CN117952957A - 一种基于卷积神经网络的排水管道缺陷检测方法 - Google Patents
一种基于卷积神经网络的排水管道缺陷检测方法 Download PDFInfo
- Publication number
- CN117952957A CN117952957A CN202410292302.4A CN202410292302A CN117952957A CN 117952957 A CN117952957 A CN 117952957A CN 202410292302 A CN202410292302 A CN 202410292302A CN 117952957 A CN117952957 A CN 117952957A
- Authority
- CN
- China
- Prior art keywords
- frame
- defect
- defects
- frames
- drainage 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
- 230000007547 defect Effects 0.000 title claims abstract description 152
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的排水管道缺陷检测方法，属于管道检测技术领域，包括：S1：获取管道视频，对管道视频中单个帧出现的缺陷进行描框标注，计算当前帧标注的描框的中心坐标和描框的长宽，并利用跟踪算法将标注后的描框扩展到整个视频，得到缺陷的描框位置信息以及缺陷出现的所有帧，标注为缺陷数据集；S2：将缺陷数据集整合成训练集，构建YOLO模型并利用训练集来训练YOLO模型，得到训练完成的模型；S3：通过步骤S1再一次获取缺陷数据集并输入到训练完成的YOLO模型中得到排水管道缺陷检测结果。所述基于卷积神经网络的排水管道缺陷检测方法解决了现有的检测方法在识别管道视频缺陷效率低下的问题。
Description
技术领域
本发明涉及管道检测技术领域，特别涉及一种基于卷积神经网络的排水管道缺陷检测方法。
背景技术
地下管道(如城市排水管网)是“城市静脉”，是城市安全稳定运行的基础，是智慧城市建设的重要内容,现代化的地下管道系统成为衡量一个城市基础设施完善程度和城市管理水平的重要标志之一。由于地下管道的不可见性，总是等到发生事故时才被人们重视，造成大量的经济损失，甚至给生命财产安全带来隐患。管道检测是实现对地下管道精细化管理和预防性修复的前提，对维护城市功能正常运转，确保生命财产安全是十分必要的。比如污水和雨水管道承担着城市污水收集和雨水排除任务，其有效发挥功能是保障城市安全运行、保障生命财产安全的前提，因此，全国各大中城市都在大力建设“智慧水务”系统。
管道内检测是指利用管输介质驱动检测器在管道内运行，实时检测和记录管道的变形、腐蚀等损伤情况，并准确定位的作业。排水管道大多埋地敷设，通过管道内检测可事先发现各种缺陷和损伤，了解各管段的危险程度，可预防和有效减少事故并节约管道维修资金，是保证管道安全的重要措施。
专利号为CN109767422A的中国发明专利公开了一种基于深度学习的管道检测识别方法，解决了管道检测效率低且精确率低的问题。其技术方案要点是，根据图像处理执行信息以获取对应于被检测位置的当前位置图像信息；根据当前位置图像信息中的文字进行文字识别处理以形成当前位置文字信息以及根据当前位置图像信息中的管道缺陷进行判断以形成当前位置管道缺陷信息；根据相互关联的所述当前位置文字信息与当前位置管道缺陷信息以形成当前位置管道缺陷表格信息，该发明通过大数据的深度学习分析以获取相应的管道缺陷的判断模型，实现对每一张图片进行评估。该方案只是提供了一种基于图像检测识别的通用方法，对缺陷图像进行识别时，因为图像不像视频具有实时性，所以识别速度慢一点无所谓，在对视频进行识别时，对识别速度有要求，否则会降低识别的速度，因此该方案的检测识别不太适用于管道视频的缺陷检测。另外，该方案采用的faster-RCNN网络模型通常能够提供高精度的检测结果，尤其是在需要准确识别小尺寸或者复杂形状物体的，但是在检测效率上会比较低，因此该模型存在着在识别管道视频缺陷时效率低下的问题。
