网络,输出缺陷定位数据;
将所述缺陷定位数据添加到所述缺陷检测结果中。
优选地,所述检测模块还用于:
将所述缺陷特征数据输入预训练的分类器,通过所述分类器输出缺陷的缺陷置信度分数及严重程度;
基于所述缺陷置信度分数及严重程度得到所述缺陷检测结果。
优选地,所述检测模块还用于:
将所述缺陷特征数据输入预训练的第二网络,获取旋转得分;
根据所述旋转得分得到旋转判别结果,所述旋转判别结果包括:旋转缺陷、一般缺陷;
基于所述旋转判别结果、所述缺陷置信度分数和严重程度,输出缺陷检测结果。
优选地,所述系统还包括模型训练模块,所述模型训练模块用于:
获取管道图像样本数据,将所述管道图像样本数据输入轻量化特征提取网络进行训练,得到所述多标签图像分类网络。
优选地,所述模型训练模块还用于:
选择卷积核尺寸至少为1*1,第二卷积层数至少为1层的语义分割或目标检测网络,构建得到所述第一网络。
优选地,所述模型训练模块还用于:
选择卷积核尺寸至少为1*1*1,第一卷积层数至少为1层的视频理解网络,构建得到所述第二网络。
优选地,所述检测模块还用于:
获取所述缺陷检测结果中缺陷相对于图像中心的位置,并生成时钟位置;
将所述时钟位置标注在所述缺陷检测结果上。
优选地,所述待检测数据为视频数据,所述获取待检测数据的步骤包括:
按照预设帧采集率,从所述视频数据中采集预设帧数的待检测图片;
对所述待检测图片进行尺寸修改,并进行分批,得到已处理数据;
将所述已处理数据作为所述待检测数据。
优选地,所述检测模块还用于:
获取缺陷检测结果中每张图像的井内判别得分,将所述井内判别得分与第一阈值比较;
将低于所述第一阈值的图像判别为井外,并筛除所述图像对应的缺陷检测结果,输出剩余的缺陷检测结果。
优选地,所述检测模块还用于:
检测所述缺陷检测结果中图像的置信度,并获取所述置信度最高的类;
判段所述置信度最高的类是否为正常;
若是,则筛除所述置信度最高的类为正常对应的缺陷检测结果,输出剩余的缺陷检测结果。
优选地,所述检测模块还用于:
按预设帧数对所述缺陷检测结果中的图像进行分组;
检测所述图像的置信度,并获取置信度最高的类;
依次判断组内图像的置信度最高的类是否为同一类;
若是,则对两张图像的最高的置信度进行比较,舍弃置信度更低的那张图像,输出剩余的缺陷检测结果。
优选地,所述检测模块还用于:
按预设帧数对所述缺陷检测结果中的图像进行分组;
依次获取组内图像的相邻时间间隔,判断所述相邻时间间隔是否小于第二阈值;
若是,则舍弃相邻图像中的后一帧缺陷检测结果,输出剩余的缺陷检测结果。
此外,为实现上述目的,本发明还提供一种管道缺陷检测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的管道缺陷检测程序,所述管道缺陷检测程序配置为实现如上所述的管道缺陷检测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有管道缺陷检测程序,所述管道缺陷检测程序被处理器执行时实现如上所述的管道缺陷检测方法的步骤。
本发明提出的管道缺陷检测方法、系统、设备与计算机可读存储介质,通过获取待检测数据,并使用多标签图像分类网络对待检测数据进行特征提取,得到缺陷特征数据;再对缺陷特征数据进行识别分类,能够对缺陷类别、严重程度、一般异常和旋转异常进行判别,得到缺陷检测结果,并对缺陷检测结果进行时钟位置标记;并且通过选择轻量化的网络和减少卷积网络参数,实现了模型的轻量化,通过本发明管道缺陷检测方法能够准确的找到和分类管道中的缺陷,得到缺陷的位置以及缺陷严重程度,解决了镜头视角旋转带来的缺陷难以定位的问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的管道缺陷检测设备的结构示意图;
图2为本发明管道缺陷检测方法第一实施例的流程示意图;
图3为本发明管道缺陷检测方法一实施例对所述缺陷特征数据进行识别分类,得到缺陷检测结果的细化流程示意图;
图4为本发明管道缺陷检测方法一实施例中镜头旋转判别的流程图;
图5为本发明管道缺陷检测方法一实施例提取缺陷特征数据并生成缺陷掩膜的流程图;
图6为本发明管道缺陷检测方法一实施例的流程图;
图7为本发明管道缺陷检测方法一实施例中视频模式和图片模式的流程图;
图8为本发明管道缺陷检测方法一实施例的输入输出示意图;
图9是本发明管道缺陷检测方法一实施例的管道缺陷检测系统示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的管道缺陷检测设备结构示意图。
如图1所示,该管道缺陷检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储系统。
本领域技术人员可以理解,图1中示出的结构并不构成对拉曼光谱数据处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及拉曼光谱数据处理程序。
在图1所示的拉曼光谱数据处理设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明拉曼光谱数据处理设备中的处理器1001、存储器1005可以设置在拉曼光谱数据处理设备中,所述拉曼光谱数据处理设备通过处理器1001调用存储器1005中存储的拉曼光谱数据处理程序,并执行本发明实施例提供的拉曼光谱数据处理方法。
本发明实施例提供了一种管道缺陷检测方法,参照图2,图2为本发明管道缺陷检测方法第一实施例的流程示意图。
本实施例中,所述管道缺陷检测方法包括:
步骤S10,获取待检测数据,所述待检测数据为包含管道图像的以下数据至少一种:视频数据、图片数据;
步骤S20,通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取,得到缺陷特征数据;
步骤S30,对所述缺陷特征数据进行识别分类,得到缺陷检测结果,并输出所述缺陷检测结果。
本实施例管道缺陷检测方法用于城市排水管道、油气运输管道、供水输水管道、电力系统管道等管道系统的管道缺陷检测中,能够对获取的管道内部视频、管道内部图像进行缺陷分析及检测。
以下将对各个步骤进行详细说明:
步骤S10,获取待检测数据,所述待检测数据为包含管道图像的以下数据至少一种:视频数据、图片数据;
在一实施例中,获取待检测数据,待检测数据可以是视频数据也可以是图片数据。具体的,可以使用QV(Quick-View,简称QV)管道检测,通过主机中的高清可变焦摄像头,结合灯光照明辅助,采集清晰的管道内部图像;或者采用CCTV(Close Circuit TelevisionInspection)管道内窥电视检测系统,在管道内自动爬行,对管道内的锈层、结垢腐蚀、穿孔、裂纹等状况进行探测和摄像,同时记录管道内的状况,从而获取视频录像。其中,现有技术的输入只能是单一的视频或图像,本实施例待检测数据支持图像和视频两种格式的输入,实现了对多模态数据的管道缺陷检测,扩大了本发明管道缺陷检测方法的适用范围。
步骤S20,通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取,得到缺陷特征数据;
在一实施例中,通过预训练的多标签图像分类网络,对待检测数据进行缺陷特征提取,也即通过多标签图像分类网络对图像所包含的信息进行的抽象和编码。根据分类任务的目标不同,可以将图像分类任务划分成两部分:(1)单标签图像分类;(2)多标签图像分类。多标签图像分类可以从给定的图像输入中同时预测多个二元目标。由于在实际检测中,一副图像中可能存在不止一个的缺陷,因此需要采用多标签图像分类网络进行缺陷特征提取。
具体地,当输入数据为视频数据时,需要对视频数据进行抽帧,然后进行裁剪分批并转化为张量。输入为图片时则直接进行裁剪和转化为张量,随后将张量输入MobileNet-V2网络提取特征,得到特征图,也即将特征可视化出来的图像。
步骤S30,对所述缺陷特征数据进行识别分类,得到缺陷检测结果,并输出所述缺陷检测结果。
