CN116596885A - 一种排水管网状态实时检测方法及系统 - Google Patents

一种排水管网状态实时检测方法及系统 Download PDF

Info

Publication number
CN116596885A
CN116596885A CN202310565801.1A CN202310565801A CN116596885A CN 116596885 A CN116596885 A CN 116596885A CN 202310565801 A CN202310565801 A CN 202310565801A CN 116596885 A CN116596885 A CN 116596885A
Authority
CN
China
Prior art keywords
pipeline
image acquisition
image
neural network
pooling
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
Application number
CN202310565801.1A
Other languages
English (en)
Inventor
王殿常
惠二青
骆辉煌
黄钰铃
淦方茂
彭寿海
陈文然
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.)
China Institute of Water Resources and Hydropower Research
Yangtze Ecology and Environment Co Ltd
Original Assignee
China Institute of Water Resources and Hydropower Research
Yangtze Ecology and Environment Co Ltd
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 China Institute of Water Resources and Hydropower Research, Yangtze Ecology and Environment Co Ltd filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202310565801.1A priority Critical patent/CN116596885A/zh
Publication of CN116596885A publication Critical patent/CN116596885A/zh
Pending legal-status Critical Current

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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种排水管网状态实时检测方法及系统，属于城市排水管道状态监测领域，包括以下步骤：选择工作模式，基于工作模式需求自动选择相应的图像采集装置；将图像采集装置安装在管道内部的光缆上，对管道图像进行采集；构建CNN神经网络并基于管道图像对其进行训练，得到最优识别模型；CNN神经网络包括上半部分网络结构和下半部分网络结构；将图像采集设备采集到的管道图像输入所述最优识别模型，输出分类结果，分类结果包括含有某种特定缺陷和无缺陷；根据分类结果进行报警提示。本发明加强城市排水管网状态实时监测，准确评估管道的真实状态，实现信息化、智慧化检测，减少人工判别，提高检测精度。