发明内容
为了克服现有技术存在的缺陷，本发明提供一种基于卷积神经网络的排水管道缺陷检测方法，以解决上述的问题。
本发明解决其技术问题所采用的技术方案是：一种基于卷积神经网络的排水管道缺陷检测方法，包括以下步骤：
S1：获取管道视频，对管道视频中单个帧出现的缺陷进行描框标注，计算当前帧标注的描框的中心坐标和描框的长宽，并利用跟踪算法将标注后的描框扩展到整个视频，得到缺陷的描框位置信息以及缺陷出现的所有帧，标注为缺陷数据集；
S2：将缺陷数据集整合成训练集，构建YOLO模型并利用训练集来训练YOLO模型，得到训练完成的模型；
S3：通过步骤S1再一次获取缺陷数据集并输入到训练完成的YOLO模型中得到排水管道缺陷检测结果。
值得说明的是，在所述步骤S1中，利用感知哈希算法，将缺陷出现的帧降采样至分辨率为16*16并灰度化，再计算灰度均值，并将像素转变成哈希编码，其中灰度值大于灰度均值的像素赋予1，灰度值小于或等于灰度均值的像素赋予0；
计算缺陷出现的所有帧的哈希编码的汉明距离，再统计不同帧的汉明距离的误差，在误差低于预设定汉明阈值的帧中，只保留其中一帧，剩下的帧删除。
可选的，所述步骤S2包括：
S21：将训练集输入到要训练的YOLO模型，对输入的缺陷出现的所有帧变换尺寸，然后利用YOLO模型的骨干网络提取出三个不同尺寸的特征信息，然后利用YOLO模型的特征融合层将这些特征信息做相应的金字塔融合，再通过YOLO模型的检测头输出缺陷描框坐标和各种缺陷出现的概率；
S22：计算要训练的YOLO模型输出结果和训练集中的标签的损失函数，通过反向传播计算出要训练的YOLO模型的梯度，再利用SGD优化器进行优化；
S23：重复步骤S21至步骤S22，直到当前损失函数值等于上一次循环得到的损失函数值为止，得到训练完成的YOLO模型。
优选的，在所述步骤S23中，对前30次循环使用的学习率为10-3，对31次后的循环使用的学习率为10-4。
具体地，在所述步骤S21之前，还包括步骤S20，所述步骤S20包括：对缺陷数据集中的缺陷出现的所有帧进行图形旋转、变色和/或调光后和其对应的缺陷的描框位置信息加入到训练集。
值得说明的是，所述跟踪算法包括卡尔曼滤波的前馈跟踪算法；
在所述步骤S1中，对缺陷进行描框标注后，将当前帧的缺陷对应的描框输入到卡尔曼滤波的前馈跟踪算法的卡尔曼滤波器中得到下一帧中同一个缺陷所处的位置，不断重复以得到缺陷出现的所有帧。
优选的，所述跟踪算法包括插值算法；
在所述步骤S1中，对缺陷出现的所有帧中首帧、中间帧和尾帧里面缺陷的描框位置信息，通过插值算法拟合出所有帧中缺陷的描框位置信息。
可选的，在所述步骤S3中，将管道视频输入到训练完成的YOLO模型后，训练完成的YOLO模型先检测管道视频的单一帧中的缺陷目标，并为每种检测到的缺陷目标分配一个唯一的ID，然后再经过步骤S1得到对应ID的缺陷数据集，最后将对应ID的缺陷数据集输入到训练完成的YOLO模型中得到排水管道缺陷检测结果。
具体地，在所述步骤S3中，所述卡尔曼滤波的前馈跟踪算法中的卡尔曼滤波器通过缺陷目标的当前速度和加速度预测每个ID对应的已知轨迹在下一帧中的位置，并计算当前帧检测到的缺陷目标与已知轨迹之间的相似度，当相似度高于预设定的阈值则进行轨迹关联，然后更新已知轨迹的位置信息，直到处理完所有帧为止，得到缺陷目标出现的所有帧；其中，相似度计算是使用缺陷的描框位置信息和卡尔曼预测框计算交并比得到。
本发明的有益效果在于：在本实施例中，通过步骤S1能够在视频中实时跟踪缺陷目标，并预测缺陷目标在未来帧中的位置，来实现缺陷的跟踪和定位，再结合YOLO模型，利用YOLO模型能够极大提升检测速度，从而提高检测效率。如此，使所述基于卷积神经网络的排水管道缺陷检测方法能在管道视频的缺陷检测时提高效率。
附图说明
图1为本发明的一个实施例中基于卷积神经网络的排水管道缺陷检测方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种基于卷积神经网络的排水管道缺陷检测方法，包括以下步骤：
