CN109671071A - 一种基于深度学习的地下管道缺陷定位及等级判定方法 - Google Patents
一种基于深度学习的地下管道缺陷定位及等级判定方法 Download PDFInfo
- Publication number
- CN109671071A CN109671071A CN201811552620.0A CN201811552620A CN109671071A CN 109671071 A CN109671071 A CN 109671071A CN 201811552620 A CN201811552620 A CN 201811552620A CN 109671071 A CN109671071 A CN 109671071A
- Authority
- CN
- China
- Prior art keywords
- defect
- frame
- deep learning
- underground piping
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 29
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 230000008439 repair process Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的地下管道缺陷定位及等级判定方法,包括主要步骤有:(1)图像预处理;(2)基于深度学习的缺陷识别与定位;(3)基于深度学习的缺陷等级的判定;(4)深度学习框架损失函数的构建。其中,针对地下管道缺陷识别与缺陷等级判定本发明提出了两个深度学习的网络结构DCNN1、DCNN2,并且提出了一个可以判定缺陷等级的全新目标检测框架。判定缺陷等级后即可有针对性地去修复严重程度不同的缺陷,缺陷较为轻微的地下管道可采取修补性措施,而针对较为缺陷较为严重的地下管道则需要立即采取更换等维修措施,因此缺陷等级的判定是一个重要且急需解决的问题。
Description
技术领域
本发明涉及地下管道缺陷检测领域,具体涉及一种基于深度学习的地下管道缺陷定位及等级判定方法。
背景技术
由于世界各地现代化城市的地下管道网络已经非常陈旧甚至已达到其设计寿命,因此地下管道网络缺陷检测已成为各地关注主要关注点之一。然而对于地下管道的检测还存在很多难点,如传统方法存在着效率低下,识别率不高等缺点。同时地下管道环境复杂,管道缺陷之间差异小等多个因素,导致地下管道缺陷的识别成为一个相当复杂的问题,面临诸多挑战。在过去的十年中,随着计算机视觉的发展,地下管道检测技术已经有了急速进步,一些有效的检测技术包括:地下管道扫描与评估技术(SSET),基于激光的扫描***,闭路电视(CCTV) 和潜望镜(QV)等。地下管道内部图像很容易获得,但仍然没有有效的方法来自动检测大量图像中的缺陷。地下管道检查主要取决于操作员的手动操作,依赖操作员的经验,耗时、昂贵且容易出错。
另外缺陷的严重程度判断也是一个重要且急需解决的问题,目前还没有有效方法对缺陷等级进行判定;因此,提供一种能够基于深度学习的地下管道缺陷定位及等级判定方法,是一个值得研究的问题。
发明内容
针对现有技术的不足,本发明提出了一种基于深度学习的地下管道缺陷定位及等级自动判定方法,该检测方法不仅减少了人工干预,增加检测精度,而且在准确识别缺陷的基础上还能判定该缺陷的等级,这使得缺陷修复具有针对性,提高了效率。
本发明的目的是这样实现的:
一种基于深度学习的地下管道缺陷定位及等级判定方法,包括以下几个步骤:
(1)图像预处理:针对基于图像的地下管道缺陷检测任务,图像预处理方式主要包括对比度增强和图像去噪;
(2)基于深度学习的缺陷识别与定位:提出了一种针对地下管道缺陷识别准确率高的网络结构;
(3)缺陷等级的判定:提出了一种深度学习框架可进行缺陷识别与定位并同时进行缺陷等级判定;
(4)缺陷等级判定框架损失函数构建:针对本发明提出的网络结构DCNN1、DCNN2,分别构建损失函数Loss1、Loss2,最后合成整个框架的损失函数。
所述步骤(1)具体为:
(1.1)用对比度增强的方法来提高图像亮度,而对比度的增强则是利用改进的动态直方图均衡化法(DHE)来完成。DHE基于局部最小值划分图像直方图,并在分别对其进行均衡之前为每个分区指定特定的灰度级范围。这些分区进一步通过重新分区测试,以确保没有任何主导部分;
(1.2)利用双边滤波的方法消除噪声,并可较好保持图像边缘及纹理信息。通过将信号分解成其频率分量来改进双边滤波器,以这种方式,可以消除不同频率分量中的噪声;
进一步地,所述步骤(2)主要包括:
