[发明专利]一种基于代价敏感学习的排水管道缺陷自动检测方法

权利要求书

1.一种基于代价敏感学习的排水管道缺陷自动检测方法，其特征在于：包括以下步骤：

步骤S1：建立训练数据集：从历史检测报告及排水管道机器人拍摄的视频中随机抽取视频帧形成管道图像集，对于管道图像集里的每个图像，按照城镇排水管道检测与评估技术规程中给出的管道评估方式对图像进行标注，将管道图像集划分为正常管道和缺陷管道；按照70％，10％，20％的比例将所述管道图像集划分成训练集、验证集和测试集；在深度学习中，为避免出现过拟合，对训练集中的图像数据进行数据增强和标准化处理；

步骤S2：提供正常管道样本和缺陷管道样本，分别估算将正常管道样本和缺陷管道样本错误分类带来的损失；将一个正常类样本误分类的代价即为进行一次额外的缺陷检测的经济损失；将一个故障类样本误分类的代价即为漏检缺陷所造成的经济损失；并以此构建代价矩阵；

步骤S3：根据步骤S2中构建的代价矩阵确定正常管道样本和缺陷管道样本的置信度向量；

步骤S4：基于步骤S3中置信度向量构建代价敏感卷积神经网络，使用步骤S1得到的训练集图像通过梯度下降算法训练神经网络；

步骤S5：使用步骤S4中训练好的神经网络对待识别的图像进行识别，图像依次经过卷积层、池化层和softmax层后得到图像中包含缺陷的概率，从而确定图像的属性信息。

2.根据权利要求1所述的一种基于代价敏感学习的排水管道缺陷自动检测方法，其特征在于：所述步骤S1中对训练集中的图像数据进行数据增强和标准化处理过程具体包括以下步骤：

步骤S11：对训练集中的图像数据进行数据增强；所述进行数据增强的方法包括但不限于水平翻转、旋转、改变图像色彩、加入噪声；

步骤S12：将S11中的进行数据增强后的图像集按短边等比例缩放至固定大小S，S范围为256～512之间；

步骤S13：对S12缩小后的图片随机裁剪出224×224的子图；

步骤S14：对S13中产生的子图进行标准化处理，具体采用以下公式：

式中，x_i表示一张图中的某个像素点；x_min表示图中所有像素的最小值点，x_max表示图中所有像素的最大值点。

3.根据权利要求1所述的一种基于代价敏感学习的排水管道缺陷自动检测方法，其特征在于：步骤S2中所述构建代价矩阵的具体方法是：

令y_i＝{0,1}代表排水管道的真实状态；在代价敏感学习中，将错分代价高的类别作为正例，所以将y_i＝1来表示缺陷管道；y_i＝0表示正常管道；将不同错误引起的损失分为如下两类：

(1)将缺陷管道判断成正常管道的代价，cost₁₀；

(2)将正常管道判断成缺陷管道的代价，cost₀₁；

将一个正常类样本误分类的代价就是进行一次额外的缺陷检测的经济损失；将一个故障类样本误分类的代价为漏检缺陷所造成的经济损失，据此构建如下代价矩阵：

其中，cost₀₀、cost₁₁为分类正确时产生的经济损失；cost₀₁、cost₁₀分别代表实际正常样本和实际缺陷样本被错误分类带来的经济损失；由于正确分类不会带来经济损失，所以代价矩阵的对角线上元素均为0；由于对代价进行缩放，并不会改变决策；因此，将这些损失进行缩放，由此得到的简化后的代价矩阵如下：

4.根据权利要求1所述的一种基于代价敏感学习的排水管道缺陷自动检测方法，其特征在于：步骤S3中所述置信度向量计算方式为：

式中，ε_i代表对应类别的置信程度，i代表对应类别，其中i＝0代表正常，i＝1代表缺陷，基于此构成置信度向量(ε₀,ε₁)。

5.根据权利要求3所述的一种基于代价敏感学习的排水管道缺陷自动检测方法，其特征在于：所述步骤S4具体包括以下步骤：所述代价敏感卷积神经网络主体结构由8层卷积池化层组成，卷积层使用ReLU激活函数，所述代价敏感卷积神经网络结构为：

第一层卷积层，卷积核大小为11*11，步长为4，总共64个特征；

第一最大池化层，池化范围3*3，步长为2；

第二层卷积层，卷积核大小为5*5，步长为1，总共192个特征；

第二最大池化层，池化范围3*3，步长为2；

第三层卷积层，卷积核大小为3*3，步长为1，总共384个特征；

第四层卷积层，卷积核大小为3*3，步长为4，总共384个特征；

第五层卷积层，卷积核大小为3*3，步长为4，总共256个特征；

第五最大池化层，池化范围3*3，步长为2；

第六卷积层，卷积核大小为5*5，步长为1，总共4096个特征，dropout强度为0.5；

第七卷积层，卷积核大小为1*1，步长为1，总共4096个特征，dropout强度为0.5；

第八卷积层，卷积核大小为1*1，步长为1，总共2个特征；

步骤S42：在S41中第八卷积层与损失函数之间加入代价敏感激活层，对步骤S41中第八卷积层的输出向量使用代价敏感激活层激活，计算方式为：

式中，ε代表对应当前样本对应的置信度向量，通过步骤S3中公式计算得到，o代表步骤S41中第八卷积层的输出向量，输出对应2个类别的概率；

步骤S43：在训练过程中使用adam优化算法更新卷积神经网络参数；

步骤S44：测试阶段将S42中代价敏感激活层替换成常规的softmax激活层，计算方式为：

式中，o代表步骤S41中第八卷积层的输出向量，输出对应2个类别的概率。