[发明专利]一种基于注意力机制的排水管道缺陷检测方法

说明书

本发明涉及一种基于注意力机制的排水管道缺陷检测方法，包括：从管道缺陷检测报告中抽取缺陷图片，并根据它对应的缺陷类型对其进行分类，一共分为：变形、腐蚀、结垢、错口、沉积、渗漏以及破裂等七类；搭建注意力机制模块，采用的注意力机制模块为CBAM模块；搭建基于注意力机制的神经网络模型，该卷积网络去掉VGG16网络的最后3个卷积层，又在基础上添加了若干CBAM模块；使用反向传播算法对神经网络进行训练，在训练过程中进行验证，当验证准确率最高时保存网络训练的最优模型；使用保存的最优模型对测试集进行测试，得到管道缺陷图片的分类结果。

技术领域

本发明涉及到的方面包括计算机视觉、计算机图像处理和深度学习等计算机领域和排水管道异常检测领域。本发明更加专注于深度学习技术对于排水管道缺陷检测方面的应用。

背景技术

排水管道系统是城市最大的基础设施之一，旨在收集和运输废水和雨水。该系统的正常使用对于城市的排水安全非常重要。随着近年来城市的快速发展，我国突出了地下管线建设规模不足，管理水平低等问题。一些城市接连发生了暴雨和道路坍塌等事件，严重影响了人们的生活和城市运行秩序。因此排水管道的定期检查与修复是城市建设中不可缺少的措施。

管道闭路电视系统(Closed Circuit Television Inspection，CCTV)是管道检测领域迄今为止使用最广泛的技术。该系统由管道检测机器人和安装在机器人上的CCTV摄像机组成，该设备在工作人员的遥控操作或计算机自动控制下，获取包含管道内部信息的视频数据[1]。检查员根据捕获的视频进行人工缺陷识别，然后编写管道缺陷检测报告。这种方式往往过度依赖于检测人员的经验，存在很大的主观性，同时需要消耗大量的时间和精力。

近年来，深度学习尤其是卷积神经网络(Convolutional Neural Network，CNN)在计算机视觉领域取得了巨大进展。随之产生了基于卷积神经网络的管道缺陷检测方法，例如：Kumar等人在2018提出采用一个简单的分类卷积神经网络对根侵入，沉积和裂缝这三种缺陷进行了分类[2]；Li等人使用具有分层分类的深度卷积神经网络从不平衡的CCTV检查数据检测对下水道缺陷类型进行检测分类[3]。然而，这些方法都没有对管道数据的独有特征进行利用，效果并不理想。

参考文献

[1]Costello，S.，Chapman，D.，Rogers，C.，Metje，N.：Underground assetlocation and condition assessment technologies.Tunnelling and UndergroundSpace Technology 22(5-6)，524-542(2007).

[2]Kumar，Srinath S.，et al.″Automated defect classification in sewerclosed circuit television inspections using deep convolutional neuralnetworks.″Automation in Construction 91(2018)：273-283.

[3]Li，Duanshun，Anran Cong，and Shuai Guo.″Sewer damage detection fromimbalanced CCTV inspection data using deep convolutional neural networks withhierarchica1 classification.″Automation in Construction 101(2019)：199-208.

发明内容

本发明使用VGG-16卷积神经网络为基础的结构作为主要模型，提出一种基于注意力机制的管道缺陷自动检测方法来解决上述问题，利用大量已有标注的管道异常样本进行训练和测试，本发明能够快速准确判别排水管道异常类型。本发明技术方案如下：