(2.1)提出了全新的深度学习目标检测框架,可对输入的地下管道图像缺陷进行识别与定位。它将图像划分为偶数网格,同时预测边界框、框的置信度和类别概率,这些预测被编码为 S×S×(B*5+C)的张量;
(2.2)本发明提出了一种全新的深度网络结构DCNN1,该网络主要用于地下管道缺陷识别与定位。该网络结构由8个卷积层和2个全连接层组成,如图4所示;
进一步地,所述步骤(3)具体为
(3.1)将经过预处理的图像输入上述(2.1)中的目标检测框架,输出一个固定大小的张量,该张量经过处理得到一个固定大小的特征向量;
(3.2)然后对不同的缺陷分别提取其特征向量;
(3.3)与此同时采用上采样提取DCNN1中第一层、第二层和第三层的特征向量,并将三个特征向量进行合并合成一个新的特征向量;
(3.4)继续利用向量合并的方法将(3.3)中合成的特征向量与(3.2)中各缺陷的特征向量连接成一个全新的特征向量;
(3.5)将(3.4)中合成的新特征向量输入本发明提出的网络结构DCNN2后,最终可得到缺陷等级。
上述步骤即为基于深度学习的目标检测框架,将图像输入该框架,即可实现缺陷的识别定位与等级判定。
进一步地,所述步骤(3.5)中的网络结构DCNN2包括6个卷积层,6个池化层和一个全连接层,其主要实现的功能是判断所提取的缺陷等级。
进一步地,所述步骤(4)具体为
(4.1)本发明提出的缺陷等级判定框架的损失函数为
Loss=α1Loss1+α2Loss2
其中Loss1为DCNN1的损失函数,Loss2为DCNN2的损失函数,大量实验表明α1=0.6,α2=0.4 时缺陷等级判定框架效果较好;
(4.2)Loss1为DCNN1的损失函数,其表达式为
其中表示第个栅格中第个框含有这个目标的置信度,表示第个栅格中第个框不含有这个目标的置信度,xi,yi,ωi,hi分别表示预测框的中心坐标以及预测框的宽度及高度,表示真实框的坐标以及框的高度及宽度大小,Ci表示预测框中是否含有目标,表示框中是否含有目标的真实情况;
(4.3)Loss2为Softmax损失函数,Softmax激活函数由于其简单性和概率解释而广泛用于 DCNN网络框架的最后一个全连接层,其表达式为:
其中yi是缺陷等级的真实分类,ypred是缺陷等级的预测概率。
积极有益效果:(1)本发明提出的模型框架实现了较高的识别精度的同时保持较快的识别速度,效果优于其他框架模型;(2)本发明提出的框架模型缺失率小于其他框架,这表明在使用该模型时,缺陷的遗漏率会更低;(3)本发明提出的框架不仅能识别和定位地下管道缺陷,还能对识别出的缺陷判定其等级,这对缺陷检测与修复来说具有重要意义。
附图说明
图1为本发明基于深度学习的地下管道缺陷定位及等级判定方法流程图;
图2为本发明七种地下管道缺陷原始图像;
图3为本发明地下管道图像预处理效果示意图;
图4为本发明提出的全新网络结构DCNN1示意图;
图5为本发明提出的全新基于深度学习的目标检测框架流程示意图;
图6为本发明提出的目标检测框架缺陷识别结果与缺陷等级分类示意图。
具体实施方式
下面结合附图并通过实例对本发明做进一步详细说明,以下实例是对本发明的解释,而本发明并不局限于以下实施例。
本发明的一种基于深度学习的地下管道缺陷定位及等级判定方法,包括以下几个步骤:
步骤一:实验准备和图像预处理,具体过程为:
(1.1)从CCTV地下管道检查视频中收集12000张图像,如图2例图所示,然后进行数据增强。数据增强主要通过水平翻转和缩放来增加数据集;
(1.2)在数据增强之后,将36000个图像缩小到相同大小的448×448像素,并对图像进行预处理,具体为利用改进的动态直方图均衡化法(DHE)增强图像对比度;利用双边滤波的方法消除噪声,其中通过将信号分解成其频率分量来改进双边滤波器,以这种方式,可以消除不同频率分量中的噪声;
(1.3)在本实例中,80%的数据集作为训练集,10%的数据集作为验证集,10%数据集作为测试集。
预处理结果如图3所示。
步骤二:设计基于深度学习的目标检测框架,具体过程为:
(2.1)设计一种全新的深度网络结构DCNN1,该网络主要用于地下管道缺陷识别与定位。该网络结构由8个卷积层和2个全连接层组成,如图4所示;
(2.2)设计包括6个卷积层,6个池化层和一个全连接层全新的网络结构DCNN2,其主要实现的功能是判断所提取的缺陷等级,如图5所示;
(2.3)将经过预处理的图像输入上述(2.1)中的目标检测框架,输出一个固定大小的张量,该张量经过处理得到一个固定大小的特征向量;
(2.4)然后对不同的缺陷分别提取其特征向量;
(2.5)与此同时采用上采样提取DCNN1中第一层、第二层和第三层的特征向量,并将三个特征向量合成一个新的特征向量;