在一实施例中,对缺陷特征数据进行识别分类,得到缺陷检测结果。可以理解的,在提取特征之后,需要进一步地进行分类。具体的,多标签分类任务主要是通过分析训练集来预测未知实例的标签集,针对待检测数据的不同,训练的时候使用两个数据集:图片数据集和视频数据集,来训练得到的模型,由机器学习模型进行缺陷分类。缺陷的类别是专业工程师根据实际情况标定的,例如:脱节,错口,破裂,障碍物,具体一种实施例中类别的划分可以参照表1。
根据实际需要,预设有检测项目名称代码及等级,代码是根据缺陷、结构或附属设施名称的两个关键字的汉语拼音字头组合表示。代码主要用于国外进口仪器的操作软件不是中文显示时使用,如软件是中文显示时则可不采用代码。另外对缺陷严重等级进行了划分,主要分为4级,1、2轻微,3、4严重,从1~4严重程度依次递增。缺陷严重程度可以由专业人员在得到缺陷检测结果后,进行判断评估。缺陷等级划分及说明见表1。
表1.缺陷等级划分及说明
缺陷名称 | 代码 | 缺陷说明 | 等级数量 |
残墙、坝根 | CQ | 管道闭水试验时砌筑的临时砖墙封堵,试验后未拆除或拆除不彻底的遗留物。 | 4 |
树根 | SG | 单个树根或树根群自然生长进入管道树根进入管道必然伴随着管道结构的破坏,进入管道后又影响管道的过流能力。 | 4 |
浮渣 | FZ | 管道内水面上的漂浮物。 | 3 |
破裂 | PL | 管道的外部压力超过自身的承受力致使管材发生破裂。 | 4 |
变形 | BX | 管道受外力挤压造成形状变异,管道的原样被改变 | 4 |
腐蚀 | FS | 管道内继受侵蚀而流失或刹落,出现麻面或露出钢筋。管道内母受到有害物质的腐蚀或管道内壁受到磨损。 | 3 |
错口 | CK | 同一接口的两个管口产生横向偏离,未处于管道的正确位置。 | 4 |
起伏 | QF | 接口位下沉,使管道坡度发生明显的变化。 | 3 |
脱节 | TJ | 两根管道的端部未充分接合或接口脱离。 | 4 |
接口材料脱落 | TL | 橡胶圈、沥青、水泥等类似的接口材料进入管道。 | 2 |
沉积 | CJ | 杂质在管道底部沉淀淤积。水中的有机或无机物,在管道底部沉积形成了减少管道横截面面积的沉积物。沉积物包括泥沙、碎砖石、固结的水泥砂浆等 | 4 |
障碍物 | ZW | 管道内影响过流的阻挡物,包括管道内坚硬的杂物,如石头、柴板树枝、遗弃的工具、破损管道的碎片等。 | 4 |
结垢 | JG | 管道内壁上的附着物。水中的污物,附着在管道内壁上,形成了减少管道横截面面积的附着堆积物。 | 4 |
渗漏 | SL | 渗漏主要指来源于地下的(按照不同的季节)或来自于邻近漏水管的水从管壁、接口 | 4 |
支管暗接 | AJ | 支管未通过检查井而直接侧向接入主管。 | 3 |
异物穿入 | CR | 非管道附属设施的物体穿透管辟进入管内。 | 3 |
需要说明的是,缺陷类别及其代码,可以根据实际需要增减、修改,并不限定仅为表1中列出的缺陷类别及其标记方式,表1仅为一实施例中的优选实施方式。本实施中缺陷检测结果为图像,可以将部分缺陷信息标注在图像中,便于查看,其余的检测信息可以和图像对应存储在一起,方便后续进行查找。另外对于检测得到的结果可以只保留置信度前四的结果,将其标注在图片上。可以理解的,值保留置信度前四的缺陷,能够帮助工作人员比较明显找到缺陷,如果把十几类的缺陷的结果都放在图片上,会降低图片的可读性。并且经过实验,保留前四的置信度检测结果,基本能够覆盖所有结果,只保留最高的几类输出就足够了,这样能让后续检查更具有针对性,减少冗余性,避免因为太多文字标注在图片上而造成文字障碍。
在本实施例中,通过获取的待检测的视频数据或图片数据,用多标签图像分类网络进行特征提取,得到缺陷特征数据,将提取到的缺陷特征数据进行识别分类,以得到缺陷检测结果,并输出缺陷检测结果,实现自动、高效地对管道视频、管道图片中的缺陷进行分类。
进一步地,基于本发明管道缺陷检测方法第一实施例,提出本发明管道缺陷检测方法第二实施例。
参照图3,图3为本发明管道缺陷检测方法一实施例对所述缺陷特征数据进行识别分类,得到缺陷检测结果的细化流程示意图,在第二实施例中,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤包括:
步骤S31,将所述缺陷特征数据输入预训练的第一网络,输出缺陷定位数据;
步骤S32,将所述缺陷定位数据添加到所述缺陷检测结果中。
在一实施例中,输入缺陷特征数据,通过预训练的第一网络输出缺陷定位数据,并将缺陷定位数据添加到缺陷检测结果中。其中,缺陷定位数据即为缺陷的位置信息,通过本实施例能够定位到图片中缺陷的位置。具体的,所述第一网络可以是语义分割网络,例如:U-Net、SegNet等,通过语义分割网络生成的是缺陷定位数据是掩膜;也可以使用目标检测网络,例如:Faster-RCNN、Yolo系列模型等,通过目标检测网络生成的缺陷定位数据是目标检测框。掩膜可以是从待处理图像中提取到感兴趣的部分,也可以是屏蔽掉一部分不太关注的信息,这个形状一般可以是不规则的。通过掩膜或目标检测框可以将图像中的缺陷找到并标注出来,并且不同的缺陷存在不同的形状特征,能找出不同类别的缺陷及其位置。例如预训练一个语义分割网络,使用的数据集已经有语义分割的标签,标出哪个部分是缺陷,然后通过数据集对模型进行训练,得到第一网络。
进一步地,在一实施例中,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤包括:
步骤S33,将所述缺陷特征数据输入预训练的分类器,通过所述分类器输出缺陷的缺陷置信度分数及严重程度;
在一实施例中,通过将缺陷数据输入预训练的分类器,并通过该分类器输出缺陷的缺陷置信度分数及严重程度。其中,缺陷的置信度,也即缺陷存在的可能性。需要说明的是,该分类器是由多个全连接层构成的多功能分类器,可以进行缺陷分类和缺陷严重等级分类。在构建模型时输入一般异常、旋转异常的图片作为训练集数据,再将标有严重等级的异常图片数据作为训练集数据,进行缺陷异常分类和缺陷严重等级分类的训练。每个分类器在结构上是相似的,至少包含一个全连接层。多功能分类器在实现上就是将几个分类器组合在一起,比如缺陷类别分类器,在检测的时候输入就是之前模型输出的缺陷特征数据,然后通过全连接层把它映射到17个缺陷类别中(此处17个类别为举例),也就是说输出是一个长为17的向量,每个值在0到1之间,这个就是每个类别的置信度。严重程度的分类器也类似,严重程度可以用数字分级、代码分级、百分比分级等来表示,例如:用级别表示,设置1~4级,从1~4级严重程度依此递增,则将缺陷特征数据输入严重程度分类器后输出的是缺陷严重级别。严重程度表示方式可以根据实际情况设置。参照表2,表2为一实施例严重程度的划分标准示例,其中缺陷代码沿用表1。
需要说明的是,在该表中将严重程度用等级表示,并不作为本实施例的严重程度表示方式限定,仅为优选实施方式。另外可以采用百分比进行划分,例如:弯曲,可以将弯曲度为1%~20%内,严重程度分值设为20分,20%~50%内,严重程度分值设为50分,弯曲程度50%~70%内,严重程度分值设为70分,弯曲程度70%~100%内,严重程度设为100分,那么在分类器训练的时候,首先通过专业人员对样本图像的严重程度进行打分,将其输入分类器进行训练,得到严重程度的分类器。
步骤S34,基于所述缺陷置信度分数及严重程度得到所述缺陷检测结果。
在一实施例中,在得到缺陷置信度分数及其严重程度后,输出每张图片对应的缺陷检测结果,具体的,可以将检测到的所有缺陷的置信度分数和其严重程度和图片一一对应的存储,并进行简单的标记,例如在图中标注缺陷1,缺陷1的名称、置信度、严重程度可以另外列出表格记录。
进一步地,在一实施例中,所述待检测数据为视频数据,所述基于所述缺陷置信度分数及严重程度得到所述缺陷检测结果的步骤包括:
步骤S35,将所述缺陷特征数据输入预训练的第二网络,获取旋转得分;
