利用深度学习模型智能识别地下排水管道缺陷

排水管道健康状况直接影响整个城市的排水效果,CCTV检测作为目前最为常见的排水管道健康状况检测方法,仍存在自动化程度不高、工作效率低下、严重依赖人工经验等问题。为解决以上问题,本文将当前先进的深度学习技术与地下排水管道缺陷检测技术相结合,提出了一种基于深度学习模型的地下排水管道缺陷智能识别技术。同时,将管道缺陷智能识别与管道检测工作流程紧密结合,实现城市排水管道检测报告的快速自动生成等功能,从而大大提高排水管道缺陷的检测效率。

基于卷积神经网络的排水管道缺陷智能检测与分类

针对传统排水管道缺陷检测中需要消耗大量人力的问题,基于人工智能算法——卷积神经网络(CNN),建立自动检测和评估排水管道缺陷的智能系统。对CCTV视频图像中六种常见的管道状态(裂缝、错口、障碍物、残墙坝根、树根和正常类别)进行模型学习、训练和测试。CNN模型训练和验证的正确率分别为100%和97%,六类管道状态的平均识别准确率达到90%,证明所构建的模型在不需要相关检测专业知识的情况下,可以很好地识别本研究中的管道缺陷类型。其中,CNN模型对树根和错口的检测具有较高置信度,其次是残墙坝根和裂缝,障碍物和正常类别的分类精度最低。深度学习在排水管道缺陷自动检测领域具有可行性,模型具有良好的泛化能力,可为管道缺陷检测提供科学、准确的检测工具。

基于生成对抗网络和迁移学习的排水管道缺陷识别

城市排水设施的服役可靠性成为越来越重要的工程问题,高效率、自动化、大规模的管道缺陷智能检测是城市排水设施建设和管理的迫切需求和重要发展趋势。近年来深度学习技术发展迅速,为排水管道缺陷检测提供了新方法。然而,数据量不足和样本不均衡是深度学习模型普遍存在的问题,影响模型的泛化能力和识别鲁棒性。基于当前先进的生成对抗网络(StyleGAN),提出了一种高质量的排水管道缺陷图像合成方法,以解决训练样本问题。进一步采用卷积神经网络算法,借助迁移学习和预训练模型(SqueezeNet网络)实现管道缺陷识别,提升模型识别效率,并对合成图像进行效果验证。结果表明,StyleGAN能高效合成高质量的缺陷图像,识别模型的平均精度达到90.0%(对树根、错口、残墙坝根和障碍物的精度分别为99.7%、92.3%、87.7%和81.7%)。借助生成对抗网络实现数据增强,为深度学习模型训练提供了一种有前景的方法,具有重要的应用意义。

基于CCTV和缺陷特征提取的城市排水管道结构性缺陷检测

基于管道闭路电视(CCTV)检测系统,提出5种不同的管道结构性缺陷特征提取方法,对缺陷图像进行纹理特征提取,并利用二分类支持向量机(BSVM)对特征提取数据进行一对一投票分类。结果表明,Gabor法提取得到的特征维数远大于GLCM、B_GLCM、GGCM以及LBP四种方法得到的;B_GLCM法相比GLCM法,特征提取效率略有提高,但随着分区的减小,提取耗费的时间会逐渐增大;GLCM和B_GLCM提取方法对裂纹、错口和腐蚀三种缺陷均具有较好的分类效果,分类正确率都在90%以上,其他三种提取方法的分类正确率较低;综合考虑分类准确率和分类效率,建议采用分区大小为3×3的B_GLCM方法对管道缺陷纹理特征进行提取,以获得最佳的检测结果。