【技术实现步骤摘要】
本专利技术属于排水管道缺陷检测，尤其涉及一种基于stylegan3和改进deeplabv3+排水管道缺陷轻量级分割方法。
技术介绍
1、排水管网作为城市重要的基础设施，在保障防洪减灾、维持城市正常运行中起到至关重要的作用。然而，由于污水的侵蚀、管道的不均匀沉降、施工问题、管道老化等因素，往往会出现不同程度的缺陷，部分缺陷严重降低城市雨水污水排放效率，导致雨水污水排放不及时，造成内涝、洪水，严重威胁城市居民生命财产安全。常见管道检测技术有闭路电视(cctv)、激光探测、潜望镜探测、探地雷达监测、红外热成像等。目前，工程领域中排水管缺陷类型的区分主要依靠人眼，费时费力，主观性强，并且难以覆盖较大区域以及由于人工目视判断受到环境因素和人为干扰的影响会存在认知偏差，并且人为识别过程中，无法量化排水管道影像缺陷所在的位置及形状。因此，迫切需要一种高效率、高精度的识别方法来实现对排水管道缺陷的自动识别和分割。
2、随着人工智能的发展，涌现出许多优秀的深度学习算法，并越来越多地用于更准确和自动的下水道缺陷检测。包括三类深度学习技术(图像分类、目标检测、图像分割)在排水管道识别方面都展现出良好的性能。其中语义分割方面，在提供缺陷的形状、位置和密度等像素级描述方面更为准确和详细。例如，周倩倩等提出了一种基于生成对抗网络的排水管道缺陷识别方法，解决了排水管道影像样本不足问题，但并未考虑各类缺陷分布不均衡的问题。骆旭佳等提出了一种排水管道缺陷识别和异常分割方法，解决了现有技术中存在的缺陷识别和异常分割准确率低的技术问题，但其中特征提取较为
技术实现思路
1、本专利技术的目的在于提出一种基于stylegan3和改进deeplabv3+排水管道缺陷轻量级分割方法，使用主干特征提取网络mobilenetv2替换语义分割模型deeplabv3+中原始主干特征提取网络xception，有效降低模型参数量，并使用双重注意力机制模块cbam改进deeplabv3+实现排水管道影像缺陷精确分割方法。解决了排水管道影像获取困难，各缺陷数据分布不均匀的问题，而且解决了排水管道缺陷检测中由于人工目视判断主观性较强且费时费力以及无法准确定位排水管道影像中缺陷的具体位置及形状，还解决了缺陷分割准确率及效率低下的问题。该方法涉及深度学习、计算机视觉、排水管道缺陷检测技术等多个
这些
的综合运用使得城镇排水管道缺陷检测识别实现精细化、自动化与智能化。
2、为实现上述目的，本专利技术提供了一种基于stylegan3和改进deeplabv3+排水管道缺陷轻量级分割方法，包括：
3、基于stylegan3模型对排水管道缺陷数据集进行扩充处理；
4、基于扩充后的数据集对预设的网络模型进行训练，获取排水管道缺陷轻量级分割模型；其中，预设的网络模型基于改进deeplabv3+模型获得；
5、将待识别的排水管道影像数据，输入所述排水管道缺陷轻量级分割模型进行缺陷识别和分割。
6、可选地，对排水管道缺陷数据集进行扩充处理前包括：
7、对排水管道缺陷数据集进行预处理；
8、对预处理后的数据集中的图像数据进行缺陷类别标记。
9、可选地，对排水管道缺陷数据集进行预处理包括：
10、对排水管道缺陷数据集中的原始图像数据，进行噪声水印去除；其中，噪声水印包括：原始图像数据中指向性箭头和文字提示信息；
11、将噪声水印去除后的图像数据，按图像中心裁剪为预设像素大小的图像数据。
12、可选地，对预处理后的数据集中的图像数据进行缺陷类别标记包括：
13、设置缺陷的分割目标类别；其中所述分割目标类别包括：破裂、沉积、树根、变形和障碍物；
14、基于所述分割目标类别，利用预处理后的图像数据的缺陷类别及轮廓进行标记。
15、可选地，对排水管道缺陷数据集进行扩充处理包括：
16、利用排水管道缺陷数据集中的原始图像数据对所述stylegan3模型进行训练；
17、对预处理后图像数据中的所述分割目标类别的缺陷像素点数量进行统计分析，对预设像素点数量的图像数据利用训练好的stylegan3模型使用随机数种子进行图像生成扩充；
18、利用python函数对预处理后的图像数据和stylegan3模型生成的图像混合进行数据增强，其中，数据增强包括：对图像进行色彩扰动、中心裁剪、水平翻转、随机噪声、垂直翻转。
19、可选地，改进deeplabv3+模型包括：
20、使用主干特征提取网络mobilenetv2替换原始deeplabv3+中主干特征提取网络xception；
21、在deeplabv3+的aspp结构中以及网络输出最后加入双注意力机制模块cbam；其中，所述双注意力机制模块cbam包括：通道注意力和空间注意力。
22、可选地，对预设的网络模型进行训练包括：
23、利用grad-cam可视化改进deeplabv3+模型最后一层注意力，可视化模型对每一类缺陷关注程度。
24、可选地，对预设的网络模型进行训练后还包括：
25、利用预设评价指标，对训练后的网络模型进行精度验证；其中，所述预设评价指标包括：平均交并比和平均像素精度；
26、所述平均交并比为：
27、
28、其中，miou为平均交并比，k为分割缺陷的类别数，pij为将i类别预测为j类别，为假负(fn)；pji将j类别预测为i类别，为假正(fp)；pii将i类别预测为i类别，为真正(tp)；
29、所述平均像素精度为：
30、
31、其中，mpa为平均像素精度。
32、本专利技术具有以下有本文档来自技高网...
【技术保护点】
1.一种基于StyleGAN3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，包括：
2.根据权利要求1所述的基于StyleGAN3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，对排水管道缺陷数据集进行扩充处理前包括：
3.根据权利要求2所述的基于StyleGAN3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，对排水管道缺陷数据集进行预处理包括：
4.根据权利要求3所述的基于StyleGAN3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，对预处理后的数据集中的图像数据进行缺陷类别标记包括：
5.根据权利要求4所述的基于StyleGAN3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，对排水管道缺陷数据集进行扩充处理包括：
6.根据权利要求1所述的基于StyleGAN3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，改进deeplabv3+模型包括：
7.根据权利要求1所述的基于StyleGAN3和
8.根据权利要求1所述的基于StyleGAN3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，对预设的网络模型进行训练后还包括：
...【技术特征摘要】
1.一种基于stylegan3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，包括：
2.根据权利要求1所述的基于stylegan3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，对排水管道缺陷数据集进行扩充处理前包括：
3.根据权利要求2所述的基于stylegan3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，对排水管道缺陷数据集进行预处理包括：
4.根据权利要求3所述的基于stylegan3和改进deeplabv3+排水管道缺陷轻量级分割方法，其特征在于，对预处理后的数据集中的图像数据进行缺陷类别标记包括：
5...
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。