[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

说明书

本发明涉及一种基于代价敏感学习的排水管道缺陷自动检测方法，包括：构建排水管道数据集；估算每种错误分类带来的损失，构建代价矩阵；通过代价矩阵构建置信度向量；基于置信度向量构建代价敏感的卷积神经网络；并使用管道数据集训练代价敏感的卷积神经网络。使用训练好的网络对待识别的图像进行识别，得到图像中包含缺陷的概率。基于代价矩阵构建的代价敏感的卷积神经网络能够以最小化代价为目标而不是盲目地追求分类精度，从而实现更为经济，有效的排水管道缺陷自动检测系统。

技术领域

本发明涉及排水管道缺陷检测领域，特别是一种基于代价敏感学习的排水管道缺陷自动检测方法。

背景技术

目前,管道的检测技术主要有以下几种技术：漏磁法、超声波法、涡流法、光环图像法、环形光切图像法、PSD单点扫描法、全向检测法、内窥镜检测法等。现今使用最普遍的检测方法是使用闭路电视检测机器人它是一种可沿细小管道内部或外部自动行走、携带一种或多种传感器及操作机械，在工作人员的遥控操作或计算机自动控制下，进行一系列管道作业的机、电、仪一体化系统。通过它可以得到大量的排水管道视频数据，当前工作人员尚需要通过人工观看管道视频的方式，凭经验分析管道异常类型和程度，往往需要消耗大量的时间和精力，也难以实现管道异常检测的精准化、自动化和智能化。

对于管道视频的自动化检测有助于提高检测效率与质量，减轻工作人员劳动强度。现有的基于机器学习的排水管道缺陷检测系统，通常都以精度为目标，使分类器能够最小化错误率。但是，一味的追求精度，而忽视这些错误的类别，在实际应用当中并不一定能达到经济实用的目的。因为某些错误分类带来的损失会比其它的严重得多。一个合理的方法就是让分类器牺牲低代价类别的识别精度，从而提高高代价类别的识别精度，尽管这样会使整体的识别精度下降，但会更具有实用价值。而在排水管道缺陷检测中也有着相似的情况，可以大致将缺陷检测的错误分为两类：

1、将一个正常的管道认为是存在缺陷的；

2、将一个存在缺陷的管道认为是正常的。

在传统的排水管道缺陷检测中，分类器并不会对这两种错误进行区分，这也就意味着这两种错误的代价对于分类器来说是等同的。但事实上，这两种错误造成的损失是截然不同的。尽管第一种错误可能会需要消耗检测人员更多的时间来确认管道缺陷，但相比于第二种错误，就显得不是那么严重了，因为一个没有被正确识别的缺陷会给城市排水甚至地面交通带来无穷的后患，严重影响了人们的日常生活。因此本发明提出将代价敏感学习引入到排水管道缺陷检测中，以使分类器能够获得区分不同错误的能力。

发明内容

有鉴于此，本发明的目的是提出一种基于代价敏感学习的排水管道缺陷自动检测方法，能够快速准确判别排水管道缺陷部分。

本发明采用以下方案实现：一种基于代价敏感学习的排水管道缺陷自动检测方法，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产生的经济损失；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；