[发明专利]一种降低误检率的排水管道缺陷检测方法、装置、设备及介质

说明书

本发明公开了一种降低误检率的排水管道缺陷检测方法、装置、设备及介质，该缺陷检测方法包括如下步骤：S1，提取排水管道疑似缺陷图进行图像增强转换为第二HSI图像；根据预先训练的改进3D‑CNN高光谱图像分类卷积神经网络对第二HSI图像进行缺陷检测，输出含有缺陷的第二HSI图像。通过本发明公开的技术方案，能降低管道缺陷检测的误检率、提高缺陷识别的实时性和准确度。

技术领域

本发明涉及管道检测技术领域，特别涉及一种降低误检率的排水管道缺陷检测方法、装置、设备及介质。

背景技术

随着深度学习技术的发展，将其应用于目标识别、病害检测等领域得到了广泛应用。目前，由于人工节省和识别精度提高的优势，基于深度学习和神经网络的排水管道缺陷检测在管道检测领域发挥的作用越来越重要。采用深度学习技术进行管道检测识别通常包括缺陷检测和缺陷分类两个关键阶段，其中，在使用CCTV管道机器人装置相机采集含有管道的视觉信息时，因受拍摄距离、背景光线、管道环境等影响，图像易发生反光、失真、噪音等现象，可能导致缺陷误识别，即将非管道缺陷误检测为管道缺陷，从而影响了第二阶段进行缺陷类型识别的实时性和准确度。

发明内容

本发明的目的在于提供一种降低误检率的排水管道缺陷检测方法、装置、设备及介质，以降低管道缺陷检测的误检率、提高缺陷分类的实时性和准确度。

本发明解决其技术问题提供的技术方案如下：

第一方面，本发明公开一种降低误检率的排水管道缺陷检测方法，S1，提取排水管道疑似缺陷图进行图像增强转换为第二HSI图像，提高机器视觉对图像的感知力；S 2，根据预先训练的改进3D-CNN高光谱图像分类卷积神经网络对第二HSI图像进行缺陷检测，输出含有缺陷的第二HSI图像，提高检测的精度和速度。

第二方面，本发明公开了一种降低误检率的排水管道缺陷检测装置，包括：图像增强模块，用于提取排水管道疑似缺陷图进行图像增强转换为第二HSI图像；图像检测模块，用于根据预先训练的改进3D-CNN高光谱图像分类卷积神经网络对第二HSI图像进行缺陷检测，输出含有缺陷的第二HSI图像。

第三方面，本发明公开了一种设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的缺陷检测方法。

第四方面，本发明公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的缺陷检测方法。

本发明的有益效果包括：

1.本发明提出了先对原始图像进行检测是否含有疑似缺陷，再将疑似缺陷图增强后进行缺陷分类识别的方法，能剔除误检测的疑似缺陷、减少对冗余信息的处理、并增强了图像的识别精度，进而减少了误检测、提高了神经网络的反馈速度、以及提高了缺陷检测和分类识别的精确度。

2.本发明提出了采用改进的高光谱图像分类神经网络结构进行HSI图像分类检测，提高了分类结果的准确度。

附图说明

下面结合附图对本发明作进一步说明。

图1是本发明实施例提供的缺陷检测方法流程图。

图2是本发明实施例提供的RGB图像增强转换为HIS图像方法流程图。

图3是本发明实施例提供的缺陷检测方法流程图二。

图4是本发明实施例提供的缺陷检测装置结构图。

图5是本发明实施例提供的缺陷检测装置结构图二。

具体实施方式