CN112446870A - 管道损伤检测方法、装置、设备及存储介质 - Google Patents
管道损伤检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112446870A CN112446870A CN202011385962.5A CN202011385962A CN112446870A CN 112446870 A CN112446870 A CN 112446870A CN 202011385962 A CN202011385962 A CN 202011385962A CN 112446870 A CN112446870 A CN 112446870A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- detection
- damage
- frame
- preset
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 346
- 238000007689 inspection Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims description 44
- 230000000875 corresponding effect Effects 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 26
- 230000010354 integration Effects 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000007935 neutral effect Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000004718 Panda Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及人工智能领域，公开了一种管道损伤检测方法、装置、设备及存储介质。方法包括：获取待检测的管道巡检视频；将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果；若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框；将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。本发明对管道损伤检测这一特定任务进行针对性优化，具有对管道损伤检测任务更好的适用性，大大提高了管道损伤检测的效率。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种管道损伤检测方法、装置、设备及存储介质。
背景技术
随着计算机技术的高速发展，计算机视觉已经成为了人工智能的重要领域，在人们生活的方方面面中起到越来越重要的作用。计算机视觉技术的应用十分广泛，采用计算机视觉技术中的目标检测方法对目标物体进行识别，可以将图片或者视频中重点的目标有效的提取出来，从而达到鉴别的效果。
传统的管道检测主要依赖于人工经验，利用人工经验进行损伤鉴定十分容易出错而且检查的效率十分低，无法满足城市中大量下水管道的有效、及时的维护要求。
发明内容
本发明的主要目的在于解决目前管道损伤检测效率低的技术问题。
本发明第一方面提供了一种管道损伤检测方法，所述管道损伤检测方法包括：
获取待检测的管道巡检视频；
将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果；
若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框；
将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。
可选的，在本发明第一方面的第一种实现方式中，在所述获取待检测的下水管道视频之前，还包括：
获取多个管道巡检视频样本，并对所述管道巡检视频样本逐帧进行损伤信息标注，得到有损伤的正样本图像和无损伤的负样本图像；
将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图；
根据所述样本特征图，调用预置AutoFusion算法对所述目标检测网络的特征提取层连接部分进行评价指标搜索，并将评价指标最高的组合对应的目标检测网络作为最优目标检测网络；
调用预置Stacking集成算法对所述最优目标检测网络进行集成，得到管道损伤检测模型。
可选的，在本发明第一方面的第二种实现方式中，所述将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图包括：
将所述正样本图像和负样本图像输入预置输入层进行数据增强，得到增强样本图片；
对所述增强样本图片进行尺寸大小缩放和裁剪，得到标准样本图片；
将所述标准样本图片输入预置CSP网络进行特征提取，得到样本特征信息；
将所述样本特征信息输入预置Neck网络进行特征融合，得到样本特征图。
可选的，在本发明第一方面的第三种实现方式中，所述根据所述样本特征图，调用预置AutoFusion算法对所述目标检测网络的特征提取层连接部分进行评价指标搜索，并将评价指标最高的组合对应的目标检测网络作为最优目标检测网络包括：
调用预置AutoFusion算法，对所述目标检测网络的特征提取层连接部分进行一元运维运算，得到一元运算值；
将所述一元运算值输入预置操作层进行幅度函数运算，得到操作数；
将所述一元运算值和所述操作数进行组合，得到评价指标的组合；
将评价指标最高的组合对应的目标检测网络作为最优目标检测网络。
可选的，在本发明第一方面的第四种实现方式中，所述调用预置Stacking集成算法对所述最优目标检测网络进行集成，得到管道损伤检测模型包括：
调用预置Stacking集成算法，将所述样本特征图输入所述最优目标检测网络进行集成运算，得到第一层元特征；
对所述第一层元特征求平均值并将所述平均值输入所述最优目标检测网络进行集成运算，得到第二层元特征；
根据所述第二层元特征，对所述最优目标检测网络进行参数调节，直至所述最优目标检测网络收敛，得到管道损伤检测模型。
可选的，在本发明第一方面的第五种实现方式中，所述将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果包括：
将所述管道巡检视频输入预置管道损伤检测模型中的CSP网络逐帧进行特征提取，得到特征信息；
将所述特征信息输入预置管道损伤检测模型中的Neck网络进行特征融合，得到特征图；
对所述特征图进行类别信息和位置信息分析，输出检测结果。
可选的，在本发明第一方面的第六种实现方式中，在所述将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频之后，还包括：
播放所述管道巡检标注视频，并判断当前视频帧中是否存在管道损伤；
若是，则对当前视频帧进行截图，得到管道损伤图片，并提取所述管道损伤图片中的管道损伤信息；
将所述管道损伤图片、所述管道损伤信息与当前视频播放时间点关联保存，并输出包含所述管道损伤信息的CSV格式文件。
