【技术实现步骤摘要】
本专利技术属于管网工程检测，具体涉及一种管道cctv缺陷识别方法、系统、设备及存储介质。
技术介绍
1、cctv管道内窥检测是目前应用最广泛的管网工程检测手段，其主要通过在管道机器人上搭载高清摄像头，工作人员远程控制管道机器人在管道内移动采集图像，并通过传输电缆将图像实时传送到地面进行检测。由于高清摄像头采集的图像可以准确捕捉到管道细微的缺陷，所以对于管道内的细小缺陷具有较高的准确率。
2、然而在现有技术中，管道cctv的缺陷识别检测还是依赖于工程师的经验，判断结果主观性强，不同的工程师判断结果可能不同，影响判断结果的一致性，误判的概率也相对提高。
技术实现思路
1、本专利技术的目的是为了克服以上现有技术存在的不足，提供一种管道cctv缺陷识别方法，通过训练好的管道cctv缺陷识别网络模型，能准确识别管道内缺陷信息，并及时对工作人员作出预警，从而减少人工测评所造成的误判率，提高了管道的安全性。
2、同时，本专利技术的第二目的是提供一种管道cctv缺陷识别系统。
3、同时，本专利技术的第三目的是提供一种计算机设备。
4、同时，本专利技术的第四目的是提供一种存储介质。
5、本专利技术的目的通过以下的技术方案实现：
6、1、一种管道cctv缺陷识别方法，包括以下步骤：
7、s1、获取管道历史缺陷图像数据，采用预设的管道缺陷形态机制和管道缺陷区域机制对所述管道的历史缺陷图像数据进行标记，建立管道图像数据集，
8、s2、构建管道cctv缺陷识别网络模型，所述管道cctv缺陷识别网络包括深层网络单元、管道缺陷区域预测单元和管道缺陷形态预测单元；所述深层网络单元包括特征探测器、特征融合器和特征转化器，所述管道缺陷区域预测单元包括区域边缘域、区域聚焦域、区域预测域，所述管道缺陷形态预测单元包括形态时空块、形态探索块、形态预测块；
9、s3、利用步骤s1得到的训练集对所述管道cctv缺陷识别网络模型进行训练，得到训练好的管道cctv缺陷识别网络模型；训练过程具体包括以下步骤：
10、s31、将所述训练集的图像数据进行预处理，将预处理后的图像数据输入到所述特征探测器；
11、s32、所述特征探测器从输入的图像数据中提取图像特征向量，并将图像特征向量分别输入到所述形态时空块和区域边缘域；
12、s33、基于零相位成分分析，所述形态时空块根据所述图像特征向量得到形态特征，所述形态探索块使用在通道维度上的l1范数以及平均操作对形态特征进行处理，得到候选形态；
13、s34、所述区域边缘域通过计算所述图像特征向量对应位置的l1范数和区域平均值得到感兴趣区域，所述区域聚焦域对所述感兴趣区域进行上采样操作，得到候选区域；
14、s35、将所述候选形态、候选区域和图像特征向量输入到所述特征融合器，所述特征融合器将候选形态和候选区域映射到所述图像特征量，生成融合图像；
15、s36、所述区域预测域和形态预测块分别根据所述融合图像进行预测，生成预测形态分数值和预测区域分数值；
16、s37、所述特征转化器将步骤s36得到的预测形态分数值和预测区域分数值进行筛选，得到最终的预测形态分数值和预测区域分数值，将最终的预测形态分数值和预测区域分数值与预设的管道缺陷形态机制和管道缺陷区域机制进行匹配，得到输入图像数据的标签，所述标签包含缺陷类型和缺陷位置坐标；
17、s38、重复s31-s37步骤对管道cctv缺陷识别网络模型进行训练，直至模型满足终止条件，将此时得到的管道cctv缺陷识别网络模型作为训练好的管道cctv缺陷识别网络模型；
18、s4、将采集的待识别的管道cctv图像输入到所述训练好的管道cctv缺陷识别网络模型，实现管道cctv图像的缺陷识别，并发出相应的缺陷警报。
19、优选的，所述特征探测器采用预训练的特征提取网络模型，特征提取网络模型采用除去全连接层的resnet-101网络模型，所述除去全连接层的resnet-101网络模型包括101个网络层，所述101个网络层划分为5个卷积块。
20、优选的，所述预训练的特征提取网络模型的工作过程如下：
21、工作时，所述预训练的特征提取网络模型直接提取输入的图像数据中的深度特征，所述预训练的特征提取网络模型对输入的图像数据中不同位置的深度特征进行直接提取，所述预训练的特征提取网络模型输出不同层级下的深度特征，所述深度特征的表示如下：
22、
23、其中，表示所述预训练的特征提取网络模型第i个卷积块输出的第k个深度特征，m当前网络输出的最大通道数目，i∈{1，2，....5}，φi，k(·)表示特征提取网络中第i个卷积块的第k个网络参数；