(2.6)继续利用向量合并的方法将(2.5)中合成的特征向量与(2.4)中各缺陷的特征向量连接成一个全新的特征向量;
(2.7)将(2.6)中合成的新特征向量输入DCNN2网络结构后,最终输出得到缺陷种类和缺陷等级。
步骤三:设计基于深度学习的目标检测框架的损失函数,具体过程为:
(3.1)目标检测整体框架的损失函数表达式为:
Loss=α1Loss1+α2Loss2
其中Loss1为DCNN1的损失函数,Loss2为DCNN2的损失函数,大量实验表明α1=0.6,α2=0.4 时缺陷等级判定框架效果最好;
(3.2)网络结构DCNN1的损失函数为:
其中,λcoord=6,λnoobj=0.6,表示第i个栅格中第j个框含有这个目标的置信度,表示第i个栅格中第j个框不含有这个目标的置信度,xi,yi,ωi,hi分别表示预测框的中心坐标以及预测框的宽度及高度,表示真实框的坐标以及框的高度及宽度大小,Ci表示预测框中是否含有目标,表示框中是否含有目标的真实情况;
(3.3)Loss2为Softmax损失函数,Softmax激活函数由于其简单性和概率解释而广泛用于DCNN 网络框架的最后一个全连接层,其表达式为:
其中yi是缺陷等级的真实分类,ypred是缺陷等级的预测概率。
步骤四:对上述网络模型进行训练,获得网络收敛时的训练权重,用于以后的检测过程,具体过程为:
(4.1)在所提出的DCNN架构中,参数的数量为数百万,而训练样本的数量为数千。参数的数量大于样本数量,当DCNN对训练数据集进行测量时,会发生过度拟合,从而导致训练图像的分类性能较高,但验证和测试图像的分类准确度较低,利用Dropout对神经网络单元按照一定的概率将其暂时从网络中丢弃,以解决过拟合问题。
(4.2)其中Dropout正则化方法的常用形式是L1正则化,L2正则化和最大范数约束,已经证明它可以减少过度拟合并且明显优于其他方法。其次是Dropout率的选择,Dropout率高于 0.5导致大量过度拟合,而Dropout率低于0.5导致验证准确度降低。因此,0.5的Dropout 率被用于训练,暗示神经元以0.5的概率从网络中丢弃。验证和测试集使用1.0的Dropout 率,表明在验证和测试期间没有任何神经元被丢弃。
(4.3)利用数据增强解决过拟合问题。在本实例中顺序地对每个输入图像应用随机翻转、对比度变化和和运动模糊等处理方法,扩充数据集,形成增强后的图像样本集;
步骤五:将经过预处理的地下管道图像输入到训练后的目标检测框架中,即可对输入图像的缺陷进行识别和定位,并输入其缺陷等级,结果如图6所示。
实验结果表明,利用本方法:
(1)实现了较高的识别精度的同时保持较快的识别速度,效果优于其他框架模型;
(2)缺失率小于其他框架,这表明在使用该模型时,缺陷的遗漏率会更低;
(3)在识别和定位地下管道缺陷的基础上,还能对识别出的缺陷判定其等级;这对地下管道缺陷检测与修复来说具有重要意义。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (6)
1.一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于,包括以下几个步骤:
(1)图像预处理:针对基于图像的地下管道缺陷检测任务,图像预处理方式主要包括对比度增强和图像去噪;
(2)基于深度学习的缺陷识别与定位:针对地下管道缺陷识别准确率高的网络结构;
(3)缺陷等级的判定:深度学习框架可进行缺陷识别与定位并同时进行缺陷等级判定;
(4)缺陷等级判定框架损失函数构建:针对网络结构DCNN1、DCNN2,分别构建损失函数Loss1、Loss2,最后合成整个框架的损失函数。
2.根据权利要求1所述的一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于,所述步骤(1)具体为:
(1.1)用对比度增强的方法来提高图像亮度,而对比度的增强则是利用改进的动态直方图均衡化法(DHE)来完成;DHE基于局部最小值划分图像直方图,并在分别对其进行均衡之前为每个分区指定特定的灰度级范围;这些分区进一步通过重新分区测试,以确保没有任何主导部分;
(1.2)利用双边滤波的方法消除噪声,并可保持图像边缘及纹理信息;通过将信号分解成其频率分量来改进双边滤波器,以这种方式,可以消除不同频率分量中的噪声。
3.根据权利要求1所述的一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于,所述步骤(2)包括:
(2.1)提出了全新的深度学习目标检测框架,对输入的地下管道图像缺陷进行识别与定位;它将图像划分为偶数网格,同时预测边界框、框的置信度和类别概率,这些预测被编码为S×S×(B*5+C)的张量;
