计算机视觉在管网缺陷快速定位中的应用进展_王宵.pdf
《计算机视觉在管网缺陷快速定位中的应用进展_王宵.pdf》由会员分享,可在线阅读,更多相关《计算机视觉在管网缺陷快速定位中的应用进展_王宵.pdf(4页珍藏版)》请在咨信网上搜索。
1、Construction&DesignForProject工程建设与设计1引言1.1研究背景地下排水系统是现代城市中最大的基础设施之一。健康、功能合理的排水系统能有效防止城市内涝,对水资源的可持续发展具有积极作用。然而,由于各种缺陷,如裂缝、偏移、地下水渗入和横向污水管侵入等使得许多国家的管网系统正在恶化,当务之急是需要对管网缺陷类型快速识别并对其状态进行评估,辅助后续修复工程。1.2计算机视觉检测计算机视觉检测是指用各种视频采集系统代替人类视觉器官对目标进行跟踪、检测与识别等。视觉系统通过CMOS、CCD等视频传感器采集到需要场景的视频后,进而通过计算【基金项目】上海勘测设计研究院有限公司科
2、研项目资助(2021JC(8)-002)【作者简介】王宵(1982),男,湖北天门人,副高级工程师,从事工程物探及检测相关技术研究。计算机视觉在管网缺陷快速定位中的应用进展Advances in the Application of Computer Vision in the Rapid Localization ofPipe Network Defects王宵1,郭剑桥2,杨鑫2,李杰1,刘志翔3,张强2(1.上海勘测设计研究院有限公司,上海 200335;2.三峡智慧水务科技有限公司,上海 200335;3.河海大学港口海岸与近海工程学院,南京 210024)WANG Xiao1,GUO
3、 Jian-qiao2,YANG Xin2,LI Jie1,LIU Zhi-xiang3,ZHANG Qiang2(1.Shanghai Survey Design&Research Institute Co.Ltd.,Shanghai 200335,China;2.Three Gorges Water Technology Co.Ltd.,Shanghai 200335,China;3.College of Port Coastal and Offshore Engineering Hohai University,Nanjing 210024,China)【摘要】针对污水管道的缺陷检测和状
4、态评估进行了简单阐述,从算法框架以及对算法采取的不同改进策略等方面对已有研究进行了分析。研究发现,不同的管网缺陷检测方法根据算法类别可以分为缺陷分类、缺陷检测和缺陷分割。从缺陷检测算法的精度和速度方面分析算法性能,并基于标准的评判指标对算法进行综合对比,最后基于当前研究的不足以及未来可能突破的技术难题,提出对未来研究的展望和方向。【Abstract】In this paper,the defect detection and condition evaluation of sewage pipeline are briefly described,and the existing resear
5、ch isanalyzed from the aspects of algorithm framework and different improvement strategies.It is found that different defect detection methodsof pipeline network can be divided into defect classification,defect detection and defect segmentation according to algorithm categories.The performance of de
6、fect detection algorithms is analyzed from the aspects of accuracy and speed,and the algorithms are comprehensivelycompared based on standard evaluation indexes.Finally,based on the shortcomings of current research and the technical problems that maybe broken through in the future,the prospect and d
7、irection of future research are put forward.【关键词】计算机视觉;缺陷检测;状态评估;管网【Keywords】computer vision;defect detection;condition assessment;pipe network【中图分类号】TU992.01【文献标志码】B【文章编号】1007-9467(2023)04-0146-04【DOI】10.13616/ki.gcjsysj.2023.04.044146机算法分析得到立体环境中物体的姿态、形状、运动、位置以及结构等信息,最终通过算法对这些关键信息进行感知、理解和解释,从而做出判断