步骤S36,根据所述旋转得分得到旋转判别结果,所述旋转判别结果包括:旋转缺陷、一般缺陷;
步骤S37,基于所述旋转判别结果、所述缺陷置信度分数和严重程度,输出缺陷检测结果。
在本实施例中,当待检测数据为视频数据时,将缺陷特征数据输入预训练的第二网络得到旋转得分。因为视频管道检测在管道中拍摄视频时,需要转弯或者转动方向拍摄更加全面的视频,因此存在镜头旋转,那么在截取视频图片的时候,就有可能截取到镜头旋转时拍摄的图片,又因为旋转镜头下产生的异常和不旋转镜头下产生的异常,在机器学习里的特征是不一样的,如果将旋转镜头拍到的图片按照静止图片的特征去寻找,可能缺陷就找不到,因此,需要把缺陷分成一般缺陷和旋转缺陷。
以下将对各个步骤进行详细说明:
步骤S35,将所述缺陷特征数据输入预训练的第二网络,获取旋转得分;
在一实施例中,将缺陷特征数据输入预训练好的第二网络,获取旋转得分。具体的,将提取的缺陷特征数据输入三维卷积神经网络,进行特征拼接,由三维卷积网络输出是否旋转的分数。需要说明的是,此处预训练的第二网络为视频理解网络即可,例如时空3D卷积网络,这类网络的特征在于输入信息包括时间信息,因此是三维的。通过输入镜头旋转和不旋转数据集,让时空3D卷积网络学习特征,以训练得到第二网络。需要说明的是,第二网络、第一网络和分类器需要分别训练,每部分都需要相应的数据进行训练并冻结其他网络,而不是一次常规训练就能满足的。
参照图4,图4为本发明管道缺陷检测方法一实施例中镜头旋转判别的流程图,对本发明第二网络的构建进行说明,当待检测数据为视频数据时,输入视频数据中一批的帧图像,由多标签图像分类网络进行特征提取得到特征图(也即缺陷特征数据),为了方便后续处理,对一批的特征图进行特征拼接后输入两个3*3*3卷积层、2*2*2最大池化层,再输入分类器,得到缺陷旋转判别得分。当前设置下兼顾了速度和精度,在此设置下性能最优。深度3维卷积网络头,头通常被称作head,head是获取网络输出内容的网络,利用之前提取的特征,head利用这些特征,做出预测,因此头也叫做预测端。
步骤S36,根据所述旋转得分得到旋转判别结果,所述旋转判别结果包括:旋转缺陷、一般缺陷;
在一实施例中,根据旋转得分得到旋转判别结果。因为根据分类器得到缺陷置信度分数和严重程度中包括旋转异常缺陷和不旋转异常缺陷两个部分的判别结果,也即得到的是所有缺陷存在的可能性,但是一张图不可能既是旋转图片又是静止图片,因此,要筛除其中一种缺陷判别结果,具体输出哪一部分会根据第二网络(旋转判别模型)的得分来判别,具体的,如果输出的是旋转得分属于旋转缺陷对应的分数区间,或者通过与预设阈值进行比较,判别该图片存在的缺陷为旋转缺陷,也即判别结果为旋转缺陷。
步骤S37,基于所述旋转判别结果、所述缺陷置信度分数和严重程度,输出缺陷检测结果。
在一实施例中,根据旋转判别结果、缺陷置信度分数和严重程度,输出缺陷检测结果。根据旋转判别结果为一般缺陷或者旋转缺陷,输出对应的缺陷置信度分数和严重程度。例如,旋转判别结果为旋转缺陷,则输出旋转缺陷的置信度和对应的严重程度作为缺陷检测结果。
需要说明的是,步骤S31~S32、步骤S33~S34和步骤S35~S37这三个部分可以单独进行,三个部分都只依赖输出的特征数据,它们之间没有依赖,所以没有固定的执行顺序。
在一实施例中,缺陷识别分类包括步骤S31~S37,对于输入每幅图像(缺陷特征数据),会由三个部分分别对应的网络及分类器生成所有类别一般缺陷置信度分数,所有类别旋转缺陷置信度分数,所有类别一般缺陷Mask,所有类别旋转缺陷Mask,具体输出哪个是根据缺陷类别置信度以及旋转判断得分决定选择旋转缺陷输出还是一般缺陷输出。比如根据旋转得分判断该图像存在镜头旋转行为,并且根据旋转缺陷置信度找到了TOP4类缺陷,则将这四类缺陷的旋转Mask标到图中,并输出相应的信息,以告知工作人员这块有缺陷,方便后续进行缺陷的维修,使得缺陷的定位更加容易。
本实施例在对所述缺陷特征数据进行识别分类的过程中,通过第一网络输出缺陷定位数据,通过分类器输出缺陷的缺陷置信度分数及严重程度,并且当输入数据为视频数据的时候,通过第二网络获取旋转得分,既能够对视频进行单帧检测实现多标签的识别和分类缺陷,又能检测是否有镜头旋转发生,兼顾了视频整体理解和单帧特异性分析,具有多功能性。
进一步地,基于本发明管道缺陷检测方法的在前实施例,提出本发明管道缺陷检测方法的第三实施例,在本实施例中,所述通过预训练的多标签图像分类网络对所述待检测数据进行缺陷特征提取的步骤之前,所述方法还包括:
步骤S21,获取管道图像样本数据,将所述管道图像样本数据输入轻量化特征提取网络进行训练,得到所述多标签图像分类网络。
在一实施例中,获取管道图像样本数据,选择轻量化特征提取网络训练得到多标签图像分类网络。管道图像样本数据为拍摄的管道照片或者从管道视频中截取的图片,将管道图像样本数据输入轻量化特征提取网络的第一卷积层,将图像进行编码,处理为数字图像,然后经由预设数量的卷积核进行深度特征提取,输出缺陷特征数据(可以用向量表示),然后对该网络进行性能评估,迭代训练直到网络满足性能要求,训练得到多标签图像分类网络。其中,轻量化特征提取网络可以使用比如:MobileNet-V2、MobileNet-V3、SqueezeNet、ShuffleNet。其中,SqueezeNet的压缩策略是依靠将 3*3卷积替换成1*1卷积来达到的,其参数数量是等性能的AlexNet的2.14%。ShuffleNet利用分组卷积(groupconvolution)和通道混选(channel shuffle)这两个操作来设计卷积神经网络模型, 以减少模型使用的参数数量。MobileNet-V2是一个2D卷积神经网络模型,其主要的特征是轻量化、参数量少,该架构基于反转残差结构,其中的跳跃连接位于较瘦的瓶颈层之间,中间的扩展层则利用轻量级的深度卷积来提取特征引入非线性,而且,为了维持网络的表示能力去除了较窄层的非线性激活函数,因此具有轻量化的效果。其中瓶颈层(bottleneck)为MobileNet-V2中实现轻量化的主要模块,该模块首先将输入的低维压缩表示(low-dimensional compressed representation)扩展到高维,使用轻量级深度卷积做过滤;随后用linear bottleneck将特征投影回低维压缩表示。MobileNet-V3相比于MobileNet-V2引入SE结构,并用NetAdapt做调优,进一步地实现了轻量化。
需要说明的是,通过多标签图像分类网络提取特征之后,在后续模型中不用再从原数据中再提取特征,只需要几层就可以把输出的特征进行提取和分析,并且该多标签图像分类网络提取的特征可以用于多个任务中,多个任务公用一个特征提取网络,能够减少参数量,从而进一步地实现模型的轻量化。
进一步地,在一实施例中,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤之前,所述方法还包括:
步骤S22,选择卷积核尺寸至少为1*1,第二卷积层数至少为1层的语义分割或目标检测网络,构建得到所述第一网络。
在一实施例中,卷积核尺寸至少为1*1,第二卷积层数至少为1层的语义分割或目标检测网络,构建第一网络。因为减小卷积核尺寸和减少卷积层数能够减少模型的参数,因此本实施例通过选用尽量小的卷积核以及尽量少的卷积层数实现模型的轻量化。具体的,在研究过程中,通过测试当采用语义分割网络时,使用了Deeplab-V3的ASPP部分,并且再使用一层1*1卷积,就能实现缺陷定位数据的生成。其中,Deeplab-V3是一个语义分割网络,通过多层卷积神经网络达到分割目标和背景的目的,其中最重要的模块是空间金字塔池化(ASPP),它可以提取多尺度的特征。
参照图5,图5为本发明管道缺陷检测方法一实施例提取缺陷特征数据并生成缺陷掩膜的流程图,对多标签图像分类网络和第一网络进行说明:
输入待检测数据,在本实施中也即图5中标注的特征图,首先经过3*3卷积,然后经由7个阶段(Stage)的卷积,输出卷积后的特征图,也即缺陷特征数据;对阶段2阶段3、阶段4和多标签图像提取网络输出的数据分别进行3×3的卷积,并进行上采样,最后拼接在一起,再由3×3卷积层和1×1卷积层输出缺陷Mask(掩膜)。通过多标签图像分类网络的多个卷积层提取特征后,在生成掩膜的时候不用再从原数据中再次提取特征,可以减少第一网络的卷积层数,只需要几层就可以把输出的特征进行提取和分析。需要说明的是,被拼接的四部分操作在结构上是一致的,并且从哪些Stage提取特征以及数量是不固定的,只是当前性能最优,7个Stage的结构都是现有已知技术,并且卷积核的大小和层数没有固定设置,当前设置下兼顾了速度和精度。因为普通的池化会缩小图片的尺寸,为了得到和原图等大的分割图,我们需要上采样/反卷积。反卷积和卷积类似,都是相乘相加的运算。上采样主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。
进一步地,在一实施例中,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤之前,所述方法还包括:
步骤S23,选择卷积核尺寸至少为1*1*1,第一卷积层数至少为1层的视频理解网络,构建得到所述第二网络。
在一实施例中,通过选择卷积核尺寸至少为1*1*1,第一卷积层数至少为1层的视频理解网络构建第二网络。视频理解网络是用于对视频进行处理的神经网络,可以是C3D网络,也即时空3D卷积神经网络,通过将2D卷积在时间维度扩展,达到提取视频时空特征的目的。视频理解网络还可以是视频动作分类网络(Temporal Shift Module for EfficientVideo Understanding,TSM),具体的构建方式不在此赘述。因此,为了减少模型的参数量,提高整体模型运行效率,选择卷积核尺寸至少为1*1*1,第一卷积层数至少为1层的视频理解网络,构建得到第二网络,并且通过试验,只用了一层1*1*1卷积核进行3D卷积时就能达到较好的性能,使用该方法能够兼顾效率和速度。需要说明的是,卷积核尺寸和卷积层数可以在满足性能的前提下选择尽量小的,最优的是选择卷积核尺寸为1*1*1,第一卷积层数为1层的视频理解网络构建第二网络,这样的轻量化效果最好。
本实施通过轻量化特征提取网络作为基础框架构建多标签图像分类网络,相比于现有的基于3D或深度2D卷积网络的技术来说,我们的模型采用卷积核尺寸至少为1*1,第二卷积层数至少为1层的语义分割或目标检测网络,构建得到第一网络;采用卷积核尺寸至少为1*1*1,第一卷积层数至少为1层的视频理解网络构建得到第二网络,具有较少的模型参数和较少的计算量,实现了模型的轻量化,并且在实际应用上也证明了我们的模型对设备计算能力的要求很低,可以在只有CPU的设备上部署并高效准确的完成任务。
进一步地,基于本发明管道缺陷检测方法的在前实施例,提出本发明管道缺陷检测方法第四实施例。
管道缺陷检测方法的第四实施例与管道缺陷检测方法的在前实施例的区别在于,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤之后,所述方法还包括:
步骤a,获取所述缺陷检测结果中缺陷相对于图像中心的位置,并生成时钟位置;
步骤b,将所述时钟位置标注在所述缺陷检测结果上。
在一实施例中,获取缺陷检测结果相对图像中心的位置,并生成时钟位置,然后将时钟位置标注在确信啊检测结果上。具体的,对缺陷在管道中的位置按照时钟位置进行定位,以图片中心与缺陷的外接矩形的对角顶点形成的夹角对应的时钟位置(如果缺陷在图像左上方,则对角顶点为左下和右上,如果在右上方,则对角顶点为左上和右下,以此类推),如果图片中心在缺陷框内,则时钟位置为0012。例如:以图片中心为原点向缺陷区域最左的引一条切线和最右引的一条切线,以两条切线所在的时钟位置作为缺陷的时钟位置进行标注,例如标注为0607,相当于是六点钟方向和七点钟方向构成的一个扇形区域,缺陷在这个区域内。通过对缺陷进行时钟标记,方便了后续工作人员进入管道进行缺陷修复时对缺陷进行定位,以时钟定位更为准确且方便。
进一步地,在一实施例中,所述待检测数据为视频数据,所述获取待检测数据的步骤包括:
步骤c,按照预设帧采集率,从所述视频数据中采集预设帧数的待检测图片;
在一实施例中,当待检测数据为视频数据时,不能直接对视频数据进行检测,需要对视频数据进行抽帧处理。视频抽帧就是在一段视频中,通过间隔一定帧抽取若干帧的方式。预设的帧采集率可以是每隔一秒抽取8帧,抽取的8帧为连续的8帧,这8帧在前处理时构成一个Batch(批),采样间隔为大于0的任意值,在为1s时兼顾了效率和准确率,具体可以根据实际情况选择。具体的,通过抽帧工具从视频数据中采集预设帧数的待检测图片,抽帧工具可以是:FFmpeg。
步骤d,对所述待检测图片进行尺寸修改,并进行分批,得到已处理数据;
在一实施例中,对获取的待检测图片进行尺寸修改,并进行分批处理,得到已处理数据。可以理解的,在构建检测模型的过程用到的训练集图片的原始尺寸比较大,如果是用原始尺寸的图片进行训练的话,存在两个问题,一个是一张图片只能用一次,数据量较少,第二个问题是图片尺寸太大,数据体积大,所以需要对训练集图片进行裁剪或缩放。那么在实际进行检测的时候,待检测数据需要被修改到与训练数据一致的大小,以匹配训练的模型的输入。并且对待检测图片进行缩放通常是把图片的尺寸减小,图片越小模型需要处理的数据量越小,可以加快处理速度。需要说明的是,当获取待检测数据为图片数据时也需要进行修改尺寸的步骤,以使得图片尺寸与模型预训练时使用的尺寸一致。并且对待检测图片进行分批,由于特征提取通常需要分批进行,也即将一批的帧图像一起处理,因此,在此对待检测图片进行分批处理,以便后续进行特征提取以及特征拼接,获得更佳的特征数据。
步骤e,将所述已处理数据作为所述待检测数据。
在一实施例中,将已处理后的数据作为待检测数据。可以理解的,因为多标签图像分类网络只能对图像进行分类,因此在获取到视频数据后需要对视频处理进行前处理,将处理后的数据作为待检测数据输入多标签图像分类网络。
本实施例在输入数据为视频数据的时候,按照预设帧采集率获取视频中的图像,将视频视为连续的图像进行处理,做到了输入既可以是视频也可以是图像,同时对待检测图片的尺寸进行修改,并对待检测图片进行分批,以便后续通过多标签图像分类网络进行特征提取。并且在得到缺陷结果之后,通过获取缺陷的时钟位置,并且标注时钟位置,为专业人员实地维修时提供了更大的帮助。
进一步地,基于本发明管道缺陷检测方法的在前实施例,提出本发明管道缺陷检测方法第五实施例,管道缺陷检测方法第五实施例与在前实施例的区别在于,所述输出所述缺陷检测结果的步骤包括:
步骤S41,获取缺陷检测结果中每张图像的井内判别得分,将所述井内判别得分与第一阈值比较;
在一实施例中,获取缺陷检测结果中每张图像的井内判别得分,并将井内判别得分和第一阈值进行比较。模型对于每张输入的图像(输入为视频时抽帧生成图像)都会有预测结果,这其中是有冗余的,所以要进行去重。
可以理解的,在检测管道的图像或视频中,通常是在底下管道井进行拍摄,但是在进入管道井或者是出管道井的那一段路程通常也会被记录下来,而我们需要的管道检测结果是管道内的检测图像,因此,需要对图像到底是属于井内还是井外进行判别。具体的,通过预训练的分类器,进行井内井外图像判别,得到井内判别得分,井内判别得分为模型预测该图像为井内的可能性分数。
步骤S42,将低于所述阈值的图像判别为井外,并筛除所述图像对应的缺陷检测结果,输出剩余的缺陷检测结果。
在一实施例中,根据预设的第一阈值,若井内得分低于第一阈值,则判断该图像为井外,并将其筛去。由于需要检测的视频很多,如果每段视频在检测前都事先人工剪辑,将非井内的视频删去,这样的工作量是很大的。因此,本实施例通过分类器对视频进行判别,并删去非井内的视频检测结果,避免了不需要的检测结果输出。
进一步地,在一实施例中,所述输出所述缺陷检测结果的步骤包括:
步骤S43,检测所述缺陷检测结果中图像的置信度,并获取所述置信度最高的类;
步骤S44,判段所述置信度最高的类是否为正常;
步骤S45,若是,则筛除所述置信度最高的类为正常对应的缺陷检测结果,输出剩余的缺陷检测结果。
在一实施例中,获取所述缺陷检测结果中图像的置信度,并获取每张图像置信度最高的类。判断图像中置信度最高的类是否为正常,如果是正常的话,则将其筛除,输出剩余的缺陷检测结果。可以理解的,置信度最高的类也即图片中最有可能存在的缺陷,由于在输出检测结果的时候会输出为正常的缺陷判断结果,以辅助专业人员进行判断,所以首先判断置信度最高的类是否为正常,如果是正常的话,那么大概率可以认为该图片是正常的,由于缺陷检测的目的就是找出存在缺陷的图片,那么对于正常的图片就不需要输出其缺陷结果。这样就可以减少工作人员的对置信度最高结果为正常的图像再次进行判断的工作负担,减少输出数据量。
进一步地,在一实施例中,所述输出所述缺陷检测结果的步骤包括:
步骤S46,按预设帧数对所述缺陷检测结果中的图像进行分组;
步骤S47,检测所述图像的置信度,并获取置信度最高的类;
步骤S48,依次判断组内图像的置信度最高的类是否为同一类;
步骤S49若是,则对两张图像的最高的置信度进行比较,舍弃置信度更低的那张图像,输出剩余的缺陷检测结果。
在本实施例中,按照预设帧数对缺陷结果中的图像进行分组。并且获取每张图像的置信度,获得每张图像置信度最高的类,在组内比较每张图片置信度最高的类是否为同一类,将组内图片置信度最高的类相同的进行置信度对比,保留置信度高的图片。实现了对冗余结果的删除,实现了了模型的轻量化。
以下将对各个步骤进行详细说明:
步骤S46,按预设帧数对所述缺陷检测结果中的图像进行分组;
在一实施例中,按照预设帧数对缺陷检测结果中的图像进行分组。可以理解的,为了消除重复冗余的结果,首先对缺陷检测结果进行分组,例如将20帧的图片分为一组,或者30帧图片分为一组,例如帧采样率为每秒采取8帧,将40帧的图片分为一组,那么其实也就是连续5s内拍摄到的图像作为一组,在5s内拍摄到视频图像是相差不多的,因此先进行分组,再对组内的图片进行筛选。需要说明的是,预设帧数是根据探测仪的行动速度或者不同探测环境选择的,当探测仪的行动速度较快,那么在1s内经过的路程会更多,可以拍摄到更多的图像,那么这时候如果选取过大的预设帧数可能会筛选掉的并不是同一缺陷的重复图像,而是相似缺陷,因此,需要根据时间情况进行设置。
步骤S47,检测所述图像的置信度,并获取置信度最高的类;
步骤S48,依次判断组内图像的置信度最高的类是否为同一类;
步骤S49,若是,则对两张图像的最高的置信度进行比较,舍弃置信度更低的那张图像,输出剩余的缺陷检测结果。
在一实施例中,若两张图像的置信度最高的类为同一类,则对其置信度最高的那类的置信度进行比较,保留置信度高的那张。可以理解的,按照预设帧数划分的组内图像,时间间隔不会太久,基本可以认为是在同一时间段内测得的图像,那么在此基础上,检测到的缺陷可以认为是同一缺陷。因此,本实施例通过获取组内各图像缺陷置信度最高的类,并判断置信度最高的类是否相同,进一步地将相同类的两张图片进行比较,将同类的置信度更高的那张检测结果保留,删去置信度更低的那张图像,以对同类检测结果进行筛除,减少缺陷检测结果的冗余性。
进一步地,在一实施例中,所述输出所述缺陷检测结果的步骤包括:
步骤S50,按预设帧数对所述缺陷检测结果中的图像进行分组;
步骤S51,依次获取组内图像的相邻时间间隔,判断所述相邻时间间隔是否小于第二阈值;
步骤S52,若是,则舍弃相邻图像中的后一帧缺陷检测结果,输出剩余的缺陷检测结果。
本实施例中,根据预设帧数对缺陷检测结果进行分组,并根据组内图像的相邻时间间隔进行筛选,将组内图像时间间隔小于第二阈值的两张图像挑出来,将相邻图像中的前一帧的缺陷检测结果保留,舍弃后一帧的缺陷检测结果,实现了对缺陷检测结果的去重处理。
步骤S50,按预设帧数对所述缺陷检测结果中的图像进行分组;
在一实施例中,按预设帧数对缺陷检测结果中的图像进行分组。将检测结果中的图像按时间顺序,从大到小或从小到大进行排序,按照预设帧数,例如30帧,将缺陷检测结果进行划分,划分为每30帧为一组。需要说明的是,预设帧数可以与步骤S46中的预设帧数相同,也可以为不同的。
步骤S51,依次获取组内图像的相邻时间间隔,判断所述相邻时间间隔是否小于第二阈值;
在一实施例中,依此获取组内图像的相邻时间间隔,判断相邻时间间隔是否小于第二阈值。可以理解的,当缺陷检测结果中两帧图像的时间非常相近时,可以认为是同一个场景,因此,获取的图像的时间,两两计算时间间隔,并将相邻时间间隔和第二阈值进行比较,判断相邻时间间隔是否小于第二阈值,其中,第二阈值可以根据实际情况进行设定,例如:设置为2帧。
步骤S52,若是,则舍弃相邻图像中的后一帧缺陷检测结果,输出剩余的缺陷检测结果。
在一实施例中,若相邻时间间隔小于第二阈值,则舍弃相邻图像中后一帧的缺陷检测结果,保留前一帧的缺陷结果,进而输出缺陷检测结果。如果两张图片的相邻时间间隔小于第二阈值,那么就可以认为是两张图片获取的时间十分相近,对于两张相近的图片,可以选择保留前一帧的图片,由于算法逻辑上是从前向后遍历的,所以逻辑上是保留前一帧比较简便,因为保留前一帧和后一帧的对检测结果的影响并不大,故选择保留前一帧的图像,以降低算法的复杂度。
需要说明的是,可以同时使用本实施中的多个去重步骤,例如以下列步骤进行去重:
第一步,检查每张图像的井内(井即为污水井,井内才是管道内部)判别得分,低于设定阈值的图像判别为井外,并筛除。该得分由模型预测并输出。
第二步,检查每张图像置信度最高的类,如果为正常,则判别该图像不包含异常并筛除,因为模型最终只需要输出哪些地方有缺陷。
第三步,按固定值将剩余的帧进行分组,例如,第一组包含的帧在输入视频的时间轴上为前30帧的范围内,第二组为31到60帧,该固定值与视频FPS有关。然后在每一组中,如果有两张或以上图像对应置信度最高的缺陷为同一缺陷,则只保留置信度最高的那张图,其余舍弃。
第四步,对于上述分组中的每组图像,对组内图像的相邻间隔进行检查,如果小于阈值,则保留前一帧,舍弃后一帧。
本实施例通过获取缺陷结果中每张图像的井内判别得分,将井外的缺陷检测结果筛除;并通过获取缺陷检测结果中的图像的置信度,获取置信度最高的类,并判断最高的类是否为正常,若是正常的话则将去筛除;进一步地,按照预设帧数对缺陷检测结果中的图像进行分组,并获取置信度最高的类,判断组内图像置信度最高的类是否为同一类,若是则删去同一类中置信度更低的图像;进一步地按照预设帧数对缺陷结果中的图像进行分组,并获取组内图像的相邻时间间隔,将相邻时间间隔小于预设第二阈值的两张找出,并舍弃后一帧的缺陷检测结果。通过对缺陷检测结果进行后处理,能很大程度的降低缺陷检测结果的生成率,去掉冗余的输出,保证输出的图像都是包含特定缺陷的关键帧。
基于本发明的在前实施例,提出第六实施例,通过第六实施例对本发明管道缺陷检测方法的实施方法进行概述。
参照图6,图6为本发明管道缺陷检测方法一实施例的流程图,对本发明管道缺陷检测模型进行说明,具体而言,模型主要分为三个部分:前处理、推理和后处理。前处理部分当输入为视频的时候,对管道视频进行读取、抽帧和裁剪。输入为图片时则直接进行裁剪和转化为张量,推理部分首先由轻量化特征提取网络对抽取的帧进行特征提取以及缺陷类型和等级的分类,然后由第一网络(语义分割网络或者目标检测网络)生成缺陷部分的掩膜,最后由第二网络(视频理解网络)对视频中是否有镜头的旋转进行判别。后处理部分主要是对推理部分输出的异常帧进行筛选和去重以及缺陷在管道位置的时钟定位,并将结果输出并存储。需要说明的是,每张图像一般只会保存Top4的缺陷结果。输入为图片时,不需要进行抽帧以及镜头旋转判别部分,其余部分与输入为视频时相同。