S1：获取管道视频，对管道视频中单个帧出现的缺陷进行描框标注，计算当前帧标注的描框的中心坐标和描框的长宽，并利用跟踪算法将标注后的描框扩展到整个视频，得到缺陷的描框位置信息以及缺陷出现的所有帧，标注为缺陷数据集；其中缺陷的描框位置信息几位描框的中心坐标和描框的长宽，具体地，在进行YOLO模型训练时，管道视频中单个帧出现的缺陷进行描框的标注通过用户人眼观察，在实际检测时，训练完成的YOLO模型能自动识别；
S2：将缺陷数据集整合成训练集，构建YOLO模型并利用训练集来训练YOLO模型，得到训练完成的模型；
S3：通过步骤S1再一次获取缺陷数据集并输入到训练完成的YOLO模型中得到排水管道缺陷检测结果。
在本实施例中，通过步骤S1能够在视频中实时跟踪缺陷目标，并预测缺陷目标在未来帧中的位置，来实现缺陷的跟踪和定位，再结合YOLO模型，利用YOLO模型能够极大提升检测速度，从而提高检测效率。如此，使所述基于卷积神经网络的排水管道缺陷检测方法能在管道视频的缺陷检测时提高效率。
现有技术采用faster-RCNN通常能够提供更高精度的检测结果，尤其是在需要准确识别小尺寸或者复杂形状物体的，但该模型的检测效率较低，不适合用于视频的检测。相比较之下，用YOLO模型能够极大提升检测速度，从而提高检测效率；另外，在采用了多尺寸检测、长宽比预测和卷积多尺寸特种融合等技术之后，YOLO的检测精度也得到了极大的提高。
值得说明的是，在所述步骤S1中，利用感知哈希算法，将缺陷出现的帧降采样至分辨率为16*16并灰度化，再计算灰度均值，并将像素转变成哈希编码，其中灰度值大于灰度均值的像素赋予1，灰度值小于或等于灰度均值的像素赋予0，如此能每个像素的灰度按这种方式编码成串；
计算缺陷出现的所有帧的哈希编码的汉明距离，可以将图像的差别量化，再统计不同帧的汉明距离的误差，在误差低于预设定汉明阈值的帧中，只保留其中一帧，剩下的帧删除。低于汉明阈值的判定为相似，高于汉明阈值的判定为不同，在得到缺陷出现的所有帧后，用这种方法遍历数据集，可以过滤掉重复的帧，从而提高YOLO模型的训练效率。通过对标注数据的预处理，提高了数据训练集的质量，直接提高了YOLO模型的训练效果。
优选的，所述步骤S2包括：
从coco数据集(YOLO模型官方数据集)中获取符合指标(如精确率、召回率或map等值)的模型，并以该模型的权重作为要训练的YOLO模型的初始权重；该权重包含了图像处理的基本特征，能够使模型快速的收敛；
S21：将训练集输入到要训练的YOLO模型，对输入的缺陷出现的所有帧变换尺寸，然后利用YOLO模型的骨干网络提取出三个不同尺寸的特征信息，然后利用YOLO模型的特征融合层将这些特征信息做相应的金字塔融合，再通过YOLO模型的检测头输出缺陷描框坐标和各种缺陷出现的概率；
S22：计算要训练的YOLO模型输出结果和训练集中的标签的损失函数(包括分类损失、焦点损失和位置损失)，通过反向传播计算出要训练的YOLO模型的梯度，再利用SGD优化器进行优化；
S23：重复步骤S21至步骤S22，直到当前损失函数值等于上一次循环得到的损失函数值为止，此时的损失函数值已经降到最低；然后利用人工检查YOLO模型的检测结果，对错检和漏检的样本，利用人工重新标注，作为对抗样本放回到原始的训练集中，从而提高模型性能；然后反复修改模型的超参数(轮数、学习率和批量大小等)，并观察最后的指标(精确率、召回率和map等)，对指标与理论值的差值不超过阈值的YOLO模型取平均得到新的模型，得到的所有模型中，选取指标最接近理论值的模型为最终使用的模型，得到训练完成的YOLO模型。
在本实施例中，基于pytorch构建YOLO模型，具体地，本实施例采用YOLOv8模型，YOLOv8模型包括骨干网络、特征融合层、检测头、C2F模块、bottleneck模块和SPPF模块；
骨干网络：通常是基于深度卷积神经网络的结构，用于从输入图像中提取特征；这些特征将用于后续的目标检测任务；骨干网络包含5个卷积层、4个C2F模块和1个SPPF模块；
特征融合层：YOLOv8模型通过将来自不同尺寸的特征图进行融合，以获取更全局和丰富的信息；这种特征融合可以帮助模型更好地理解不同尺寸的特征图，从而提高目标检测的准确性；特征融合层将骨干网络提取到的三种尺寸的特征图做融合；主要的操作包括上采样、C2F模块和组合模块；