(2.2)深度网络结构DCNN1,主要用于地下管道缺陷识别与定位;该网络结构由8个卷积层和2个全连接层组成。
4.根据权利要求1所述的一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于:所述步骤(3)为
(3.1)将经过预处理的图像输入上述(2.1)中的目标检测框架,输出一个固定大小的张量,该张量经过处理得到一个固定大小的特征向量;
(3.2)然后对不同的缺陷分别提取其特征向量;
(3.3)与此同时采用上采样提取DCNN1中第一层、第二层和第三层的特征向量,并将三个特征向量进行合并合成一个新的特征向量;
(3.4)继续利用向量合并的方法将(3.3)中合成的特征向量与(3.2)中各缺陷的特征向量连接成一个全新的特征向量;
(3.5)将(3.4)中合成的新特征向量输入本发明提出的网络结构DCNN2后,最终可得到缺陷等级;
上述步骤即为基于深度学习的目标检测框架,将图像输入该框架,即可实现缺陷的识别定位与等级判定。
5.根据权利要求4所述的一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于:所述步骤(3.5)中的网络结构DCNN2包括6个卷积层,6个池化层和一个全连接层,其主要实现的功能是判断所提取的缺陷等级。
6.根据权利要求1所述的一种基于深度学习的地下管道缺陷定位及等级判定方法,其特征在于:所述步骤(4)具体为
(4.1)本发明提出的缺陷等级判定框架的损失函数为Loss=α1Loss1+α2Loss2
其中Loss1为DCNN1的损失函数,Loss2为DCNN2的损失函数,大量实验表明α1=0.6,α2=0.4时缺陷等级判定框架效果较好;
(4.2)Loss1为DCNN1的损失函数,其表达式为
其中λcoord=5,λnoobj=0.5,表示第个栅格中第个框含有这个目标的置信度,表示第个栅格中第个框不含有这个目标的置信度,xi,yi,ωi,hi分别表示预测框的中心坐标以及预测框的宽度及高度,表示真实框的坐标以及框的高度及宽度大小,Ci表示预测框中是否含有目标,表示框中是否含有目标的真实情况;
(4.3)Loss2为Softmax损失函数,Softmax激活函数由于其简单性和概率解释而广泛用于DCNN网络框架的最后一个全连接层,其表达式为:
其中yi是缺陷等级的真实分类,ypred是缺陷等级的预测概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811552620.0A CN109671071B (zh) | 2018-12-19 | 2018-12-19 | 一种基于深度学习的地下管道缺陷定位及等级判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811552620.0A CN109671071B (zh) | 2018-12-19 | 2018-12-19 | 一种基于深度学习的地下管道缺陷定位及等级判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671071A true CN109671071A (zh) | 2019-04-23 |
CN109671071B CN109671071B (zh) | 2023-10-31 |
Family
ID=66144885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811552620.0A Active CN109671071B (zh) | 2018-12-19 | 2018-12-19 | 一种基于深度学习的地下管道缺陷定位及等级判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671071B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146513A (zh) * | 2019-05-27 | 2019-08-20 | 深圳市华星光电技术有限公司 | 缺陷判定方法及缺陷判定装置 |
CN110220909A (zh) * | 2019-04-28 | 2019-09-10 | 浙江大学 | 一种基于深度学习的地铁盾构隧道病害检测方法 |
CN110443182A (zh) * | 2019-07-30 | 2019-11-12 | 深圳市博铭维智能科技有限公司 | 一种基于多实例学习的城市排水管道视频异常检测方法 |
CN110599460A (zh) * | 2019-08-14 | 2019-12-20 | 深圳市勘察研究院有限公司 | 基于混合卷积神经网络的地下管网检测评估云*** |