Description

一种排水管网状态实时检测方法及系统
技术领域
本发明涉及城市排水管道状态监测技术领域，更具体的说是涉及一种基于视觉系统的排水管网状态实时检测方法及系统。
背景技术
随着城镇化的稳步推进，城市排水管网的规模也越来越大，2022年排水管网总长度已超过了100万公里。这些管网里既包含老旧排水管网，也有新建排水管网，老旧管网老化程度参差不齐，新建管网建设质量也不尽相同。这些管道一旦出现拥堵或渗漏等缺陷，将会带来严重的影响，对整个城市的发展、人们的生命财产安全等都将造成影响。
近年来城市地下排水管网运行中的问题也日益凸显，管网破损一方面会使污水外渗导致地下水污染，从而带来以地下水为饮用水水源地的用水安全问题，另一方面在高水位地区会带来地下水、河湖水等客水入侵，导致污水厂进厂BOD浓度降低，影响污水处理设施运行效率。更为严重的是，部分城市因为排水管网破损导致路面塌陷带来的安全事故报道屡见不鲜，需要加强城市排水管网状态实时监测，准确评估管道的真实状态，以便于对管网进行精准精细精益运维。然而行业目前现有的检测技术和装备都需要人为操作，无法实时了解重点管段状态信息；检测图像需要经验丰富的技术人员分析，人为误差无法避免。
因此，设计一种排水管网状态实时检测方法及系统，实现信息化、智慧化检测，减少人工判别，提高检测精度，提高效率，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种排水管网状态实时检测方法及系统，加强城市排水管网状态实时监测，准确评估管道的真实状态。
为了实现上述目的，本发明采用如下技术方案：
一方面，本发明公开一种排水管网状态实时检测方法，包括如下步骤：
选择工作模式，基于工作模式需求自动选择相应的图像采集装置；
将所述图像采集装置安装在管道内部的光缆上，对管道图像进行采集；
构建CNN神经网络并对其进行训练，得到最优识别模型；所述CNN神经网络包括上半部分网络结构和下半部分网络结构；
将图像采集设备采集到的管道图像输入所述最优识别模型，输出分类结果，分类结果包括含有某种特定缺陷和无缺陷；
根据所述分类结果进行报警提示。
优选的，所述图像采集装置包括转动件，所述转动件设置于管道内部的光缆上，所述转动件上安装有图像采集设备、驱动装置以及距离传感器：
所述图像采集设备用于采集管道图像；
所述驱动装置与所述图像采集设备连接，用于驱动所述图像采集设备对管道内壁进行旋转拍摄；
所述距离传感器用于测量所述图像采集设备与管壁之间的距离，比较距离传感器的测量值与预设的距离阈值的大小，保证图像采集设备在旋转拍摄过程中不会与管壁发生碰撞。
优选的，所述工作模式包括带水工作模式以及无水工作模式，其中，所述带水工作模式包括清水作业和浑水作业；
所述图像采集设备包括高清摄像装置、红外摄像装置和照明装置；
基于工作模式需求自动选择相应的图像采集装置包括：
当工作模式为无水工作模式或清水作业时，所述图像采集设备为高清摄像装置和照明装置；当工作模式为浑水作业时，采用红外摄像装置和照明装置。
优选的，将所述图像采集装置安装在管道内部的光缆上，对管道图像进行采集，包括：
对所述光缆进行测试，获取光缆在管道内不同位置传输信号时信号的强弱以及防外物缠绕等性能参数，根据所述性能参数确定所述光缆在管道内的固定位置。
优选的，所述CNN神经网络上半部分网络结构由4层卷积层和3层池化层组成，下半部分网络结构是由一个2层卷积结构组成的特征提取器；融合上半部分网络结构和下半部分网络结构的两个全连接层，训练softmax输出分类概率；
上半部分网络结构的第一卷积层采用32个5×5核，第二卷积层2采用64个3×3核，第三卷积层分别采用2个1×1卷积核降低输入维度，然后分别送入两个第四卷积层，最后堆叠特征图，送入全连接层；
下半部分网络结构的第一卷积层采用32个5×5核，第二卷积层采用64个3×3核，只在第一卷积层后进行池化，经过第二卷积层后将特征图送入512个隐层单元全连接；
最后融合上半部分网络结构和下半部分网络结构的两个512维全连接层，训练softmax输出分类概率。
