[發(fā)明專利]一種基于多任務(wù)學(xué)習(xí)的排水管道異常類型自動檢測方法

有效

• 申請?zhí)枺?/td>: 201911125639.1
• 申請日: 2019-11-18
• 公開（公告）號: CN110930377B
• 公開（公告）日: 2022-05-13
• 發(fā)明（設(shè)計）人: 鐘尚平;陳雨寒;陳開志
• 申請（專利權(quán)）人: 福州大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 福州元創(chuàng)專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學(xué)俊

本發(fā)明涉及一種基于多任務(wù)學(xué)習(xí)的排水管道異常類型自動檢測方法。首先通過分析管道缺陷深度特征信息將特征空間存在重疊的類別劃分到同一分組中；然后基于分組情況構(gòu)建多任務(wù)學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)將分類任務(wù)劃分為兩級任務(wù)，高級分類任務(wù)嘗試區(qū)分不同分組的缺陷圖像，低級任務(wù)擁有多個子任務(wù)，分別用于著重區(qū)分組內(nèi)具有相似特征空間的缺陷類型，最終的缺陷分類結(jié)果來自條件概率。本發(fā)明通過引入多任務(wù)學(xué)習(xí)策略使得模型能夠減少特征空間重疊帶來的精度損失，提升模型的檢測精度，從而實現(xiàn)更為有效的排水管道缺陷自動檢測系統(tǒng)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于多任務(wù)學(xué)習(xí)的排水管道異常類型自動檢測方法。

背景技術(shù)

現(xiàn)有的一種基于深度學(xué)習(xí)的排水管道異常類型自動檢測方法，公開號為CN108038850A，該技術(shù)的問題及缺陷為：管道內(nèi)部圖像不同于一般的圖像，其特殊性在于管道圖像包含很豐富的細節(jié)，具有亮度低，背景單一，對比度弱，噪聲多，變化性強的特點。同時由于幾何形狀，材料，缺陷性質(zhì)，內(nèi)部襯里，相機規(guī)格等的差異導(dǎo)致管道圖像在視覺外觀方面表現(xiàn)出大的變化。這就對分類模型的泛化性能方面提出了很高的要求，增加了分類任務(wù)的難度。并且，管道圖像存在深度特征空間重疊的問題，主要表現(xiàn)在兩個方面。首先是管道內(nèi)部圖像具有背景單一的特點。由于背景單一，導(dǎo)致不同類的圖像可能存在大量的相似之處，僅有少數(shù)的細節(jié)不同用于判斷缺陷的類型。其次，在實際情況中，缺陷可能是伴生發(fā)生的，少數(shù)圖像中可能存在多個缺陷，多種缺陷同時發(fā)生，這就導(dǎo)致類在特征空間中出現(xiàn)了重疊，分類器無法對其做出正確的判斷。在已有的分類模型中，類根據(jù)定義是互斥的，當類在特征空間中存在重疊時，就會發(fā)生分類錯誤。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述問題，提供一種基于多任務(wù)學(xué)習(xí)的排水管道異常類型自動檢測方法，將多任務(wù)學(xué)習(xí)策略和深度學(xué)習(xí)模型引入到排水管道缺陷檢測中，從而提升模型的檢測精度和泛化能力。

為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：一種基于多任務(wù)學(xué)習(xí)的排水管道異常類型自動檢測方法，包括如下步驟：

步驟S1、建立訓(xùn)練數(shù)據(jù)集：從歷史檢測報告及排水管道機器人拍攝的視頻中隨機抽取視頻幀形成管道圖像集，對于管道圖像集里的每個圖像，按照城鎮(zhèn)排水管道檢測與評估技術(shù)規(guī)程中給出的管道評估方式對圖像進行標注，形成管道圖像集S和圖像標簽集γ，對于管道圖像集S里的每個圖像集X(n)，有與之對應(yīng)的圖像標簽集γ，γ＝(γ(1),γ(2),…γ(n))，γ(n)表示第ω(n)張圖像所屬管道異常類型；按照70％，10％，20％的比例將所述管道圖像集劃分成訓(xùn)練集、驗證集和測試集；在深度學(xué)習(xí)中，為避免出現(xiàn)過擬合，對訓(xùn)練集中的圖像數(shù)據(jù)進行數(shù)據(jù)增強和標準化處理；

步驟S2、使用步驟S1得到的訓(xùn)練集圖像通過梯度下降算法訓(xùn)練深度殘差神經(jīng)網(wǎng)絡(luò)；

步驟S3、使用步驟S2中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對步驟S1中的訓(xùn)練集圖像進行識別，圖像依次經(jīng)過卷積層、池化層獲取神經(jīng)網(wǎng)絡(luò)倒數(shù)第二層特征向量，通過特征向量構(gòu)建缺陷的深度特征空間，基于深度特征空間構(gòu)建深度特征直方圖；

步驟S4、使用步驟S3中得到的各類別深度特征直方圖進行相似性度量，一一對比不同類別深度特征直方圖的相似性，根據(jù)相似性對缺陷進行分組；

步驟S5、使用步驟S4中分組結(jié)果構(gòu)建多任務(wù)深度殘差神經(jīng)網(wǎng)絡(luò)，使用步驟S1得到的訓(xùn)練集圖像通過梯度下降算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)；

步驟S6、使用步驟S4中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對待識別的圖像進行識別，圖像依次經(jīng)過卷積層、池化層和激活層后得到圖像中包含缺陷的類型。

在本發(fā)明一實施例中，所述步驟S1中，管道異常類型劃分為變形、沉積、錯口、腐蝕、破裂、起伏、滲漏、樹根，依次對應(yīng)的γ值為0，1，2...6，7。

在本發(fā)明一實施例中，所述步驟S1中，對訓(xùn)練集中的圖像數(shù)據(jù)進行數(shù)據(jù)增強和標準化處理的過程具體包括以下步驟：