[发明专利]一种排水管道缺陷去冗余方法

权利要求书

1.一种排水管道缺陷去冗余方法，其特征在于，该方法包括以下的步骤：

S10、读取图帧；

S20、同时采用VGG-Sewer模型和残差网络ResNet-18进行缺陷识别；在VGG-16模型中的最后两个全连接层之间加入一个新的全连接层，形成VGG-Sewer模型，用于实现图像特征的降维；

S30、判断是否为缺陷图像，若是，则进入下一步，若否，则返回至步骤S10；

S40、读取配置文件并选取模型；

S50、求取相邻两帧缺陷图像特征L2距离，计算相邻两帧缺陷图像特征之间的L2距离作为相邻两帧缺陷图像的相似度，并判断L2距离是否大于距离阀值，若是则进入下一步，若否则判断相邻两图像为相同缺陷，不更新对比帧，并返回至步骤S10；

VGG-Sewer模型中，距离阀值为22；残差网络ResNet-18中，距离阀值为10；按照不同模型最终检测结果作为相似度廓值选取对象，其中残差网络ResNet-18的阀值为优先选择对象，残差网络ResNet-18和VGG-Sewer模型同时识别为缺陷图像，则取残差网络ResNet-18的阀值，否则选择VGG-Sewer模型的阀值；

S60、判断图像间距离是否满足门限，若是则保存缺陷，判断相邻两图像为不同缺陷，更新对比帧为当前帧，并返回至步骤S10；否则判断相邻两图像为相同缺陷，不更新对比帧，并返回至步骤S10；

采用了多门限统计法进行门限值优选分析，按照1～2米范围值作为同一缺陷门限，以4～7米作为非同一缺陷门限，进行组合试验，该试验抽样组合了多组距离对，对已完成标注的复杂代表性视频进行测试，确定最优门限。

2.根据权利要求1所述的一种排水管道缺陷去冗余方法，其特征在于，步骤S20中，新的全连接层具有1024个神经元，同时将最后一个全连接层设置为5个神经元，形成所述的VGG-Sewer模型。

3.根据权利要求2所述的一种排水管道缺陷去冗余方法，其特征在于，步骤S20中，当数据经过最后两个全连接层，图像特征从4096维降维到5维，通过新的全连接层，使特征维度下降的过程中有过渡。

4.根据权利要求2所述的一种排水管道缺陷去冗余方法，其特征在于，步骤S20中，对于新的全连接层，该层每个神经元的输出用MP神经元模型表示为：

；

其中，j=1,2,…,1024；fc7_i为前一全连接层的输出，即该层输入；w_i则为对应的输入权重；φ为激活函数；

对于修改后的最后一个全连接层，该层每个神经元的输出用MP神经元模型表示为：

；

其中c=1,2,34,5；其中fcnew_k为新建的全连接层的输出，即该层输入，w_k则为对应的输入权重；

VGG-Sewer模型的输入图像最终获得的得分为：

；

其中m=1,2,3,4,5。

5.根据权利要求4所述的一种排水管道缺陷去冗余方法，其特征在于，激活函数φ均使用修正线性单元激活函数ReLU，ReLU即为Rectified Linear Unit，表示为：

。

6.根据权利要求1所述的一种排水管道缺陷去冗余方法，其特征在于，步骤S20中，残差网络ResNet-18中，将最后一层全连接层FC6的神经元数量改为5。

7.根据权利要求6所述的一种排水管道缺陷去冗余方法，其特征在于，步骤S50中，VGG-Sewer模型提取网络中新增加的全连接层的深度特征，残差网络ResNet-18则是提取网络中的Pool5层深度特征。

8.根据权利要求7所述的一种排水管道缺陷去冗余方法，其特征在于，步骤S50中，采用下列公式计算相邻两帧缺陷图像特征之间的L2距离作为相邻两帧缺陷图像的相似度：

；

其中f和f’分别为神经网络检测到的相邻的两帧缺陷图像的深度特征；

VGG-Sewer模型中新的全连接层和残差网络ResNet-18中的Pool5维度分别是1024和4096，在VGG-Sewer模型和残差网络ResNet-18中，D分别为1024和4096。