[發明專利]一種基于計算機視覺與機器學習的管道缺陷識別方法

有效

• 申請號: 201910136101.4
• 申請日: 2019-02-25
• 公開（公告）號: CN109800824B
• 公開（公告）日: 2019-12-20
• 發明（設計）人: 李策;尚新宇;劉雨薇;楊峰;劉瑞莉;牛天駒
• 申請（專利權）人: 中國礦業大學(北京)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及的是一種基于計算機視覺與機器學習的管道缺陷識別方法。通過對管道機器人采集的管道圖像、視頻進行灰度拉伸；進行滑濾波處理濾除噪聲干擾；采用Canny算子對疑似缺陷區域輪廓提取；采集圖像分成細胞單元中各像素點的梯度或邊緣方向直方圖，直方圖組合起來提取圖像HOG特征；采用遷移學習策略訓練VGGNet模型，訓練好的VGGNet的特征提取器提取圖像特征；將管道圖像的HOG特征和VGGNet提取的特征進行融合，使用SVM將特征分類，識別管道缺陷；統計管道缺陷識別結果輸出管道缺陷類型。本發明能識別真實管道環境的缺陷特征，提高分類模型的魯棒性和識別的準確率，提升系統圖像處理速度和識別的效率，適用于城市管道、工業管道檢修領域。

技術領域

本發明涉及圖像與視頻處理和特征識別技術領域，尤其涉及一種基于計算機視覺和機器學習檢測管道缺陷的識別方法。

背景技術

管道缺陷檢測與修復工作是城市建設的重要環節，成為當前計算機視覺的熱點研究問題。管道缺陷識別是通過從視頻幀中根據特定的技術指標對缺陷部位進行識別。缺陷識別對后期管道修復有著決定性作用。目前管道缺陷識別主要是通過管道機器人攜帶閉路電視(CCTV)硬件獲取管道視頻，并通過技術人員對視頻進行分析，人工進行管道缺陷識別，但這種方法對人工的依賴性很高，需要有經驗的操作人員才能準確地判別病害，人為判別容易受到視力疲勞、注意力降低等多種人為因素的影響，從而影響檢測精度和準確性。針對上述方法存在的弊端，本發明重點研究基于計算機視覺與機器學習的管道病害識別算法，對管道圖像進行預處理，利用預訓練VGGNet提取的管道圖像特征和管道圖像HOG特征融合，采用SVM滑動分類器對多種類別的管道病害信息進行精確識別。這種方法可以降低對人工的依賴性。

目前管道缺陷識別領域存在一些問題，如視頻中管道環境的復雜性、管道的差異性和缺陷的差異性，導致在實際復雜管道環境中，管道缺陷特征易受管道環境變化影響，分類模型抗干擾能力較差，在差異較大的管道環境中管道缺陷識別準確率較低。

本發明提出了一種基于計算機視覺與機器學習的管道缺陷識別方法適用于管道缺陷檢修領域。

發明內容

本發明針對現有技術中的上述問題，結合目前在計算機視覺領域表現優異的基于特征融合的圖像處理方法，本發明提出一種基于計算機視覺與機器學習的管道缺陷識別方法，該方法能識別真實管道環境的缺陷特征，提高分類模型的魯棒性和識別的準確率，提升系統圖像處理速度和識別的效率，適用于城市管道、工業管道檢修領域。

為了達到上述目的，本發明采用的技術方案如下：

本發明涉及一種基于計算機視覺與機器學習的管道缺陷檢測方法，包括以下步驟：

步驟(1)、控制管道機器人在管道中獲取管道圖像、視頻，進行灰度拉伸及平滑濾波處理；

步驟(2)、對處理后的管道圖像、視頻進行Canny算子邊緣檢測；

步驟(3)、對檢測過后的圖像、視頻進行HOG特征提??；

步驟(4)、對檢測過后的圖像、視頻進行VGG特征提??；

步驟(5)、根據特征運用SVM識別管道缺陷；

步驟(6)、統計結果，將數據保存；再返回步驟2；

本發明的有益效果是，該方法在增加管道識別的效率、降低管道識別對人工的依賴性的情況下，還能保證識別準確率，對管道缺陷檢測有一定的參考價值。

附圖說明

下面結合附圖和實施例對本發明進一步說明：

圖1為本發明實施例的總體流程圖；

圖2為本發明灰度拉伸、平滑濾波、Canny算子邊緣檢測側效果圖；

圖3為本發明使用的VGGNet-16網絡結構圖；