CN113469177B 基于深度学习的排水管道缺陷检测方法及系统 （河海大学）

号WO2019192397A1,2019.10.10基于深度学习的排水管道缺陷检测方法及本发明公开了一种基于深度学习的排水管后将图像传入模型中进行训练，并优化模型输2(3)构建排水管道缺陷识别模型，所述排水管道缺陷识别模型包括多尺度特征图提取过BoTNet-50网络得到尺寸大小不同的特征图并输入FPN网络进行融合，得到多尺度特征输入；所述ROIAlign模块根据预测边界框的位置坐标在特征图中将相应的区域池化为固所述多尺度特征图提取模块包括BoTNet-50网络和FPN网络；所述BoTNet-50网络包括所述区域生成网络模块使用的是GA-RPN网络，该网络包括锚点生成模3(21)使用labelme标注工具在图像上标记出缺陷区域所在位置，以coco数据集的图像到output5output4output3output2再对output5＇采用最近邻插值法进行两倍的4根据权利要求1-7任一项所述的基于深度学习的排水管5道潜望镜检测、红外温度记录与分析以及CCTV(ClosedCircuitTelevision)管道内窥检[0005]管道潜望镜是一种通过远程采集图像并回传以进行检测的设备，主要由主控器、[0006]红外温度记录与分析技术是根据管道泄漏处与其周围区域的温度梯度差来判断6[0013](3)构建排水管道缺陷识别模型，所述排水管道缺陷识别模型包括多尺度特征图的输入；所述ROIAlign模块根据预测边界框的位置坐标在特征图中将相应的区域池化为[0023](21)使用labelme标注工具在图像上标记出缺陷区域所在位置，以coco数据集的7[0025]作为优选，所述步骤(3)中排水管道缺陷识别模型的多尺度特征图提取模块包括操作进行通道调整得到output5output4output3output2再对output5＇采用最近邻插值法进行两倍的上采样，得到与output4＇尺寸相同的output5将output5＂与上采样后与output2＇进行融合，得到融合后的特征图output2将得到的output5',[0030]作为优选，所述步骤(3)中排水管道缺陷识别模型的ROIAlign模块，采用ROIAlign操作调整建议区域模块中生成的一系列候选区域(ROI)的大小。RoIAlign使用双线8[0041](54)将融合后的mask图像再进行阈值化处理，并且将像素值映射到[0,255]区间[0044]基于相同的发明构思，本发明提供的一种基于深度学习的排水管道缺陷检测系程序被加载至处理器时实现所述的基于深度学习的排水管较少缺陷种类的数量，可以让模型更好地学习各个缺陷种类的特征。而且，从GAN中选择9[0080](22)使用labelme标注工具，在图像上使用不同的标签分别标注出九类缺陷，以[0083]多尺度特征图提取模块使用BoTNet-50网络和特征金字塔网络(FPN)在原图上提[0107]其中src表示旧图，dst表示新图。新图的坐标(dstX，dstY)对应于旧图的坐标[0108]output5＇经过两倍上采样得到的特征图为output5通道数不变，尺寸变为(m/能不同。目前，产生候选区域的方法主要有滑动窗口(slidingwindow)，选择性搜索[0111]RPN算法主要是以每个像素为中心生成多个大小和宽高比不同的锚框(Anchor(GuidedAnchoring)是一种新的anchor生成方法，它是通过图像特征来指导锚框的生成。[0112]GA-RPN由两个模块组成，锚点生成模块(Anchorgeneration)和特征自适应[0125]ROIAlign模块采用ROIAlign操作调整区域生成网络模块中生成的一系列候选区域的大小。ROIAlign根据预测边界框的位置坐标在特征图中将相应的区域池化为固定入到分类分支和边界框回归分支。分类分支是通过一层全连接神经网络和softmax激活函[0129]mask预测分支将14×14尺寸的采样特征，先进行4层卷积核大小为3×3的卷积操[0135](42)算法读入原图像和mask图像，在读入mask图像的同[0143](54)将融合后的mask图像再进行阈值化处理