进一步地,参照图7对本发明管道缺陷检测算法实施流程进行说明,图7为本发明管道缺陷检测方法一实施例中视频模式和图片模式的流程图,当输入为视频时启动V模式,输入待检测视频数据,将视频通过帧采样切分成小段进行判定,若判断为旋转则输出旋转异常类别的判别结果,若判断为正常,则输出一般异常类别的判别结果,然后对判别结果进行后处理,输出检测结果;当输入为图像时,启动f模式,输入分为两部分,输入图像的路径和模型输出存放的文件夹路径,模型根据输入图像路径读取图像进行处理,输出图像存放在模型输出存放的路径里,文件夹中包括输入图像、输出图像和一个文本文件,然后将输出图像和文本文件作为检测结果输出。
参照图8,图8为本发明管道缺陷检测方法一实施例的输入输出示意图,左图为输入待检测图片,右图为输出的检测结果,对右图上的图片标注进行解释:
第一行的字为在16类管道缺陷中置信度最高的四个缺陷的名称,具体名称对应关系参见表1。
第二行的字为上述四个缺陷名称对应的置信度,可简单理解为模型有多大把握认为该缺陷存在于图片中。
第三行文字为上述四个缺陷的严重等级。16类缺陷等级是1~4的整数,ZC即正常的,缺陷等级为0。
第四行文字为上述四个缺陷的时钟位置。ZC即正常的时钟位置为None。
本实施例模型既可以像一般的图像理解网络输出帧级别的特征,又可以像视频理解网络一样对视频在时间维度上进行特征提取,比如异常在时间上的定位以及是否有镜头旋转发生。它兼顾了视频整体理解和单帧特异性分析的优势。现有技术大多只能对缺陷类别进行分类,定位上也大多只是框选,实际应用上很不灵活。我们的模型不但能多标签的识别和分类缺陷,还能评估缺陷的严重等级,并通过语义分割网络精准的定位了缺陷,并且标注了时钟位置,为专业人员实地维修时提供了更大的帮助。
本发明还提供一种管道缺陷检测系统。如图9所示,图9是本发明管道缺陷检测方法一实施例的管道缺陷检测系统示意图。
本发明管道缺陷检测系统包括:
获取模块10,用于获取待检测数据,所述待检测数据为包含管道图像的以下数据至少一种:视频数据、图片数据;
特征提取模块20,用于通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取,得到缺陷特征数据;
检测模块30,用于对所述缺陷特征数据进行识别分类,得到缺陷检测结果,并输出所述缺陷检测结果。
优选地,所述检测模块还用于:
将所述缺陷特征数据输入预训练的第一网络,输出缺陷定位数据;
将所述缺陷定位数据添加到所述缺陷检测结果中。
优选地,所述检测模块还用于:
将所述缺陷特征数据输入预训练的分类器,通过所述分类器输出缺陷的缺陷置信度分数及严重程度;
基于所述缺陷置信度分数及严重程度得到所述缺陷检测结果。
优选地,所述检测模块还用于:
将所述缺陷特征数据输入预训练的第二网络,获取旋转得分;
根据所述旋转得分得到旋转判别结果,所述旋转判别结果包括:旋转缺陷、一般缺陷;
基于所述旋转判别结果、所述缺陷置信度分数和严重程度,输出缺陷检测结果。
优选地,所述系统还包括模型训练模块,所述模型训练模块用于:
获取管道图像样本数据,将所述管道图像样本数据输入轻量化特征提取网络进行训练,得到所述多标签图像分类网络。
优选地,所述模型训练模块还用于:
选择卷积核尺寸至少为1*1,第二卷积层数至少为1层的语义分割或目标检测网络,构建得到所述第一网络。
优选地,所述模型训练模块还用于:
选择卷积核尺寸至少为1*1*1,第一卷积层数至少为1层的视频理解网络,构建得到所述第二网络。
优选地,所述检测模块还用于:
获取所述缺陷检测结果中缺陷相对于图像中心的位置,并生成时钟位置;
将所述时钟位置标注在所述缺陷检测结果上。
优选地,所述待检测数据为视频数据,所述获取待检测数据的步骤包括:
按照预设帧采集率,从所述视频数据中采集预设帧数的待检测图片;
对所述待检测图片进行尺寸修改,并进行分批,得到已处理数据;
将所述已处理数据作为所述待检测数据。
优选地,所述检测模块还用于:
获取缺陷检测结果中每张图像的井内判别得分,将所述井内判别得分与第一阈值比较;
将低于所述第一阈值的图像判别为井外,并筛除所述图像对应的缺陷检测结果,输出剩余的缺陷检测结果。
优选地,所述检测模块还用于:
检测所述缺陷检测结果中图像的置信度,并获取所述置信度最高的类;
判段所述置信度最高的类是否为正常;
若是,则筛除所述置信度最高的类为正常对应的缺陷检测结果,输出剩余的缺陷检测结果。
优选地,所述检测模块还用于:
按预设帧数对所述缺陷检测结果中的图像进行分组;
检测所述图像的置信度,并获取置信度最高的类;
依次判断组内图像的置信度最高的类是否为同一类;
若是,则对两张图像的最高的置信度进行比较,舍弃置信度更低的那张图像,输出剩余的缺陷检测结果。
优选地,所述检测模块还用于:
按预设帧数对所述缺陷检测结果中的图像进行分组;
依次获取组内图像的相邻时间间隔,判断所述相邻时间间隔是否小于第二阈值;
若是,则舍弃相邻图像中的后一帧缺陷检测结果,输出剩余的缺陷检测结果。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有管道缺陷检测程序,所述管道缺陷检测程序被处理器执行时实现如上所述的管道缺陷检测方法的步骤。
其中,在所述处理器上运行的管道缺陷检测程序被执行时所实现的方法可参照本发明管道缺陷检测方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个拉曼光谱数据处理”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (16)
1.一种管道缺陷检测方法,其特征在于,所述管道缺陷检测方法包括以下步骤:
获取待检测数据,所述待检测数据为包含管道图像的以下数据至少一种:视频数据、图片数据;
通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取,得到缺陷特征数据;
对所述缺陷特征数据进行识别分类,得到缺陷检测结果,并输出所述缺陷检测结果。
2.如权利要求1所述的管道缺陷检测方法,其特征在于,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤包括:
将所述缺陷特征数据输入预训练的第一网络,输出缺陷定位数据;
将所述缺陷定位数据添加到所述缺陷检测结果中。
3.如权利要求1所述的管道缺陷检测方法,其特征在于,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤包括:
将所述缺陷特征数据输入预训练的分类器,通过所述分类器输出缺陷的缺陷置信度分数及严重程度;
基于所述缺陷置信度分数及严重程度得到所述缺陷检测结果。
4.如权利要求3所述的管道缺陷检测方法,其特征在于,所述待检测数据为视频数据,所述基于所述缺陷置信度分数及严重程度得到所述缺陷检测结果的步骤包括:
将所述缺陷特征数据输入预训练的第二网络,获取旋转得分;
根据所述旋转得分得到旋转判别结果,所述旋转判别结果包括:旋转缺陷、一般缺陷;
基于所述旋转判别结果、所述缺陷置信度分数和严重程度,输出缺陷检测结果。
5.如权利要求1所述的管道缺陷检测方法,其特征在于,所述通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取的步骤之前,所述方法还包括:
获取管道图像样本数据,将所述管道图像样本数据输入轻量化特征提取网络进行训练,得到所述多标签图像分类网络。
6.如权利要求2所述的管道缺陷检测方法,其特征在于,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤之前,所述方法还包括:
选择卷积核尺寸至少为1*1,第二卷积层数至少为1层的语义分割或目标检测网络,构建得到所述第一网络。
7.如权利要求4所述的管道缺陷检测方法,其特征在于,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤之前,所述方法还包括:
选择卷积核尺寸至少为1*1*1,第一卷积层数至少为1层的视频理解网络,构建得到所述第二网络。