CN110728654A (zh) * | 2019-09-06 | 2020-01-24 | 台州学院 | 一种基于深度残差神经网络的管道自动检测和分类方法 |
CN110992349A (zh) * | 2019-12-11 | 2020-04-10 | 南京航空航天大学 | 一种基于深度学习的地下管道异常自动化定位与识别方法 |
CN111815573A (zh) * | 2020-06-17 | 2020-10-23 | 科大智能物联技术有限公司 | 一种基于深度学习的接箍外壁检测方法及*** |
CN113160210A (zh) * | 2021-05-10 | 2021-07-23 | 深圳市水务工程检测有限公司 | 基于深度相机的排水管道缺陷检测方法及装置 |
CN113706477A (zh) * | 2021-08-10 | 2021-11-26 | 南京旭锐软件科技有限公司 | 缺陷类别识别方法、装置、设备及介质 |
CN114091355A (zh) * | 2022-01-10 | 2022-02-25 | 深圳市水务工程检测有限公司 | 基于人工智能的城市管网缺陷位置定位分析***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345911A (zh) * | 2018-04-16 | 2018-07-31 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
US20180268257A1 (en) * | 2017-03-20 | 2018-09-20 | Rolls-Royce Plc | Surface defect detection |
CN108932713A (zh) * | 2018-07-20 | 2018-12-04 | 成都指码科技有限公司 | 一种基于深度学习的焊缝气孔缺陷自动检测方法 |
CN108985163A (zh) * | 2018-06-11 | 2018-12-11 | 视海博(中山)科技股份有限公司 | 基于无人机的受限空间安全探测方法 |
-
2018
- 2018-12-19 CN CN201811552620.0A patent/CN109671071B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180268257A1 (en) * | 2017-03-20 | 2018-09-20 | Rolls-Royce Plc | Surface defect detection |
CN108345911A (zh) * | 2018-04-16 | 2018-07-31 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
CN108985163A (zh) * | 2018-06-11 | 2018-12-11 | 视海博(中山)科技股份有限公司 | 基于无人机的受限空间安全探测方法 |
CN108932713A (zh) * | 2018-07-20 | 2018-12-04 | 成都指码科技有限公司 | 一种基于深度学习的焊缝气孔缺陷自动检测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110220909A (zh) * | 2019-04-28 | 2019-09-10 | 浙江大学 | 一种基于深度学习的地铁盾构隧道病害检测方法 |
CN110146513B (zh) * | 2019-05-27 | 2021-07-06 | Tcl华星光电技术有限公司 | 缺陷判定方法及缺陷判定装置 |
CN110146513A (zh) * | 2019-05-27 | 2019-08-20 | 深圳市华星光电技术有限公司 | 缺陷判定方法及缺陷判定装置 |
CN110443182A (zh) * | 2019-07-30 | 2019-11-12 | 深圳市博铭维智能科技有限公司 | 一种基于多实例学习的城市排水管道视频异常检测方法 |
CN110443182B (zh) * | 2019-07-30 | 2021-11-09 | 深圳市博铭维智能科技有限公司 | 一种基于多实例学习的城市排水管道视频异常检测方法 |
CN110599460A (zh) * | 2019-08-14 | 2019-12-20 | 深圳市勘察研究院有限公司 | 基于混合卷积神经网络的地下管网检测评估云*** |