8、和预测1。基于计算机视觉的目标检测能够从不同复杂程度的背景中辨识出目标物体,并将其与背景分离,从而完成对目标的跟踪、识别等后续任务。因此,目标检测是高层理解与应用的基础任务,其性能的好坏将直接影响后续目标跟踪、动作识别以及行为理解等中高层任务的性能。计算机视觉检测流程如图1所示。1.3管网缺陷检测流程地下污水管道缺陷检测流程包括4个常见步骤:(1)管道图像、视频数据采集;(2)缺陷检测;(3)缺陷等级评定;(4)管道修复及替代材料确定。目前,研究人员开发了多种可用于数据采集阶段的技术:(1)基于闭路电视的检测技术,该技术通过远程控制装有闭路摄像机的机器人来完成,以此获取管道影像信息;(2)管网
9、扫描评估技术,通过传感器设备获取管道扫描数据;(3)集成的声纳和摄像系统,利用声纳和闭路电视摄像机获得管网状况的视图信息。过去的研究中指出,基于闭路电视的检测是最广泛使用的方法之一2,其具有经济、安全和简单的优点,但是其性能受到采集数据质量的限制。因此,基于图像的检测方法需要预处理算法,以去除噪声并提高所收集图像的分辨率。在过去的几十年里,研究人员提出了许多基于闭路电视的缺陷检测方法和算法。传统的机器学习(ML)方法主要根据形态、几何或纹理特征来诊断缺陷。为了提高整体性能,深度学习(DL)已被广泛应用于管网检测中。2基于计算机视觉的排水管网缺陷检测2.1基于分类的缺陷识别由于机器学习技术的进步
10、,很多行业都尝试将基于ML的模式识别应用于自己的领域,如农业、资源管理和建筑。目前,针对二分类和多类的缺陷分类任务,研究者们提出了多种类型的缺陷分类算法。下面描述常用的算法。2.1.1支持向量机(SVMs)SVMs是一种二分类模型,它的目标是寻找一个超平面来对样本进行分割,分割的原则是间隔最大化,最终转化为一个凸二次规划问题来求解。相较于其他算法,SVMs更加强大、稳健且对过度拟合问题不敏感,但是SVMs算法不能应用于端到端的分类问题。Zuo Xin等3人应用基于特定直方图的SVMs算法对不同的裂缝在子类层面进行分类。通过像素差异特征对视图进行分类的同时定位管道接头,然后应用结构化边缘检测来获
11、得检测图像中的潜在裂缝,利用基本图像处理后的图像二值化对裂缝的二维直方图进行建模,最后训练线性SVMs对裂缝进行分类,裂缝分类的召回率水平达到90%左右。Ye Xiangyang等4人提出了一种图像识别算法,应用了特征提取和机器学习的方法来描述缺陷的特征,并使用SVMs对下水管道缺陷进行分类。算法包括胡氏不变矩、纹理特征、横向傅里叶变换和道贝希斯变换。该诊断系统被应用于中国南方某城市的下水道管道系统,根据检测结果显示,算法定义了7种缺陷,总体准确率达到84.1%。2.1.2卷积神经网络CNN模型通常包括通过对输入图像的堆叠层进行特征提取,如卷积、激活和极化,以及通过全连接层进行分类,以输出每个
12、类别的分数。每一层负责不同的功能,并使用前一层的结果作为输入。与传统方法相比,CNN需要较少的图像预处理,而且图像特征是通过学习提取的,因此,不需要人工设计复杂的特征提取器。近年来,CNN在各种计算机视觉任务(如图像分类、物体图 1基于计算机视觉的目标检测与跟踪框架Intelligentialize and Informatization智能与信息化147Construction&DesignForProject工程建设与设计识别和定位)中的良好表现表明CNN在基础设施的自动缺陷检测方面具有巨大的潜力。目前,已经有部分研究成功将深度学习方法用于基础设施的自动缺陷检测。Kumar等5人使用CNN
13、检测了3种最常见的下水道缺陷,即根部侵入、沉积和裂缝,测试结果的准确度(0.862)、精确度(0.877)和召回率(0.906)的平均值均表明CNN可用于CCTV下水道视频中的缺陷自动分类。2.2基于物体检测的缺陷识别随着深度学习的快速发展,物体检测网络也相继被提出,如R-CNN、YOLO和SSD,并且广泛地被应用于多个领域,如交通、农业和建筑。对于管网检测来说,缺陷定位和分类是两个任务,可以通过上述网络同时解决。与缺陷分类算法不同,物体检测网络是利用矩形边界框(BBs)和置信度(CSs)对图像中的目标进行定位和分类。基于CNN的物体检测方法通常分为两类:一类是单阶段网络,如SSD和YOLO6
14、系列;另一类是双阶段网络,如基于区域的CNN(R-CNN)7系列。在本研究中,对管网检测研究中采用的单阶段和双阶段网络进行了讨论和分析。2.2.1Single Shot Multibox Detector(SSD)Liu Wei等8人提出了一种使用单个深度神经网络检测图像中物体的方法SSD,该方法根据每个特征位置的不同纵横比和比例将边界框的输出空间离散化为一组默认框,在预测时,网络对每个默认框中的物体类别做出区分,并对框进行调整以更好地适应物体形状。此外,该网络结合了来自不同分辨率的多个特征图的预测,可自然地处理各种尺寸的图像检测。SSD方法同样被用来在条件评估框架中检测CCTV图像的缺陷,相
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 计算机 视觉 管网 缺陷 快速 定位 中的 应用 进展 王宵
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。