检测头：每个检测头负责检测图像中的不同类别的目标；这些检测头可以同时预测目标的位置和类别，使得模型能够在一次前向传播中完成目标检测任务；特征融合层会从三个尺寸得到三个特征图，对于每个特征图，检测头会分两路，分别做两次3*3卷积操作，和一次1*1卷积操作来得到4个预测描框和每一类缺陷的概率。
C2F模块：C2F是一种深度分离的卷积操作，用于特征的提取；其过程为：对输入的神经网络前向传递过程中的不同特征值做1*1卷积变换从而为所需要的输出通道个数的特征；再一分为二，前半部分保留，后半部分也保留但开始迭代地输入到Bottleneck模块，保留每次迭代的结果。将保留的所有结果拼接为一个高通道数的特征，再利用1*1卷积变换为所需输出通道个数的特征；
Bottleneck模块：Bottleneck模块是一种卷积模块，可以选择是否进行残差链接，它包含两个卷积操作，核大小分别为1*1和3*3；
SPPF模块：SPPF模块是空间金字塔池化模块，它可以将不同尺寸的特征图融合起来；它对输入的特征图做一次1*1卷积再连续的做三次5*5的最大池化，并将这些操作的结果拼接起来，再做1*1卷积，变换为所需要的输出通道个数的特征；
以上提到的卷积操作都是一种特殊的卷积模块，而非普通的卷积。该模块包括一个平面卷积、一个批量归一化和一个SiLU激活函数；
损失函数：YOLOv8模型使用了设计精良的损失函数，用于衡量模型预测结果与真实标注之间的差异，通过优化损失函数，YOLOv8模型可以学习如何更好地预测目标的位置和缺陷类别，从而提高检测的准确性；YOLOv8模型的损失函数主要包括分类损失、位置损失和焦点损失。
具体地，在所述步骤S23中，对前30次循环使用的学习率为10-3以使要训练的YOLO模型收敛，对31次后的循环使用的学习率为10-4以使要训练的YOLO模型收敛到正确的状态；与此同时，要训练的YOLO模型会随机地将一些权重置零，来防止要训练的YOLO模型过拟合。
优选的，在所述步骤S21之前，还包括步骤S20，所述步骤S20包括：对缺陷数据集中的缺陷出现的所有帧进行图形旋转、变色和/或调光后和其对应的缺陷的描框位置信息加入到训练集。
具体地，所述跟踪算法包括卡尔曼滤波的前馈跟踪算法；
在所述步骤S1中，对缺陷进行描框标注后，将当前帧的缺陷对应的描框输入到卡尔曼滤波的前馈跟踪算法的卡尔曼滤波器中得到下一帧中同一个缺陷所处的位置，不断重复以得到缺陷出现的所有帧。
可选的，所述跟踪算法包括插值算法；
在所述步骤S1中，对缺陷出现的所有帧中首帧、中间帧和尾帧里面缺陷的描框位置信息，通过插值算法拟合出所有帧中缺陷的描框位置信息。在本实施例中，在利用卡尔曼滤波的前馈跟踪算法得到缺陷出现的所有帧后，通过对首帧、中间帧和尾帧出现的缺陷进行描框标注，就能得到首帧、中间帧和尾帧里面缺陷的描框位置信息。
值得说明的是，在所述步骤S3中，将管道视频输入到训练完成的YOLO模型后，训练完成的YOLO模型先检测管道视频的单一帧中的缺陷目标，并为每种检测到的缺陷目标分配一个唯一的ID，然后再经过步骤S1得到对应ID的缺陷数据集，最后将对应ID的缺陷数据集输入到训练完成的YOLO模型中得到排水管道缺陷检测结果。具体地，对于新检测到的缺陷目标，会初始化一个新的轨迹，并为其分配一个唯一的ID，初始化的轨迹将包含当前帧的缺陷目标位置信息。
优选的，在所述步骤S3中，所述卡尔曼滤波的前馈跟踪算法中的卡尔曼滤波器通过缺陷目标的当前速度和加速度预测每个ID对应的已知轨迹在下一帧中的位置，并计算当前帧检测到的缺陷目标与已知轨迹之间的相似度，当相似度高于预设定的阈值则进行轨迹关联，然后更新已知轨迹的位置信息，并标记未关联的轨迹为丢失或新的目标，直到处理完所有帧为止，得到缺陷目标出现的所有帧；其中，相似度计算是使用缺陷的描框位置信息和卡尔曼预测框计算交并比得到。相似度通常基于目标之间的空间距离和外观相似度等因素计算，通过这些步骤，能够在视频流中实时跟踪目标，并根据目标的运动模式进行轨迹预测，从而实现对目标的持续跟踪和定位。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (9)
1.一种基于卷积神经网络的排水管道缺陷检测方法，其特征在于，包括以下步骤：