优选的，构建CNN神经网络并对其进行训练，得到最优识别模型，包括：
将采集到的管道图像划分为训练集和测试集；
对所述训练集和测试集进行预处理；
将训练集输入所述CNN神经网络中，卷积层得到特征图，使用激活函数激活特征图；
将激活后的特征图导入卷积神经网络的池化层进行随机池化采样概率运算；
以每个池化域内采样概率形成的多项式分布进行采样，输出为训练阶段的随机池化响应；
利用训练集来训练CNN神经网络模型，得到最优识别模型，利用所述最优识别模型完成对测试集的分类。
优选的，所述预处理方法如下：
首先将每张图像放缩到固定的尺寸大小，然后对于训练集和测试集，每张图片的每个通道内的像素点都减去训练集在每个通道的统计平均值，最后对图像的每个通道的像素值缩放到[0，1]区间。
优选的，所述激活函数为ELU，ELU纠正线性单元的定义为：
其中，α为一个可调整的参数，控制ELU负值部分在何时饱和。
优选的，随机池化采样概率运算方法如下：
首先将激活后的特征图在每个池化域中减去该池化域中最小的激活值，再以池化域中平移得到的非负激活值，归一化计算得到每个池化域内激活值对应的采样概率，计算公式如下：
其中，ak是属于池化域Rj内的激活元素，表示池化域Rj中ai减去该池化域中最小的激活值/>再以池化域Rj中平移得到的非负值/>在Rj中归一化计算得到池化域内激活值对应的采样概率pi。
另一方面，本发明还公开一种排水管网状态实时检测系统，用于实现上述排水管网状态实时检测方法，包括：
自动配置单元，用于根据工作模式需求自动选择相应的图像采集装置；
中央控制单元，用于对各单元数据信息进行分析和显示，基于分析结果发出控制指令；
图像采集单元，将所述图像采集装置安装在管道内部的光缆上，根据控制指令控制图像采集装置运动，对管道图像进行采集；
神经网络构建单元，用于构建CNN神经网络并对其进行训练，得到最优识别模型；所述CNN神经网络包括上半部分网络结构和下半部分网络结构；
检测单元，用于将图像采集设备采集到的管道图像输入所述最优识别模型，输出分类结果，分类结果包括含有某种特定缺陷和无缺陷；
报警单元，用于根据所述分类结果进行报警提示。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种排水管网状态实时检测方法及系统，具有如下有益效果：
1.管道内设光缆，光缆具备传送检测图像的作用，提高图像实时传输速率。
2.设计两个不同层级的网络结构并且通过并联这两个神经网络结构实现排水管道缺陷检测，不仅能解决特征提取不充分的问题还能整体把握图像全局特征和细节特征。
3.利用改进的神经网络结构进行排水管网的实时监测，实现检测的信息化、智慧化，减少人工判别，提高检测精度，准确识别管网缺陷，实现精细运维。
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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明一种排水管网状态实时检测方法的流程示意图；
图2为本发明CNN神经网络的结构示意图；
图3为本发明一种排水管网状态实时检测系统的系统架构图。
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。
本发明实施例公开了一种排水管网状态实时检测方法，参考图1，该方法包括如下步骤：
1.选择工作模式，基于工作模式需求自动选择相应的图像采集装置。
具体地，图像采集装置包括转动件，转动件设置于管道内部的光缆上，转动件上安装有图像采集设备、驱动装置以及距离传感器；
图像采集设备用于采集管道图像；驱动装置与图像采集设备连接，用于驱动图像采集设备对管道内壁进行旋转拍摄；距离传感器用于测量图像采集设备与管壁之间的距离，比较距离传感器的测量值与预设的距离阈值的大小，保证图像采集设备在旋转拍摄过程中不会与管壁发生碰撞，其中，预设的距离阈值即为图像采集设备正常工作的空间尺寸阈值，工作人员可基于排水管道作业的实际需求进行设置。
