[发明专利]一种基于SSD卷积神经网络的地下排水管道缺陷识别方法

权利要求书

1.一种基于SSD卷积神经网络的地下排水管道缺陷识别方法，其特征在于，包括步骤：

S1、获取管道缺陷图像作为检测图像数据；

S2、对所述检测图像数据进行预处理，标注检测图像中管道缺陷作为管道缺陷数据，构建管道缺陷数据库；

S3、搭建SSD卷积神经网络，初始化设置卷积神经网络中超参数，采用预训练模型进行训练；

S4、调整所述SSD卷积神经网络的超参数，使得训练图像数据的指定目标输出和实际输出之间的误差值满足精度要求，完成对所述SSD卷积神经网络的训练；

S5、将训练后的所述SSD卷积神经网络作为测试网络读取测试图像，输出对管道缺陷目标识别结果。

2.根据权利要求1所述的基于SSD卷积神经网络的地下排水管道缺陷识别方法，其特征在于，所述管道缺陷图像是由CCD相机在LED灯照射下进行管道内部高分辨率拍照获得。

3.根据权利要求2所述的基于SSD卷积神经网络的地下排水管道缺陷识别方法，其特征在于，所述步骤S2中，所述预处理为对所述检测图像数据排号，使用矩形框标注不同管道缺陷的位置及范围，并提取标注数据保存，作为管道缺陷数据。

4.根据权利要求3所述的基于SSD卷积神经网络的地下排水管道缺陷识别方法，其特征在于，将所述检测图像数据随机分为两部分：一部分为训练集，用于训练所述SSD卷积神经网络；另一部分为测试集，用于测试所述SSD卷积神经网络。

5.根据权利要求1所述的基于SSD卷积神经网络的地下排水管道缺陷识别方法，其特征在于，所述SSD卷积神经网络包括VGG16基础模型、若干卷积池化层和若干全连接层；

所述卷积层池化层包括卷积层和池化层；

所述全连接层包括输入层、中间层和输出层。

6.根据权利要求5所述的基于SSD卷积神经网络的地下排水管道缺陷识别方法，其特征在于，所述超参数包括最大迭代次数和学习率；

所述初始化设置为将所述最大迭代次数设定为30000，所述学习率设定为e^-4。

7.根据权利要求6所述的基于SSD卷积神经网络的地下排水管道缺陷识别方法，其特征在于，对所述SSD卷积神经网络的训练包括正向传播阶段和反向传播阶段；

所述SSD卷积神经网络的训练执行一次正向传播阶段和一次反向传播阶段为一次迭代；

所述反向传播阶段为随机梯度下降算法；

所述学习率使用step算法进行调整。

8.根据权利要求7所述的基于SSD卷积神经网络的地下排水管道缺陷识别方法，其特征在于，当所述迭代的次数等于所述最大迭代次数时，停止对所述SSD卷积神经网络的训练。

9.根据权利要求7所述的基于SSD卷积神经网络的地下排水管道缺陷识别方法，其特征在于，所述步骤S4具体包括：

S41、调整超参数的值；

S42、对所述SSD卷积神经网络的训练；

S43、输出识别精度，判断所述识别精度是否小于预定值，若是，则执行步骤S5；若否，则执行步骤S41。

10.根据权利要求9所述的基于SSD卷积神经网络的地下排水管道缺陷识别方法，其特征在于，所述测试网络的输出层采用Softmax分类层，并且针对n类管道缺陷的分类结果，设置输出神经元的个数为n。