S1：获取管道视频，对管道视频中单个帧出现的缺陷进行描框标注，计算当前帧标注的描框的中心坐标和描框的长宽，并利用跟踪算法将标注后的描框扩展到整个视频，得到缺陷的描框位置信息以及缺陷出现的所有帧，标注为缺陷数据集；
S2：将缺陷数据集整合成训练集，构建YOLO模型并利用训练集来训练YOLO模型，得到训练完成的模型；
S3：通过步骤S1再一次获取缺陷数据集并输入到训练完成的YOLO模型中得到排水管道缺陷检测结果。
2.根据权利要求1所述的一种基于卷积神经网络的排水管道缺陷检测方法，其特征在于：在所述步骤S1中，利用感知哈希算法，将缺陷出现的帧降采样至分辨率为16*16并灰度化，再计算灰度均值，并将像素转变成哈希编码，其中灰度值大于灰度均值的像素赋予1，灰度值小于或等于灰度均值的像素赋予0；
计算缺陷出现的所有帧的哈希编码的汉明距离，再统计不同帧的汉明距离的误差，在误差低于预设定汉明阈值的帧中，只保留其中一帧，剩下的帧删除。
3.根据权利要求1所述的一种基于卷积神经网络的排水管道缺陷检测方法，其特征在于，所述步骤S2包括：
S21：将训练集输入到要训练的YOLO模型，对输入的缺陷出现的所有帧变换尺寸，然后利用YOLO模型的骨干网络提取出三个不同尺寸的特征信息，然后利用YOLO模型的特征融合层将这些特征信息做相应的金字塔融合，再通过YOLO模型的检测头输出缺陷描框坐标和各种缺陷出现的概率；
S22：计算要训练的YOLO模型输出结果和训练集中的标签的损失函数，通过反向传播计算出要训练的YOLO模型的梯度，再利用SGD优化器进行优化；
S23：重复步骤S21至步骤S22，直到当前损失函数值等于上一次循环得到的损失函数值为止，得到训练完成的YOLO模型。
4.根据权利要求3所述的一种基于卷积神经网络的排水管道缺陷检测方法，其特征在于：在所述步骤S23中，对前30次循环使用的学习率为10-3，对31次后的循环使用的学习率为10-4。
5.根据权利要求3所述的一种基于卷积神经网络的排水管道缺陷检测方法，其特征在于：在所述步骤S21之前，还包括步骤S20，所述步骤S20包括：对缺陷数据集中的缺陷出现的所有帧进行图形旋转、变色和/或调光后和其对应的缺陷的描框位置信息加入到训练集。
6.根据权利要求1所述的一种基于卷积神经网络的排水管道缺陷检测方法，其特征在于：所述跟踪算法包括卡尔曼滤波的前馈跟踪算法；
在所述步骤S1中，对缺陷进行描框标注后，将当前帧的缺陷对应的描框输入到卡尔曼滤波的前馈跟踪算法的卡尔曼滤波器中得到下一帧中同一个缺陷所处的位置，不断重复以得到缺陷出现的所有帧。
7.根据权利要求1所述的一种基于卷积神经网络的排水管道缺陷检测方法，其特征在于：所述跟踪算法包括插值算法；
在所述步骤S1中，对缺陷出现的所有帧中首帧、中间帧和尾帧里面缺陷的描框位置信息，通过插值算法拟合出所有帧中缺陷的描框位置信息。
8.根据权利要求6所述的一种基于卷积神经网络的排水管道缺陷检测方法，其特征在于，在所述步骤S3中，将管道视频输入到训练完成的YOLO模型后，训练完成的YOLO模型先检测管道视频的单一帧中的缺陷目标，并为每种检测到的缺陷目标分配一个唯一的ID，然后再经过步骤S1得到对应ID的缺陷数据集，最后将对应ID的缺陷数据集输入到训练完成的YOLO模型中得到排水管道缺陷检测结果。
9.根据权利要求8所述的一种基于卷积神经网络的排水管道缺陷检测方法，其特征在于：在所述步骤S3中，所述卡尔曼滤波的前馈跟踪算法中的卡尔曼滤波器通过缺陷目标的当前速度和加速度预测每个ID对应的已知轨迹在下一帧中的位置，并计算当前帧检测到的缺陷目标与已知轨迹之间的相似度，当相似度高于预设定的阈值则进行轨迹关联，然后更新已知轨迹的位置信息，直到处理完所有帧为止，得到缺陷目标出现的所有帧；其中，相似度计算是使用缺陷的描框位置信息和卡尔曼预测框计算交并比得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410292302.4A CN117952957A (zh) | 2024-03-14 | 2024-03-14 | 一种基于卷积神经网络的排水管道缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410292302.4A CN117952957A (zh) | 2024-03-14 | 2024-03-14 | 一种基于卷积神经网络的排水管道缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117952957A true CN117952957A (zh) | 2024-04-30 |