工作模式包括带水工作模式以及无水工作模式，其中，带水工作模式包括清水作业和浑水作业；图像采集设备包括高清摄像装置、红外摄像装置和照明装置；基于工作模式需求自动选择相应的图像采集装置包括：当工作模式为无水工作模式或清水作业时，图像采集设备为高清摄像装置和照明装置；当工作模式为浑水作业时，采用红外摄像装置和照明装置。
2.将图像采集装置安装在管道内部的光缆上，对管道图像进行采集。
利用室内试验，对光缆进行测试，获取光缆在管道内不同位置传输信号时信号的强弱、光缆防外物缠绕等方面的性能参数，根据性能参数确定光缆在管道内的固定位置，具体的，选择性能参数最优时光缆的位置为光缆在管道内的固定位置。
3.构建CNN神经网络并对其进行训练，得到最优识别模型；CNN神经网络包括上半部分网络结构和下半部分网络结构。
传统的CNN只有一个通道且首层卷积核大小固定，于是单通道CNN存在着由于卷积模板单一，导致的丢失原始图像部分差异尺度特征的问题。因此本发明设计两个不同层级的网络结构并且通过并联这两个神经网络结构实现排水管道缺陷检测。这样做不仅能解决特征提取不充分的问题还能整体把握图像全局特征和细节特征。
本发明实施例在卷积层中间加入1×1卷积来降低维度。1×1卷积核可以降低输入的通道数、降低运算复杂度，加快网络计算速度。利用1×1卷积，实现多个feature map的线性组合。本发明在卷积层2，4之间加入1×1卷积层，使得输出的feature map数降到16，可使下一卷积层的训练参数从69760降到18512，大幅减少参数量，提升了网络的计算速度。
图2所示CNN网络结构中，上半部分网络结构由4层卷积层，3层池化层组成。其中卷积层1采用32个5×5核，卷积层2采用64个3×3核，卷积层3分别采用2个1×1卷积核降低输入维度，然后分别送入卷积层4-1和卷积层4-2，最后堆叠特征图，送入全连接层。下半部分网络结构是由一个2层卷积结构组成的特征提取器，目的就是增加全局性特征，第一层卷积层采用32个5×5核，第二层采用64个3×3核，只在第一层卷积后进行池化，这样做的目的是尽可能的保留图像全局特征。第二层池化过后特征图同送入512个隐层单元全连接，最后融合上下两层512维全连接层，训练softmax输出分类概率。图2中的英文单词：filters代表过滤器，Kernel代表核，Conv代表卷积层，Input代表输入，Full-connected和FC代表全连接层，Output代表输出，Defect代表缺陷，stochastic pooling代表随机池化。
上半部分网络结构卷积提出的特征较为抽象，下半部分网络结构卷积提出的特征较为全局，下半部分网络结构卷积提出的特征可以从全局上反映管道内的整体特征，保留了管道内支管口、沉积和障碍物的整体特征。
本发明通过改进CNN结构，利用浅层网络结构学习到的全局特征对来自深层特征进行补充，帮助CNN更加充分地掌握缺陷特征，与此同时加入1×1卷积层对输入特征进行降维，大幅降低网络训练参数，加快网络计算速度，减少过拟合的出现。改进的CNN可以有效弥补传统算法在检测缺陷准确率和检测速度上的不足。
构建CNN神经网络并对其进行训练，得到最优识别模型地具体步骤如下：
3.1将采集到的管道图像划分为训练集和测试集。
3.2对训练集和测试集进行预处理，预处理方法如下：
首先将每张图像放缩到固定的尺寸大小，然后对于训练集和测试集，每张图片的每个通道内的像素点都减去训练集在每个通道的统计平均值，最后对图像的每个通道的像素值缩放到[0，1]区间。
3.3将训练集输入CNN神经网络中，卷积层得到特征图，使用激活函数激活特征图。
激活函数为ELU，ELU纠正线性单元的定义为：
其中，α为一个可调整的参数，控制ELU负值部分在何时饱和。ELU可以取到负值，这让单元激活均值可以更接近0，类似于正则化的效果，但是只需要更低的计算复杂度。
3.4将激活后的特征图导入卷积神经网络的池化层进行随机池化采样概率运算。
随机池化采样概率运算方法如下：
