[发明专利]基于Inception-Resnet神经网络的管道病害图像分类方法及装置

权利要求书

1.一种基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，包含以下步骤：

步骤S1、采集管道内表面图像，挑选含有病害的管道内表面图像作为病害图像，对病害图像进行预处理和数据增强处理，获得管道内表面病害数据集；

步骤S2、根据步骤S1获取的管道内表面病害数据集，对病害图像进行分类，将病害图像按预设比例分为病害图像训练集，病害图像验证集和病害图像测试集，建立病害图像数据库；

步骤S3、搭载深度学习环境，构建分类模型，采用迁移学习方法初始化所述分类模型，将病害图像训练集中的病害图像导入所述分类模型，对所述分类模型进行训练，得到训练后的分类模型，所述分类模型为Inception-Resnet神经网络模型；

步骤S4、根据步骤S3得到的训练后的分类模型，设置不同的超参数，相应获得不同工况下的分类模型，通过病害图像验证集对该些工况下的分类模型进行测试，对比不同工况下的分类模型在训练过程中损失值及准确率的变化曲线，寻找最优超参数从而获得最优分类模型；

步骤S5、根据步骤S4所得到的最优分类模型，引入病害图像测试集，对最优分类模型进行测试，判断所述最优分类模型输出的检测指标是否达到预期值；

步骤S6、拍摄待检测的管道内表面图像并回传至预设有最优分类模型的工作站终端，所述工作站终端对所述待检测的管道内表面图像进行检测，判断各项工作指标能否达到工作要求。

2.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S1具体包括：

步骤S11、通过控制管道CCTV机器人，在实际管道内采集管道内表面图像；

步骤S12、由专业人员从所述管道内表面图像中挑选出病害图像；

步骤S13、使用数据增强技术和生成对抗网络对病害图像数量进行扩增。

3.如权利要求2所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述步骤S13中数据增强的主要方法包括：尺度缩放、对称变换、模糊处理、平移变换、对比度调整、饱和度调整、锐度处理及高斯噪声处理中一种或多种的组合。

4.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S2具体包括：

步骤S21、人工将病害图像分类为错口图像、破漏图像、腐蚀图像及障碍物图像；

步骤S22、对各类病害图像设置编号，设置错口图像编号为0，破漏图像编号为1，腐蚀图像编号为2，障碍物图像编号为3；

步骤S23、使用Python分类程序将病害图像按预设比例分为病害图像训练集、病害图像验证集和病害图像测试集，建立病害图像数据库。

5.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S23中的病害图像训练集、病害图像验证集和病害图像测试集内的病害图像互不交叉重合。

6.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S3具体包括：

步骤S31、搭载基于英伟达GPU的CUDA和CUDNN，配置Python及相应的API库的环境；

步骤S32、构建分类模型，所述分类模型为Inception-Resnet神经网络模型，所述分类模型包括输入层、隐藏层和输出层。

步骤S33、采用迁移学习方法初始化所述分类模型；

步骤S34、使用小批量梯度下降的方法对分类模型进行训练，观察损失值函数图像，达到平稳时即模型收敛，此时停止训练，得到训练后的分类模型。

7.如权利要求1所述的基于Inception-Resnet神经网络的管道病害图像分类方法，其特征在于，所述的步骤S4中调整的超参数包括学习率、总迭代次数、小批量图像数量及权重衰减值。