[發(fā)明專利]基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法及裝置

在審

• 申請?zhí)枺?/td>: 202111241182.8
• 申請日: 2021-10-25
• 公開（公告）號: CN113963212A
• 公開（公告）日: 2022-01-21
• 發(fā)明（設(shè)計）人: 方宏遠;王念念;馬鐸;董家修
• 申請（專利權(quán)）人: 鄭州大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長沙市岳麓慧專利代理事務(wù)所(普通合伙) 43270
• 代理人: 王中華

本發(fā)明提供一種基于Inception?Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法及裝置。所述方法包括：獲得管道內(nèi)表面病害數(shù)據(jù)集；對管道內(nèi)表面病害數(shù)據(jù)集進行增強處理；對病害圖像進行分類，將病害圖像分類為病害圖像訓(xùn)練集，病害圖像驗證集和病害圖像測試集，建立病害圖像數(shù)據(jù)庫；構(gòu)建分類模型并訓(xùn)練；通過設(shè)置不同的超參數(shù)，對分類模型調(diào)優(yōu)，獲得最優(yōu)分類模型；最優(yōu)分類模型測試，判斷檢測指標(biāo)是否達到預(yù)期值；拍攝管道內(nèi)表面圖像，并回傳給預(yù)設(shè)有最優(yōu)分類模型的工作站終端進行檢測，判斷各項工作指標(biāo)能否達到工作要求，本發(fā)明通過結(jié)合Inception神經(jīng)網(wǎng)絡(luò)和Resnet神經(jīng)網(wǎng)絡(luò)的各自優(yōu)點，構(gòu)建了Inception?Resnet神經(jīng)網(wǎng)絡(luò)，提高了模型檢測的準(zhǔn)確度，實現(xiàn)了管道內(nèi)表面病害的自動識別。

技術(shù)領(lǐng)域

本發(fā)明涉及管道檢測技術(shù)領(lǐng)域，尤其涉及一種基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法。

背景技術(shù)

城市地下管道廣泛應(yīng)用于供暖，供水，排污等領(lǐng)域。隨著我國城市化進程不斷發(fā)展，地下水位變化和各種工程建設(shè)引起的不均勻沉降對管道造成不同程度的損傷。并且隨著服役年齡的增加，管道密封材料老化或脫落造成接口處泄露。由此引發(fā)周圍土壤，生活用水和城市空氣的污染，進而引發(fā)一系列安全問題。因此，應(yīng)當(dāng)按時檢測管道，為城市污水管道的修復(fù)和維護提供規(guī)劃和決策幫助。

現(xiàn)有的人工檢測的方法主要有人員進入管道檢測，潛水員進入管道檢測和簡易工具法。人員進入和潛水檢查適用于管徑較大且管內(nèi)流體流速較低的情況，無法記錄檢測結(jié)果，主要憑借人眼觀察對管道缺陷進行描述，易受檢測人員主觀因素的影響，對裂縫寬度等缺陷尺寸的確定無法進行準(zhǔn)確的測量。簡易工具法的優(yōu)點是快速、簡便，但是容易受障礙物的干擾，無法直觀檢測管道結(jié)構(gòu)受損狀況。

針對地下管道的內(nèi)部復(fù)雜的環(huán)境特點，本發(fā)明采用了基于深度學(xué)習(xí)的融合卷積神經(jīng)網(wǎng)絡(luò)算法，結(jié)合了inception網(wǎng)絡(luò)構(gòu)架和殘差網(wǎng)絡(luò)構(gòu)架，提高了準(zhǔn)確度，實現(xiàn)了對多種類管道病害圖像的分類。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法，主要包括輸入層，隱藏層和輸出層。該方法結(jié)合了Inception神經(jīng)網(wǎng)絡(luò)和Resnet神經(jīng)網(wǎng)絡(luò)的優(yōu)點，具有檢測效率快，準(zhǔn)確度高，泛化能力強，魯棒性好的特點。

為解決上述問題，本發(fā)明提供了一種基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法，包含以下步驟：

步驟S1、采集管道內(nèi)表面圖像，挑選含有病害的管道內(nèi)表面圖像作為病害圖像，對病害圖像進行預(yù)處理和數(shù)據(jù)增強處理，獲得管道內(nèi)表面病害數(shù)據(jù)集；

步驟S2、根據(jù)步驟S1獲取的管道內(nèi)表面病害數(shù)據(jù)集，對病害圖像進行分類，將病害圖像按預(yù)設(shè)比例分為病害圖像訓(xùn)練集，病害圖像驗證集和病害圖像測試集，建立病害圖像數(shù)據(jù)庫；

步驟S3、搭載深度學(xué)習(xí)環(huán)境，構(gòu)建分類模型，采用遷移學(xué)習(xí)方法初始化所述分類模型，將病害圖像訓(xùn)練集中的病害圖像導(dǎo)入所述分類模型，對所述分類模型進行訓(xùn)練，得到訓(xùn)練后的分類模型，所述分類模型為Inception-Resnet神經(jīng)網(wǎng)絡(luò)模型；

步驟S4、根據(jù)步驟S3得到的訓(xùn)練后的分類模型，設(shè)置不同的超參數(shù)，相應(yīng)獲得不同工況下的分類模型，通過病害圖像驗證集對該些工況下的分類模型進行測試，對比不同工況下的分類模型在訓(xùn)練過程中損失值及準(zhǔn)確率的變化曲線，尋找最優(yōu)超參數(shù)從而獲得最優(yōu)分類模型；

步驟S5、根據(jù)步驟S4所得到的最優(yōu)分類模型，引入病害圖像測試集，對最優(yōu)分類模型進行測試，判斷所述最優(yōu)分類模型輸出的檢測指標(biāo)是否達到預(yù)期值；

步驟S6、拍攝待檢測的管道內(nèi)表面圖像并回傳至預(yù)設(shè)有最優(yōu)分類模型的工作站終端，所述工作站終端對所述待檢測的管道內(nèi)表面圖像進行檢測，判斷各項工作指標(biāo)能否達到工作要求。

可選地，所述的步驟S1具體包括：