新聞動(dòng)態(tài)

2278111是德州公用水務(wù)集團有限公司面對州城市民開(kāi)放的24小時(shí)服務(wù)熱線(xiàn),受理廣大用戶(hù)關(guān)于自來(lái)水方面的各種咨詢(xún)、投訴和建議,以高效快捷的優(yōu)質(zhì)服務(wù)滿(mǎn)足市民的用水需求。

排水管道缺陷智能檢測的 四個(gè)關(guān)鍵問(wèn)題

時(shí)間:2023-12-02

    管道是城市生命線(xiàn),對排水管網(wǎng)進(jìn)行定期、全面的管道缺陷檢測十分必要。管道閉路電 視(Closed-circuit television,CCTV)檢測是指利用內窺鏡攝像檢測系統或管道 CCTV 檢測 機器人進(jìn)行缺陷排查的技術(shù)。CCTV 檢測機器人在管道內爬行,對管道各類(lèi)缺陷進(jìn)行攝像, 操作簡(jiǎn)便、效果直觀(guān),因而被行業(yè)內廣泛應用。 

    然而,機器人檢測后生成大量圖像視頻依賴(lài)人工進(jìn)行判讀,耗時(shí)費力。近年來(lái),眾多學(xué) 者和企業(yè)嘗試引入計算機技術(shù)對管道 CCTV 檢測圖像進(jìn)行識別和分類(lèi),以簡(jiǎn)化人工判讀流程、 快速評估缺陷情況、高效生成檢測報告。針對此,中山大學(xué)馬保松團隊嘗試解答以下四個(gè)關(guān) 鍵問(wèn)題: 

    Q1 基于 CCTV 圖像的管道缺陷智能識別和分類(lèi)技術(shù)是怎樣實(shí)現的? 

    A:從原理上看,該技術(shù)隸屬于計算機視覺(jué)研究領(lǐng)域,通過(guò)獲取圖像、圖像預處理、特 征抽取、分類(lèi)器設計和分類(lèi)決策等程序,提取并辨認指定目標圖像,從而建立人工智能系統。 通俗地說(shuō),就是利用管道缺陷圖像數據作為“教學(xué)范本”,教會(huì )機器什么是我們需要的信息, 并對信息進(jìn)行判斷和分類(lèi),達到和人工判讀管道缺陷相同的效果。 

排水管道缺陷檢測領(lǐng)域的計算機視覺(jué)相關(guān)方法主要有傳統基于規則的方法、傳統機器學(xué) 習方法、深度學(xué)習方法和多策略融合方法。筆者調研相關(guān)論文所使用的各方法比例如下圖 1 所示:

11.png

    (1)傳統基于規則的算法是指基于數學(xué)微分思想和形態(tài)學(xué)原理的邊緣檢測算法,根據 圖片畫(huà)面中的亮暗、光影等特征,定位管道缺陷,實(shí)現檢測功能。但該方法存在較多不足, 包括:相關(guān)研究的樣本較少,識別準確率參差不齊;依賴(lài)人工判斷,智能化程度不高;沒(méi)有 訓練過(guò)程,泛化能力差等。因此,關(guān)于此方法的創(chuàng )新性研究不多。

    (2)傳統機器學(xué)習方法是計算機從大量數據中提取數據特征并進(jìn)行學(xué)習,通過(guò)模型訓 練進(jìn)而解決相應問(wèn)題的過(guò)程。該方法的智能識別能力和綜合識別效果有所提升。但該方法只 能提取少量缺陷特征,輸出結果較單一,因此僅能判斷管道是否完好或識別少量缺陷類(lèi)別。 

    (3)深度學(xué)習方法是機器學(xué)習的分支,其中又以卷積神經(jīng)網(wǎng)絡(luò )(Convolutional Neural  Networks,CNN)應用最廣。主要流程為:將圖片輸入后由卷積層提取特征,使用激活函數 加入非線(xiàn)性元素,經(jīng)池化層降維處理,最后通過(guò)全連接層分類(lèi)輸出,如圖 2 所示。

22.png

    當前,管道缺陷檢測主要針對圖像分類(lèi)和目標檢測問(wèn)題展開(kāi),涉及各研究比例如下圖 3 所示。

33.png

    圖像分類(lèi)需根據不同缺陷特征(結構性或功能性)將給定的缺陷圖片分類(lèi)。應用較多的 CNN 模型有 ResNet、AlexNet、VGG 和 GoogleNet 等,模型訓練圖片數量從幾百至上萬(wàn),可 區分的缺陷類(lèi)別較多,絕大部分輸出準確率超過(guò) 80%。 

    目標檢測需識別圖片中存在的缺陷并以選框形式標識出來(lái),應用較多的 CNN 模型有 YOLO 和 Faster R-CNN,引入目標檢測器或層級式類(lèi)別注意力機制也能達到目標檢測效果。 

    相比前兩種方法,深度學(xué)習模型的訓練樣本數量可達數萬(wàn)張,數據處理能力較強;缺陷 特征提取過(guò)程減少了人工工作量,智能化程度較高;能實(shí)現圖像分類(lèi)和目標檢測等任務(wù),模 型功能性豐富;大部分模型識別精度很高,輸出效果較優(yōu)。 

    (4)多策略融合方法采取模塊化、分步驟思路,由兩種或兩種以上機器學(xué)習或深度學(xué) 習模型共同構成缺陷圖像檢測分類(lèi)框架。該方法不僅能解決常規圖像分類(lèi)和目標檢測問(wèn)題, 還在缺陷邊緣分割、細粒度分類(lèi)、圖像動(dòng)態(tài)特征捕獲、缺陷實(shí)例分割和全過(guò)程自動(dòng)化評估等 問(wèn)題上體現了優(yōu)越性。該方法更適用于視頻缺陷識別或其他特定場(chǎng)景,前瞻性很強,但還需繼續優(yōu)化模型運算速度和識別精度。 

    Q2 如何評價(jià)管道缺陷檢測模型的好與壞? 