24、最终所述预训练的特征提取网络模型将输出的所有深度特征进行集合即为图像特征向量。
25、优选的，步骤s33的具体过程如下：
26、首先基于零相位成分分析，所述形态时空块根据深度特征得到形态特征，所述形态特征的表达如下：
27、
28、
29、其中，表示深度特征，i表示单位矩阵，ε表示为用于防止矩阵不可求逆的极小值，co表示协方差矩阵，s.t表示约束条件；
30、然后，所述形态探索块使用在通道维度上的l1范数以及平均操作对形态特征进行处理，得到候选形态所述候选形态的表达如下：
31、
32、其中，t表示半径，可取t＝2。
33、优选的，步骤s34所述感兴趣区域的提取过程如下：
34、首先所述区域边缘域对深度特征对应位置的l1范数进行计算，得到初步的感兴趣区域的表示如下：
35、
36、其中，表示所述图像特征向量中的深度特征；m为当前网络输出的最大通道数目；
37、然后所述区域聚焦域对所述初步的感兴趣区域使用区域平均操作来得到最终的感兴趣区域所述感兴趣区域表达如下：
38、
39、其中，t表示半径，r表示区域半径，r可设置为1。
40、优选的，步骤s35的具体过程如下：
41、将所述候选形态和候选区域映射得到的图像特征向量记为f2，候选形态记为c2，候选区域记为l2，使用双线性插值将f2的数据维度变为输入的cctv图像的数据维度，计算融合图像权重系数y，所述融合图像权重系数y的表示如下：
42、
43、最终生成的融合图像if的表示如下：
44、if＝y*ik， 式(10)，
45、其中，ik为输入的原始cctv图像数据。
46、优选的，步骤s36的具体过程如下：
47、所述区域预测域和形态预测块分别对所述融合图像if中的像素点数据x进行计本文档来自技高网...
【技术保护点】
1.一种管道CCTV缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的管道CCTV缺陷识别方法，其特征在于，所述特征探测器采用预训练的特征提取网络模型，特征提取网络模型采用除去全连接层的ResNet-101网络模型，所述除去全连接层的ResNet-101网络模型包括101个网络层，所述101个网络层划分为5个卷积块。
3.根据权利要求2所述的管道CCTV缺陷识别方法，其特征在于，所述预训练的特征提取网络模型的工作过程如下：
4.根据权利要求1所述的管道CCTV缺陷识别方法，其特征在于，步骤S33的具体过程如下：
5.根据权利要求1所述的管道CCTV缺陷识别方法，其特征在于，步骤S34所述感兴趣区域的提取过程如下：
6.根据权利要求1所述的管道CCTV缺陷识别方法，其特征在于，步骤S35的具体过程如下：
7.根据权利要求1所述的管道CCTV缺陷识别方法，其特征在于，步骤S36的具体过程如下：
8.一种管道CCTV缺陷识别系统，用于实现权利要求1-7任一项所述的管道CCTV缺陷识别方法
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的管道CCTV缺陷识别方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的管道CCTV缺陷识别方法。
...【技术特征摘要】
1.一种管道cctv缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的管道cctv缺陷识别方法，其特征在于，所述特征探测器采用预训练的特征提取网络模型，特征提取网络模型采用除去全连接层的resnet-101网络模型，所述除去全连接层的resnet-101网络模型包括101个网络层，所述101个网络层划分为5个卷积块。
3.根据权利要求2所述的管道cctv缺陷识别方法，其特征在于，所述预训练的特征提取网络模型的工作过程如下：
4.根据权利要求1所述的管道cctv缺陷识别方法，其特征在于，步骤s33的具体过程如下：
5.根据权利要求1所述的管道cctv缺陷识别方法，其特征在于，步骤s34所述感兴趣区域的提...
【专利技术属性】
技术研发人员：刘伟杰，黄启云，要东明，冯梓豪，林超群，张传海，李运攀，丘贤章，
申请(专利权)人：广东省有色工业建筑质量检测站有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。