[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

说明书

本发明提供一种基于Inception‑Resnet神经网络的管道病害图像分类方法及装置。所述方法包括：获得管道内表面病害数据集；对管道内表面病害数据集进行增强处理；对病害图像进行分类，将病害图像分类为病害图像训练集，病害图像验证集和病害图像测试集，建立病害图像数据库；构建分类模型并训练；通过设置不同的超参数，对分类模型调优，获得最优分类模型；最优分类模型测试，判断检测指标是否达到预期值；拍摄管道内表面图像，并回传给预设有最优分类模型的工作站终端进行检测，判断各项工作指标能否达到工作要求，本发明通过结合Inception神经网络和Resnet神经网络的各自优点，构建了Inception‑Resnet神经网络，提高了模型检测的准确度，实现了管道内表面病害的自动识别。

技术领域

本发明涉及管道检测技术领域，尤其涉及一种基于Inception-Resnet神经网络的管道病害图像分类方法。

背景技术

城市地下管道广泛应用于供暖，供水，排污等领域。随着我国城市化进程不断发展，地下水位变化和各种工程建设引起的不均匀沉降对管道造成不同程度的损伤。并且随着服役年龄的增加，管道密封材料老化或脱落造成接口处泄露。由此引发周围土壤，生活用水和城市空气的污染，进而引发一系列安全问题。因此，应当按时检测管道，为城市污水管道的修复和维护提供规划和决策帮助。

现有的人工检测的方法主要有人员进入管道检测，潜水员进入管道检测和简易工具法。人员进入和潜水检查适用于管径较大且管内流体流速较低的情况，无法记录检测结果，主要凭借人眼观察对管道缺陷进行描述，易受检测人员主观因素的影响，对裂缝宽度等缺陷尺寸的确定无法进行准确的测量。简易工具法的优点是快速、简便，但是容易受障碍物的干扰，无法直观检测管道结构受损状况。

针对地下管道的内部复杂的环境特点，本发明采用了基于深度学习的融合卷积神经网络算法，结合了inception网络构架和残差网络构架，提高了准确度，实现了对多种类管道病害图像的分类。

发明内容

本发明所要解决的技术问题是提供一种基于Inception-Resnet神经网络的管道病害图像分类方法，主要包括输入层，隐藏层和输出层。该方法结合了Inception神经网络和Resnet神经网络的优点，具有检测效率快，准确度高，泛化能力强，鲁棒性好的特点。

为解决上述问题，本发明提供了一种基于Inception-Resnet神经网络的管道病害图像分类方法，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。

可选地，所述的步骤S1具体包括：