首先将激活后的特征图在每个池化域中减去该池化域中最小的激活值，再以池化域中平移得到的非负激活值，归一化计算得到每个池化域内激活值对应的采样概率，计算公式如下：
其中，ak是属于池化域Rj内的激活元素，表示池化域Rj中ai减去该池化域中最小的激活值/>再以池化域Rj中平移得到的非负值/>在Rj中归一化计算得到池化域内激活值对应的采样概率pi。
3.5以每个池化域内采样概率形成的多项式分布进行采样，输出为训练阶段的随机池化响应，可以表示为：
其中，位置l是根据上述第j个池化域内的|Rj|个概率值p形成的多项式分布，即采样得到。
上述池化响应值sj指的是训练阶段的随机池化输出，对于测试阶段，随机池化输出仅需要对池化域内所有激活值进行采样概率平均运算，如下：
3.6利用训练集来训练CNN神经网络模型，得到最优识别模型，利用最优识别模型完成对测试集的分类。
设置批量梯度下降法的学习步长为0.001，设置epochs大小为500，Dropout＝0.5，批处理大小为64，将数据以乱序的方式送入按批次送入神经网络训练。执行多次训练和验证迭代以优化超参数，最后选择分类准确率最高的模型作为最优识别模型。
本发明使用k-折交叉验证方法来评估模型的性能。k-折交叉验证法将数据分成k个不同分组，每次一个单独的分组用于验证模型，其他K-1个样本用于训练。交叉验证重复K次，每个样本验证一次。这样做的目的可以让网络对数据的划分不敏感，有利于评价模型的泛化能力。本实施例k取值为5。训练、验证分为正面和负面。正数据集由包含特定类型缺陷的图像组成，而负数据集由除特定缺陷类型的图像组成。例如，在分类树根侵入缺陷时，树根侵入图像被分配正面标签，而含有残墙、沉积、异物穿入、障碍物和支管暗接的图像被分配为负面标签。
4.将图像采集设备采集到的管道图像输入最优识别模型，输出分类结果，分类结果包括含有某种特定缺陷和无缺陷。
5.根据分类结果进行报警提示，具体的，选择合适的报警系统，根据工作模式中运维需求，设置各类缺陷的报警阈值，根据输出的分类结果进行报警提示。
另一方面，如图3所示，本发明实施例还公开一种排水管网状态实时检测系统，用于实现上述排水管网状态实时检测方法，包括：
自动配置单元，用于根据工作模式需求自动选择相应的图像采集装置；
中央控制单元，用于对各单元数据信息进行分析和显示，基于分析结果发出控制指令；
图像采集单元，将图像采集装置安装在管道内部的光缆上，根据控制指令控制图像采集装置运动，对管道图像进行采集；
神经网络构建单元，用于构建CNN神经网络并对其进行训练，得到最优识别模型；CNN神经网络包括上半部分网络结构和下半部分网络结构；
检测单元，用于将图像采集设备采集到的管道图像输入最优识别模型，输出分类结果，分类结果包括含有某种特定缺陷和无缺陷；
报警单元，根据分类结果进行报警提示。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种排水管网状态实时检测方法，其特征在于，包括以下步骤：
选择工作模式，基于工作模式需求自动选择相应的图像采集装置；
将所述图像采集装置安装在管道内部的光缆上，对管道图像进行采集；
构建CNN神经网络并基于管道图像对其进行训练，得到最优识别模型；所述CNN神经网络包括上半部分网络结构和下半部分网络结构；
将图像采集设备采集到的管道图像输入所述最优识别模型，输出分类结果，分类结果包括含有某种特定缺陷和无缺陷；
根据所述分类结果进行报警提示。
2.根据权利要求1所述的一种排水管网状态实时检测方法，其特征在于，所述图像采集装置包括转动件，所述转动件设置于管道内部的光缆上，所述转动件上安装有图像采集设备、驱动装置以及距离传感器：
所述图像采集设备用于采集管道图像；
所述驱动装置与所述图像采集设备连接，用于驱动所述图像采集设备对管道内壁进行旋转拍摄；
所述距离传感器用于测量所述图像采集设备与管壁之间的距离。
3.根据权利要求2所述的一种排水管网状态实时检测方法，其特征在于，所述工作模式包括带水工作模式以及无水工作模式，其中，所述带水工作模式包括清水作业和浑水作业；
