FEDDR:一套实用的地下排水管道缺陷智能检测系统

地下排水管道缺陷检测是地下管线高效管理的基础,也是实现“智慧城市”的关键性问题。针对工程项目中对管道缺陷判别的需要,提出并实现了一套实用的地下排水管道缺陷智能检测FEDDR(frame extracting-detection-duplicate removal)系统,将视频缺陷检测过程分为检测前的视频预处理阶段、缺陷检测模型构建阶段以及缺陷检测优化3个阶段,采用帧间差分算法及VGG16网络对管道视频抽帧处理,筛选出兴趣检测帧,减少待检测数据量;选取YOLOv3为网络主框架,用轻量高效的EfficientNet结构替换原来的主干网络,采用迁移学习策略,用自建数据集Pipe-DATA对其进行训练,建立起高效的管道缺陷检测模型,并在检测帧输出检测结果时采用两次输出的优化策略来防止缺陷漏检;对检测出的缺陷帧图像进行文字识别,去重优化自动生成结果表单。将该方法应用到了某区域的将近3 km的管道视频数据中,共检测出了656个缺陷,与人工判别结果对比,准确率达94.3%,召回率达到98.7%,整个过程一体化完成,大大减少了人工成本,提高了排水管道缺陷的检测效率,具有工程实用性。

MR-GA:一种基于实例分割的地下排水管道缺陷评估方法

目前地下排水管道检测后的缺陷评估主要采用人工方式进行,不仅费时、费力,智能化程度低,而且容易受到人工经验与视觉疲劳的影响,导致遗漏与误判,影响结果的准确性。近年来迅速兴起的实例分割技术,具有强大的数据特征学习和描述能力。提出了一种基于Mask R-CNN实例分割网络的管道缺陷评估MR-GA(Mask R-CNN-Grading Assessment)方法。首先,自建样本数据集,对Mask R-CNN进行训练构建模型;其次,利用构建好的模型对输入的管道检测帧进行缺陷分类和实例分割;在此基础上,结合《城镇排水管道检测与评估技术规程》,根据各类管道缺陷特征,制定出缺陷量化分级评估方案;最后,按此方案进行参数计算及分级评估。将MR-GA方法应用于实际工程项目,与人工评估结果相比,缺陷类别识别准确率达到91.34%,缺陷分级准确率达到88.75%。

基于数据驱动的薄板结构多裂纹反演方法

采用比例边界有限元法(scaled boundary finite element methods,SBFEM)模拟薄板结构内Lamb波的传播过程,将SBFEM和最大信息系数相结合,研究了缺陷参数与观测点位置的相关性,为缺陷反演时传感器布置位置的选取提供了依据。在此基础上建立了基于SBFEM数据集和深度学习的结构内部多裂纹反演方法,将多裂纹反演归类为分类和回归预测问题,可在未知裂纹数量的情况下反演出裂纹的数量、位置和大小,并通过数值算例验证了该方法能够较好地进行裂纹状缺陷数量和参数的反演。