[发明专利]一种基于深度学习的地下管道裂缝检测装置及识别方法

权利要求书

1.一种基于深度学习的地下管道裂缝检测装置，其特征在于，包括主轴(1)、步进电机(2)、滚珠丝杠(3)、弹簧支撑曲柄(4)和履带轮(5)，所述步进电机(2)安装在主轴(1)的一端，步进电机(2)的输出端通过滚珠丝杠(3)与弹簧支撑曲柄(4)连接，所述弹簧支撑曲柄(4)上安装有履带轮(5)，所述主轴(1)上还安装有传感器模组(6)，履带轮(5)内内置有电池组。

2.根据权利要求1所述的基于深度学习的地下管道裂缝检测装置，其特征在于，履带轮(5)为三个，每个履带轮(5)分别由独立电机驱动，履带采用双面齿履带，履带轮(5)围绕主轴(1)呈径向均匀分布。

3.根据权利要求1所述的基于深度学习的地下管道裂缝检测装置，其特征在于，所述传感器模组(6)还包括IMU模组、摄像头模组(7)，AI摄像头(8)、双目摄像头和MCU核心控制板，AI摄像头用于视觉AI感知，双目摄像头用于3D成像和深度信息采集，IMU模组用于运动角度及加速度的检测，MCU核心板用于视频算法及逻辑处理。

4.根据权利要求3所述的基于深度学习的地下管道裂缝检测装置，其特征在于，所述主轴(1)内安装有6轴IMU，具体包括1个3轴加速度计和1个3轴陀螺仪。

5.一种基于深度学习的地下管道裂缝检测装置的识别方法，其特征在于，包括如下步骤：步骤1，创建视频流输入，通过Opencv提供的VideoCapture()函数从AI摄像头读取视频流；

步骤2，加载检测模型，将已经训练好的裂缝关键点标记模型加载进MCU，检测模型搭建的具体步骤如下：

(1)将输入的图片转换成Tensor格式，以HyperNet作为backbone，获取特征图；

(2)轻量化网络实现候选区域生成，定义损失函数，计算分类损失和边界框回归损失并保存，损失函数如下：

p_i表示第i个anchor预测为真实标签的概率。

当为正样本时为1，当为负样本时为0。

t_i表示预测第i个anchor的边界框回归参数。

表示第i个anchor对应的GTBox。

N_cls表示一个mini-batch中的所有样本数量。

N_reg表示anchor位置的个数。

(3)接入全连接层完成最后的分类与回归；

步骤3，对每一帧进行评分预测以获取标签和坐标；

步骤4，在检测到的对象上绘制预测框；

步骤5，将处理后的帧写入输出视频流；

步骤6，当检测到存在预测框时，小车停止前行，并将数据传输到人机交互PAD，由人工进行二次确认。

6.根据权利要求5所述的基于深度学习的地下管道裂缝检测装置的识别方法，其特征在于，包括如下步骤：其中为分类损失，使用二值交叉熵损失计算，公式如下：

其中为边界框回归损失，损失函数具体参数如下：

t_x＝(x-x_a)/w_a，t_y＝(y-y_a)/h_a t_w＝log(w/w_a)，t_h＝log(h/h_a)(7)