所述图像采集设备包括高清摄像装置、红外摄像装置和照明装置；
基于工作模式需求自动选择相应的图像采集装置包括：
当工作模式为无水工作模式或清水作业时，所述图像采集设备为高清摄像装置和照明装置；当工作模式为浑水作业时，采用红外摄像装置和照明装置。
4.根据权利要求2所述的一种排水管网状态实时检测方法，其特征在于，将所述图像采集装置安装在管道内部的光缆上，对管道图像进行采集，包括：
对所述光缆进行测试，获取所述光缆在管道内不同位置传输信号时信号的强弱以及防外物缠绕的性能参数，根据所述性能参数确定所述光缆在管道内的固定位置。
5.根据权利要求1所述的一种排水管网状态实时检测方法，其特征在于，所述CNN神经网络上半部分网络结构由4层卷积层和3层池化层组成，下半部分网络结构是由一个2层卷积结构组成的特征提取器；融合上半部分网络结构和下半部分网络结构的两个全连接层，训练softmax输出分类概率。
6.根据权利要求5所述的一种排水管网状态实时检测方法，其特征在于，构建CNN神经网络并对其进行训练，得到最优识别模型，包括：
将采集到的管道图像划分为训练集和测试集；
对所述训练集和测试集进行预处理；
将训练集输入所述CNN神经网络中，卷积层得到特征图，使用激活函数激活特征图；
将激活后的特征图导入卷积神经网络的池化层进行随机池化采样概率运算；
以每个池化域内采样概率形成的多项式分布进行采样，输出为训练阶段的随机池化响应；
利用训练集来训练CNN神经网络模型，得到最优识别模型，利用所述最优识别模型完成对测试集的分类。
7.根据权利要求6所述的一种排水管网状态实时检测方法，其特征在于，所述预处理方法如下：
首先将每张图像放缩到固定的尺寸大小，然后对于训练集和测试集，每张图片的每个通道内的像素点都减去训练集在每个通道的统计平均值，最后对图像的每个通道的像素值缩放到[0，1]区间。
8.根据权利要求6所述的一种排水管网状态实时检测方法，其特征在于，所述激活函数为ELU，ELU纠正线性单元的定义为：
其中，α为一个可调整的参数，控制ELU负值部分在何时饱和。
9.根据权利要求6所述的一种排水管网状态实时检测方法，其特征在于，随机池化采样概率运算方法如下：
首先将激活后的特征图在每个池化域中减去该池化域中最小的激活值，再以池化域中平移得到的非负激活值，归一化计算得到每个池化域内激活值对应的采样概率，计算公式如下：
其中，ak是属于池化域Rj内的激活元素，表示池化域Rj中ai减去该池化域中最小的激活值/>再以池化域Rj中平移得到的非负值/>在Rj中归一化计算得到池化域内激活值对应的采样概率pi。
10.一种排水管网状态实时检测系统，其特征在于，包括：
自动配置单元，用于根据工作模式需求自动选择相应的图像采集装置；
中央控制单元，用于选择工作模式，并对各单元数据信息进行分析和显示，基于分析结果发出控制指令；
图像采集单元，用于根据控制指令控制图像采集装置运动，对管道图像进行采集；
神经网络构建单元，用于构建CNN神经网络并基于管道图像对其进行训练，得到最优识别模型；所述CNN神经网络包括上半部分网络结构和下半部分网络结构；
检测单元，用于将图像采集设备采集到的管道图像输入所述最优识别模型，输出分类结果，分类结果包括含有某种特定缺陷和无缺陷；
报警单元，用于根据所述分类结果进行报警提示。
CN202310565801.1A 2023-05-19 2023-05-19 一种排水管网状态实时检测方法及系统 Pending CN116596885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310565801.1A CN116596885A (zh) 2023-05-19 2023-05-19 一种排水管网状态实时检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310565801.1A CN116596885A (zh) 2023-05-19 2023-05-19 一种排水管网状态实时检测方法及系统