    A:管道缺陷圖像智能檢測模型設計應考慮適用性、易用性和經(jīng)濟性等多方因素。然而, 對于模型評價(jià)使用的指標及結果可接受范圍等,業(yè)內尚未形成共識。概括來(lái)說(shuō)有以下兩類(lèi)指 標: 

    (1)過(guò)程評價(jià)指標。它是模型在運行過(guò)程中表征其精度和速度的一系列指標。例如:“交 并比(Intersection over Union,IoU)”表征模型識別區域面積與實(shí)際標記面積的大小關(guān)系, 兩部門(mén)面積重合度越高,識別越精準;模型運行速度表征檢測分類(lèi)的即時(shí)性等。 

    (2)結果評價(jià)指標。它直觀(guān)有效地評估模型輸出效果,常用的評價(jià)指標有準確率 (Accuracy)、精確率(Precision)、召回率(Recall)、綜合評價(jià)指標(F-Measure)和 ROC(Receiver  Operating Characteristic)曲線(xiàn)等。

    Q3 在當前國內市場(chǎng)上,管道智能檢測發(fā)展如何? 

    A:當前我國市場(chǎng)上的 CCTV 管道機器人在硬件層面已無(wú)需依賴(lài)進(jìn)口,實(shí)現了國產(chǎn)化和 自主化。國內二十余家管道檢測機器人制造企業(yè)和市政管網(wǎng)非開(kāi)挖修復單位大力推進(jìn)缺陷檢 測軟件技術(shù)研發(fā),大多基于深度學(xué)習算法,已有可商用的產(chǎn)品。目前效果最好的管道缺陷視 頻分割系統識別精度可達 98%。 然而,現投入市場(chǎng)使用的缺陷檢測系統智能化、自動(dòng)化水平仍不夠高,圖像識別以區分 正常管段和缺陷管段為主,細小缺陷抓取準確率很低,對缺陷進(jìn)行細分類(lèi)的過(guò)程仍依賴(lài)人工。 調研中還發(fā)現,管道缺陷智能檢測技術(shù)的市場(chǎng)普及率較低。一方面,現有軟件還不能完全脫 離人工操作;另一方面,智能檢測配套軟硬件成本較高,利用人工判讀較為經(jīng)濟。 國內管道缺陷智能檢測領(lǐng)域還不成熟,仍處上升期。要加大對管道檢測智能系統的研發(fā) 投入,不斷擴充深度學(xué)習模型樣本量,提高識別精度,實(shí)現細分類(lèi)功能。必要時(shí)可考慮引入 激光測距和 3D 掃描技術(shù),實(shí)現軟硬件結合發(fā)展,進(jìn)一步降低缺陷識別的成本。 

    Q4 管道缺陷智能檢測技術(shù)的未來(lái)和挑戰? 

    A:由于基于規則的圖像分割算法智能化程度不高、基于小樣本的傳統機器學(xué)習方法無(wú) 法適應大量圖像分類(lèi)要求,目前,以卷積神經(jīng)網(wǎng)絡(luò )為主的深度學(xué)習方法成為了管道缺陷智能 檢測技術(shù)的研究重點(diǎn),并面臨以下挑戰: 

    (1)持續擴充有效的圖像樣本數據庫。圖像樣本數量和質(zhì)量是影響檢測速度和精度的 重要因素,樣本數量少易產(chǎn)生過(guò)擬合問(wèn)題,缺陷樣本數量不平衡會(huì )導致模型泛化能力弱,樣 本圖像相似度高或光照條件弱會(huì )增加特征提取難度。 

    (2)加快現有智能檢測算法在管道檢測市場(chǎng)的推廣應用。多缺陷檢測和實(shí)例 / 語(yǔ)義分割 技術(shù)已成為主流,應加大智能算法的遷移應用力度,優(yōu)化缺陷細分類(lèi)檢測、多缺陷共存檢測 和缺陷實(shí)例分割等功能。 

    (3)結合多技術(shù)手段,提升管道視頻識別精度。視頻缺陷的實(shí)時(shí)定位受照明和畫(huà)面模 糊度影響很大,使用視頻自動(dòng)化截圖會(huì )降低缺陷識別率。為了幫助缺陷特征提取,需提升傳 統管道機器人硬件水平,如利用三維激光雷達或深度相機以獲取更多空間信息和缺陷細節。 

    (4)積極構建管道健康評估一體化智能系統。檢測系統應以我國現行規范為指南,考 慮缺陷嚴重等級和管段綜合得分,優(yōu)化系統視覺(jué)體驗和交互體驗,生成智能檢測報告,選取 修復工法,合理評估管道使用年限。  (來(lái)源:給水排水)

亚洲69堂无码91在线_在线天堂v亚洲综合a直播_国产性爱福利小视频_国产一区亚洲专区