8.如权利要求1所述的管道缺陷检测方法,其特征在于,所述对所述缺陷特征数据进行识别分类,得到缺陷检测结果的步骤之后,所述方法还包括:
获取所述缺陷检测结果中缺陷相对于图像中心的位置,并生成时钟位置;
将所述时钟位置标注在所述缺陷检测结果上。
9.如权利要求1所述的管道缺陷检测方法,其特征在于,所述待检测数据为视频数据,所述获取待检测数据的步骤包括:
按照预设帧采集率,从所述视频数据中采集预设帧数的待检测图片;
对所述待检测图片进行尺寸修改,并进行分批,得到已处理数据;
将所述已处理数据作为所述待检测数据。
10.如权利要求1所述的管道缺陷检测方法,其特征在于,所述输出所述缺陷检测结果的步骤包括:
获取缺陷检测结果中每张图像的井内判别得分,将所述井内判别得分与第一阈值比较;
将低于所述第一阈值的图像判别为井外,并筛除所述图像对应的缺陷检测结果,输出剩余的缺陷检测结果。
11.如权利要求1所述的管道缺陷检测方法,其特征在于,所述输出所述缺陷检测结果的步骤包括:
检测所述缺陷检测结果中图像的置信度,并获取所述置信度最高的类;
判段所述置信度最高的类是否为正常;
若是,则筛除所述置信度最高的类为正常对应的缺陷检测结果,输出剩余的缺陷检测结果。
12.如权利要求1所述的管道缺陷检测方法,其特征在于,所述输出所述缺陷检测结果的步骤包括:
按预设帧数对所述缺陷检测结果中的图像进行分组;
检测所述图像的置信度,并获取置信度最高的类;
依次判断组内图像的置信度最高的类是否为同一类;
若是,则对两张图像的最高的置信度进行比较,舍弃置信度更低的那张图像,输出剩余的缺陷检测结果。
13.如权利要求1所述的管道缺陷检测方法,其特征在于,所述输出所述缺陷检测结果的步骤包括:
按预设帧数对所述缺陷检测结果中的图像进行分组;
依次获取组内图像的相邻时间间隔,判断所述相邻时间间隔是否小于第二阈值;
若是,则舍弃相邻图像中的后一帧缺陷检测结果,输出剩余的缺陷检测结果。
14.一种管道缺陷检测系统,其特征在于,所述系统包括:
获取模块,用于获取待检测数据,所述待检测数据为包含管道图像的以下数据至少一种:视频数据、图片数据;
特征提取模块,用于通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取,得到缺陷特征数据;
检测模块,用于对所述缺陷特征数据进行识别分类,得到缺陷检测结果,并输出所述缺陷检测结果。
15.一种管道缺陷检测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的管道缺陷检测程序,所述管道缺陷检测程序配置为实现如权利要求1至13中任一项所述的管道缺陷检测方法的步骤。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有管道缺陷检测程序,所述管道缺陷检测程序被处理器执行时实现如权利要求1至13任一项所述的管道缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113661.XA CN114140625A (zh) | 2022-01-30 | 2022-01-30 | 管道缺陷检测方法、系统、设备与计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113661.XA CN114140625A (zh) | 2022-01-30 | 2022-01-30 | 管道缺陷检测方法、系统、设备与计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140625A true CN114140625A (zh) | 2022-03-04 |
Family
ID=80381793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210113661.XA Pending CN114140625A (zh) | 2022-01-30 | 2022-01-30 | 管道缺陷检测方法、系统、设备与计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140625A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419523A (zh) * | 2022-03-29 | 2022-04-29 | 深圳市勘察研究院有限公司 | 基于视频深度特征识别和子空间聚类的管道缺陷检测方法 |
CN114491083A (zh) * | 2022-04-01 | 2022-05-13 | 江苏智云天工科技有限公司 | 工业检测中的知识图库构建方法、知识图库构建装置 |
CN114627089A (zh) * | 2022-03-21 | 2022-06-14 | 成都数之联科技股份有限公司 | 缺陷识别方法、装置、计算机设备及计算机可读存储介质 |
CN115049632A (zh) * | 2022-06-28 | 2022-09-13 | 深圳市瀚德智能机器人有限公司 | 管带扭转检测方法、装置、设备和存储介质 |
CN115899595A (zh) * | 2023-03-08 | 2023-04-04 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管道防腐优化方法、物联网系统及存储介质 |
CN117173087A (zh) * | 2023-05-09 | 2023-12-05 | 郑州大学 | 基于yolox的abr管道缺陷识别方法、装置和计算机设备 |
CN117523501A (zh) * | 2024-01-04 | 2024-02-06 | 四川省铁路建设有限公司 | 一种管线巡检机器人控制方法及系统 |
KR102643699B1 (ko) * | 2022-10-18 | 2024-03-05 | 한국가스안전공사 | 배관 안정도 추정 시스템 및 방법 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110969611A (zh) * | 2019-12-03 | 2020-04-07 | 广州特种承压设备检测研究院 | 管道焊缝缺陷检测方法、装置、系统及存储介质 |
CN111695482A (zh) * | 2020-06-04 | 2020-09-22 | 华油钢管有限公司 | 一种管道缺陷识别方法 |
CN111932489A (zh) * | 2020-06-03 | 2020-11-13 | 西安电子科技大学 | 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端 |
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 |
CN113221710A (zh) * | 2021-04-30 | 2021-08-06 | 深圳市水务工程检测有限公司 | 基于神经网络的排水管道缺陷识别方法、装置、设备及介质 |
-
2022
- 2022-01-30 CN CN202210113661.XA patent/CN114140625A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110969611A (zh) * | 2019-12-03 | 2020-04-07 | 广州特种承压设备检测研究院 | 管道焊缝缺陷检测方法、装置、系统及存储介质 |
CN111932489A (zh) * | 2020-06-03 | 2020-11-13 | 西安电子科技大学 | 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端 |