Family
ID=90792245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410292302.4A Pending CN117952957A (zh) | 2024-03-14 | 2024-03-14 | 一种基于卷积神经网络的排水管道缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117952957A (zh) |
-
2024
- 2024-03-14 CN CN202410292302.4A patent/CN117952957A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489339B (zh) | 高速铁路定位器螺栓备母缺陷的检测方法 | |
| CN111080609B (zh) | 一种基于深度学习的闸瓦插销丢失检测方法 | |
| CN113313031B (zh) | 一种基于深度学习的车道线检测和车辆横向定位方法 | |
| CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
| CN114841972A (zh) | 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法 | |
| CN114049356B (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
| CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
| CN113591617B (zh) | 基于深度学习的水面小目标检测与分类方法 | |
| CN117994206A (zh) | 一种大坝裂缝检测模型 | |
| CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
| CN115063786A (zh) | 一种高位远景模糊车牌检测方法 | |
| CN111291660A (zh) | 一种基于空洞卷积的anchor-free交通标志识别方法 | |
| CN113379737A (zh) | 基于图像处理及深度学习的管道缺陷智能检测方法及应用 | |
| CN116403109A (zh) | 一种基于改进神经网络的建筑物识别与提取方法及系统 | |
| CN112258483B (zh) | 一种钩尾销插托错位和螺母丢失故障检测方法 | |
| CN113033363A (zh) | 一种基于深度学习的车辆稠密目标检测方法 | |
| CN117952957A (zh) | 一种基于卷积神经网络的排水管道缺陷检测方法 | |
| CN116645329A (zh) | 一种仪器仪表柜的异常监测方法 | |
| CN115661097A (zh) | 一种物体表面缺陷检测方法及系统 | |
| CN115880580A (zh) | 一种云层影响下的光学遥感影像道路信息智能提取方法 | |
| CN114187550A (zh) | 一种基于改进yolo v3网络的弓网核心零部件识别方法 | |
| CN113034543B (zh) | 一种基于局部注意力机制的3D-ReID多目标追踪方法 | |
| CN115171001A (zh) | 基于改进ssd的增强热红外图像上车辆检测方法及系统 | |
| CN112016403B (zh) | 一种视频异常事件检测方法 | |
| CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 |
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 |