Publications (1)

Publication Number Publication Date
CN116596885A true CN116596885A (zh) 2023-08-15

Family

ID=87611088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310565801.1A Pending CN116596885A (zh) 2023-05-19 2023-05-19 一种排水管网状态实时检测方法及系统

Country Status (1)

Country Link
CN (1) CN116596885A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106247081A (zh) * 2016-09-08 2016-12-21 肇庆市小凡人科技有限公司 一种管道机器人
CN106534786A (zh) * 2016-11-22 2017-03-22 西南林业大学 基于图像识别的野生动物数据传输系统
CN108596258A (zh) * 2018-04-27 2018-09-28 南京邮电大学 一种基于卷积神经网络随机池化的图像分类方法
CN109114355A (zh) * 2018-10-25 2019-01-01 南京水动力信息科技有限公司 一种管网测绘机器人系统
CN109559302A (zh) * 2018-11-23 2019-04-02 北京市新技术应用研究所 基于卷积神经网络的管道视频缺陷检测方法
CN110927813A (zh) * 2019-12-10 2020-03-27 南京航空航天大学 一种飞机油箱自动探测装置及方法
CN113469177A (zh) * 2021-06-30 2021-10-01 河海大学 基于深度学习的排水管道缺陷检测方法及系统
CN113804698A (zh) * 2021-11-17 2021-12-17 北京蜂盛蜜匀农业科技有限公司 一种自行智能管道3d成像及测量装置及其测量方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106247081A (zh) * 2016-09-08 2016-12-21 肇庆市小凡人科技有限公司 一种管道机器人
CN106534786A (zh) * 2016-11-22 2017-03-22 西南林业大学 基于图像识别的野生动物数据传输系统
CN108596258A (zh) * 2018-04-27 2018-09-28 南京邮电大学 一种基于卷积神经网络随机池化的图像分类方法
CN109114355A (zh) * 2018-10-25 2019-01-01 南京水动力信息科技有限公司 一种管网测绘机器人系统
CN109559302A (zh) * 2018-11-23 2019-04-02 北京市新技术应用研究所 基于卷积神经网络的管道视频缺陷检测方法
CN110927813A (zh) * 2019-12-10 2020-03-27 南京航空航天大学 一种飞机油箱自动探测装置及方法
CN113469177A (zh) * 2021-06-30 2021-10-01 河海大学 基于深度学习的排水管道缺陷检测方法及系统
CN113804698A (zh) * 2021-11-17 2021-12-17 北京蜂盛蜜匀农业科技有限公司 一种自行智能管道3d成像及测量装置及其测量方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李平;梁丹;梁冬泰;吴晓成;陈兴;: "自适应图像增强的管道机器人缺陷检测方法", 光电工程, no. 01 *
王杉月;张葵;艾静;陶涛;: "供水管网漏损检测与识别技术研究进展", 净水技术, no. 08 *
陈龙现;葛浙东;罗瑞;刘传泽;刘晓平;周玉成;: "基于CNN的木材内部CT图像缺陷辨识", 林业科学, no. 11 *

Similar Documents

Publication Publication Date Title
CN109063366B (zh) 一种基于时间和空间加权的建筑性能数据在线预处理方法
CN105678332B (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN111291937A (zh) 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
CN109559302A (zh) 基于卷积神经网络的管道视频缺陷检测方法
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
CN110070078B (zh) 一种基于传感器与机器视觉的酒驾检测方法及系统
CN109345832B (zh) 一种基于深度递归神经网络的城市道路超车预测方法
CN113588179A (zh) 一种供水管网漏损检测方法及系统
CN106991491A (zh) 一种基于遗传算法优化的rbf神经网络的环境污染监测系统
CN112184523B (zh) 基于环境监测和照明引导的地铁车厢乘客诱导方法及系统
CN114639064B (zh) 一种水位识别方法及装置
CN111141653A (zh) 一种基于神经网络的隧道渗漏速率预测方法
CN113887324A (zh) 基于卫星遥感数据的火点检测方法
CN115147645A (zh) 基于多特征信息融合的膜组件膜污染检测方法
CN115470850A (zh) 一种基于管网水质时空数据的水质异常事件识别预警方法
KR20230132686A (ko) PointNet++ 신경망 기반 콘크리트배관 손상 인식 및 체적 디스플레이 방법
CN112986393B (zh) 一种桥梁拉索损伤的检测方法和系统
CN116596885A (zh) 一种排水管网状态实时检测方法及系统
CN114757601B (zh) 一种基于人工智能的水环境异常排放监测方法及系统
CN113283276A (zh) 一种联动热成像自学习火点检测方法及系统
CN114544668B (zh) 一种cctv管道在线检测系统
CN115953666A (zh) 一种基于改进Mask-RCNN的变电站现场进度识别方法
CN113836813B (zh) 一种基于数据分析的高炉风口漏水检测方法
CN112731567B (zh) 一种用于超高频微波的时空协同干湿增强判别方法
CN115204688A (zh) 排水系统健康性综合评价方法

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