CN110728654B (zh) * | 2019-09-06 | 2023-01-10 | 台州学院 | 一种基于深度残差神经网络的管道自动检测和分类方法 |
CN110728654A (zh) * | 2019-09-06 | 2020-01-24 | 台州学院 | 一种基于深度残差神经网络的管道自动检测和分类方法 |
CN110992349A (zh) * | 2019-12-11 | 2020-04-10 | 南京航空航天大学 | 一种基于深度学习的地下管道异常自动化定位与识别方法 |
CN111815573A (zh) * | 2020-06-17 | 2020-10-23 | 科大智能物联技术有限公司 | 一种基于深度学习的接箍外壁检测方法及*** |
CN111815573B (zh) * | 2020-06-17 | 2021-11-02 | 科大智能物联技术股份有限公司 | 一种基于深度学习的接箍外壁检测方法及*** |
CN113160210A (zh) * | 2021-05-10 | 2021-07-23 | 深圳市水务工程检测有限公司 | 基于深度相机的排水管道缺陷检测方法及装置 |
CN113706477A (zh) * | 2021-08-10 | 2021-11-26 | 南京旭锐软件科技有限公司 | 缺陷类别识别方法、装置、设备及介质 |
CN113706477B (zh) * | 2021-08-10 | 2024-02-13 | 南京旭锐软件科技有限公司 | 缺陷类别识别方法、装置、设备及介质 |
CN114091355A (zh) * | 2022-01-10 | 2022-02-25 | 深圳市水务工程检测有限公司 | 基于人工智能的城市管网缺陷位置定位分析***及方法 |
CN114091355B (zh) * | 2022-01-10 | 2022-06-17 | 深圳市水务工程检测有限公司 | 基于人工智能的城市管网缺陷位置定位分析***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109671071B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109671071A (zh) | 一种基于深度学习的地下管道缺陷定位及等级判定方法 | |
CN111553929B (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
CN108416266B (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
CN110060237A (zh) | 一种故障检测方法、装置、设备及*** | |
CN110956126B (zh) | 一种联合超分辨率重建的小目标检测方法 | |
CN107316295A (zh) | 一种基于深度神经网络的织物瑕疵检测方法 | |
CN113192040A (zh) | 一种基于YOLO v4改进算法的织物瑕疵检测方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
CN111626176A (zh) | 一种遥感图像的地物目标检测方法及*** | |
CN111652864A (zh) | 一种基于条件式生成对抗网络的铸件缺陷图像生成方法 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN114022586B (zh) | 一种基于对抗生成网络的缺陷图像生成方法 | |
CN110490807A (zh) | 图像重建方法、装置及存储介质 | |
CN110135446A (zh) | 文本检测方法及计算机存储介质 | |
CN108961358A (zh) | 一种获得样本图片的方法、装置及电子设备 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN115587964A (zh) | 一种基于熵筛选的伪标签交叉一致性变化检测方法 | |
CN116342536A (zh) | 基于轻量化模型的铝带材表面缺陷检测方法、***及设备 | |
CN110660048A (zh) | 一种基于形状特征的皮革表面缺陷检测算法 | |
CN117422699A (zh) | 公路检测方法、装置、计算机设备及存储介质 | |
CN117495718A (zh) | 一种多尺度自适应的遥感图像去雾方法 | |
CN115953330B (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |