[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

说明书

本发明涉及地下管道施工行业中的检测领域，特别涉及一种基于深度学习的地下管道裂缝检测装置及识别方法；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；可有效降低了对管道检测的人工成本，为电力和通信提供安全的传输环境；通过深度学习算法对管道裂缝进行识别，作为判断管道裂缝的手段，有效降低了人工误判、漏判的概率，大大提高了检测效率。

技术领域

本发明涉及地下管道施工行业中的检测领域，特别涉及一种基于深度学习的地下管道裂缝检测装置及识别方法。

背景技术

现代化城市建设的快速发展，越来越多的电力、通信等电缆工程建设于地下。电缆工程建设项目是城市基础建设的重要组成部分，由于对城市地下开发空间的不断增加，加上环境的腐蚀，很容易对电力管线和电缆管线造成破坏，形成裂缝，导致电力和通信的瘫痪。为了保障电力的正常供应和通信的稳定，对电力电缆管线进行裂缝检测具有重要意义。由于电力管线和电缆管线直径小，又深藏于地下，无法用人工下去进行排查，因此采用智能检测装置进入管道完成裂缝的识别与检测是十分重要的。

结合国内外研究现状，目前已有的国外Piperdrone公司团队研发出一种缆控管道检查微型机器人，机器人由PLC控制的驱动电机、运动轮、扫描激光及摄像头。机器人在管道内运行时，通过扫描激光进行管道变形检测，摄像使得测量人员人眼识别管道内基本情况。国内清华大学机器人研究小组研发了一款小型管道视频采集机器人，配有CCD摄像头，使用PWM调速，RS-422通信方式。以上方法都是采用人工来判断摄像头采集的视频数据是否存在管道裂缝，但是往往由于图像的不清晰，角度的偏差，人为判断的失误，导致检测结果的不理想，产生误检、漏检等情况，而且人工检测时间越长产生误判的概率越大。

发明内容

本发明的目的在于提供一种基于深度学习的地下管道裂缝检测装置及识别方法；结合现有的图像处理算法，由检测装置识别管道裂缝，减少人工误判率，提高判断的准确率。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的地下管道裂缝检测装置，包括主轴、步进电机、滚珠丝杠、弹簧支撑曲柄和履带轮，所述步进电机安装在主轴的一端，步进电机的输出端通过滚珠丝杠与弹簧支撑曲柄连接，所述弹簧支撑曲柄上安装有履带轮，所述主轴上还安装有传感器模组，履带轮内内置有电池组。

作为优选，履带轮为三个，每个履带轮分别由独立电机驱动，履带采用双面齿履带，履带轮围绕主轴呈径向均匀分布。

作为优选，所述传感器模组包括IMU模组、AI摄像头、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。

作为优选，所述主轴内安装有6轴IMU，具体包括1个3轴加速度计和1个3轴陀螺仪。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的地下管道裂缝检测装置的识别方法，包括如下步骤：步骤1，创建视频流输入，通过Opencv提供的函数从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。