CN111695482A (zh) * | 2020-06-04 | 2020-09-22 | 华油钢管有限公司 | 一种管道缺陷识别方法 |
CN113221710A (zh) * | 2021-04-30 | 2021-08-06 | 深圳市水务工程检测有限公司 | 基于神经网络的排水管道缺陷识别方法、装置、设备及介质 |
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 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627089A (zh) * | 2022-03-21 | 2022-06-14 | 成都数之联科技股份有限公司 | 缺陷识别方法、装置、计算机设备及计算机可读存储介质 |
CN114419523A (zh) * | 2022-03-29 | 2022-04-29 | 深圳市勘察研究院有限公司 | 基于视频深度特征识别和子空间聚类的管道缺陷检测方法 |
CN114419523B (zh) * | 2022-03-29 | 2022-07-08 | 深圳市勘察研究院有限公司 | 基于视频深度特征识别和子空间聚类的管道缺陷检测方法 |
CN114491083A (zh) * | 2022-04-01 | 2022-05-13 | 江苏智云天工科技有限公司 | 工业检测中的知识图库构建方法、知识图库构建装置 |
CN114491083B (zh) * | 2022-04-01 | 2022-07-15 | 江苏智云天工科技有限公司 | 工业检测中的知识图库构建方法、知识图库构建装置 |
CN115049632A (zh) * | 2022-06-28 | 2022-09-13 | 深圳市瀚德智能机器人有限公司 | 管带扭转检测方法、装置、设备和存储介质 |
KR102643699B1 (ko) * | 2022-10-18 | 2024-03-05 | 한국가스안전공사 | 배관 안정도 추정 시스템 및 방법 |
CN115899595A (zh) * | 2023-03-08 | 2023-04-04 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管道防腐优化方法、物联网系统及存储介质 |
US11982613B2 (en) | 2023-03-08 | 2024-05-14 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things (IOT) systems for corrosion protection optimization of pipeline of smart gas |
CN117173087A (zh) * | 2023-05-09 | 2023-12-05 | 郑州大学 | 基于yolox的abr管道缺陷识别方法、装置和计算机设备 |
CN117523501A (zh) * | 2024-01-04 | 2024-02-06 | 四川省铁路建设有限公司 | 一种管线巡检机器人控制方法及系统 |
CN117523501B (zh) * | 2024-01-04 | 2024-03-15 | 四川省铁路建设有限公司 | 一种管线巡检机器人控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114140625A (zh) | 管道缺陷检测方法、系统、设备与计算机可读存储介质 | |
KR102008973B1 (ko) | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 | |
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 | |
CN113408462B (zh) | 基于卷积神经网络与类别热力图的滑坡遥感信息提取方法 | |
CN108629777A (zh) | 一种数字病理全切片图像病变区域自动分割方法 | |
CN110910360B (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
Ye et al. | Diagnosis of sewer pipe defects on image recognition of multi-features and support vector machine in a southern Chinese city | |
CN110503637B (zh) | 一种基于卷积神经网络的道路裂缝自动检测方法 | |
Tomowski et al. | Colour and texture based change detection for urban disaster analysis | |
Panella et al. | Deep learning and image processing for automated crack detection and defect measurement in underground structures | |
JP2020085546A (ja) | 構造物の点検・補修支援システム | |
CN114155474A (zh) | 基于视频语义分割算法的损伤识别技术 | |
CN111046950A (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
Kumar et al. | Detection of concrete cracks using dual-channel deep convolutional network | |
CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN111027946A (zh) | 一种桥梁检测报告生成方法及系统 | |
Myrans et al. | Using Automatic Anomaly Detection to Identify Faults in Sewers:(027) | |
Bush et al. | Deep Neural Networks for visual bridge inspections and defect visualisation in Civil Engineering | |
Chen et al. | Deep Learning Based Underground Sewer Defect Classification Using a Modified RegNet | |
CN115497006A (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
Wei-Hao et al. | Comparisons of Classification Models on COASTSAT | |
Holland et al. | Detecting changes to topographic features using high resolution imagery | |
CN111738324B (zh) | 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法 | |
Ro et al. | A Machine learning approach for Post-Disaster data curation |
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: 20220304 |
|
RJ01 | Rejection of invention patent application after publication |