本发明第二方面提供了一种管道损伤检测装置，所述管道损伤检测装置包括：
获取模块，用于获取待检测的管道巡检视频；
检测模块，用于将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果；
可视化模块，用于若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框；
输出模块，用于将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。
可选的，在本发明第二方面的第一种实现方式中，所述管道损伤检测装置还包括：
标注单元，用于获取多个管道巡检视频样本，并对所述管道巡检视频样本逐帧进行损伤信息标注，得到有损伤的正样本图像和无损伤的负样本图像；
特征提取单元，用于将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图；
网络优化单元，用于根据所述样本特征图，调用预置AutoFusion算法对所述目标检测网络的特征提取层连接部分进行评价指标搜索，并将评价指标最高的组合对应的目标检测网络作为最优目标检测网络；
模型集成单元，用于调用预置Stacking集成算法对所述最优目标检测网络进行集成，得到管道损伤检测模型。
可选的，在本发明第二方面的第二种实现方式中，所述特征提取单元具体用于：
将所述正样本图像和负样本图像输入预置输入层进行数据增强，得到增强样本图片；
对所述增强样本图片进行尺寸大小缩放和裁剪，得到标准样本图片；
将所述标准样本图片输入预置CSP网络进行特征提取，得到样本特征信息；
将所述样本特征信息输入预置Neck网络进行特征融合，得到样本特征图。
可选的，在本发明第二方面的第三种实现方式中，所述网络优化单元具体用于：
调用预置AutoFusion算法，对所述目标检测网络的特征提取层连接部分进行一元运维运算，得到一元运算值；
将所述一元运算值输入预置操作层进行幅度函数运算，得到操作数；
将所述一元运算值和所述操作数进行组合，得到评价指标的组合；
将评价指标最高的组合对应的目标检测网络作为最优目标检测网络。
可选的，在本发明第二方面的第四种实现方式中，所述模型集成单元具体用于：
调用预置Stacking集成算法，将所述样本特征图输入所述最优目标检测网络进行集成运算，得到第一层元特征；
对所述第一层元特征求平均值并将所述平均值输入所述最优目标检测网络进行集成运算，得到第二层元特征；
根据所述第二层元特征，对所述最优目标检测网络进行参数调节，直至所述最优目标检测网络收敛，得到管道损伤检测模型。
可选的，在本发明第二方面的第五种实现方式中，所述检测模块具体用于：
将所述管道巡检视频输入预置管道损伤检测模型中的CSP网络逐帧进行特征提取，得到特征信息；
将所述特征信息输入预置管道损伤检测模型中的Neck网络进行特征融合，得到特征图；
对所述特征图进行类别信息和位置信息分析，输出检测结果。
可选的，在本发明第二方面的第六种实现方式中，所述管道损伤检测装置还包括：
储存模块，用于播放所述管道巡检标注视频，并判断当前视频帧中是否存在管道损伤；若是，则对当前视频帧进行截图，得到管道损伤图片，并提取所述管道损伤图片中的管道损伤信息；将所述管道损伤图片、所述管道损伤信息与当前视频播放时间点关联保存，并输出包含所述管道损伤信息的CSV格式文件。
本发明第三方面提供了一种管道损伤检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述管道损伤检测设备执行上述的管道损伤检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的管道损伤检测方法。
本发明提供的技术方案中，鉴于现有依靠人工肉眼对管道进行检测不仅工作量大且容易误判或漏检，因此引入了机器学习方式生成了可用于对管道图像进行自动检测的模型，将待检测的管道视频输入该模型逐帧进行检测，所述模型可以实现快速对图像上的损伤信息进行检测，并且直接标定出损伤位置和类型，然后通过OpenCV接口将检测结果可视化，并将检测完毕的视频保存，用户只需观看标定好的视频即可快速获知是否有损伤、损伤类型以及损伤具体位置。本发明针对管道损伤检测构建了管道损伤检测模型，该模型具有对管道损伤检测任务更好的适用性，可以大大提高管道损伤检测的效率。
附图说明
图1为本发明实施例中管道损伤检测方法的第一个实施例示意图；
图2为本发明实施例中管道损伤检测方法的第二个实施例示意图；
图3为本发明实施例中管道损伤检测方法的第三个实施例示意图；
图4为本发明实施例中管道损伤检测方法的第四个实施例示意图；
图5为本发明实施例中管道损伤检测装置的一个实施例示意图；
图6为本发明实施例中管道损伤检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种管道损伤检测方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中管道损伤检测方法的第一个实施例包括：
101、获取待检测的管道巡检视频；
可以理解的是，本发明的执行主体可以为管道损伤检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本实施例中，通过摄像机或其他设备拍摄的管道巡检视频，将拍摄得到的视频作为待检测的管道巡检视频。
102、将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果；
本实施例中，所述管道损伤检测模型由N个(N>1)目标检测网络结构，例如：YoloV5网络结构，YoloV5由CSP网络、Neck网络和损伤信息分析层构成，模型由主流深度学习框架Pytorch构建。所述检测结果包括当前帧中有无损伤，有损伤时将损伤点对应的位置信息和损伤种类信息生成一个五维向量并作为检测结果输出。
本实施例中，将所述管道巡检视频输入预置管道损伤检测模型逐帧进行检测，得到检测结果，所述检测结果包括当前帧中有无损伤，有损伤时将损伤点对应的位置信息和损伤种类信息生成一个五维向量并作为检测结果输出。
可选的，在一实施例中，所述将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果包括：
将所述管道巡检视频输入预置管道损伤检测模型中的CSP网络逐帧进行特征提取，得到特征信息；
本实施例中，所述CSP网络是将原输入分成两个分支，分别进行卷积操作使得通道数减半，然后分支一进行Bottlenneck x N操作，随后张量拼接分支一和分支二，从而使得所述CSP网络的输入与输出是一样的大小，所述CSP网络可以让模型提取到更多的特征。
将所述特征信息输入预置管道损伤检测模型中的Neck网络进行特征融合，得到特征图；
本实施例中，所述Neck网络的主要作用是对CSP网络提取得到的特征信息进行特征融合，采用普通卷积操作，将高层的特征信息通过上采样的方式进行传递融合，得到进行预测的特征图，加强了网络特征融合的能力。
对所述特征图进行类别信息和位置信息分析，输出检测结果。
本实施例中，将所述管道巡检视频输入预置管道损伤检测模型中的CSP网络逐帧进行特征提取，得到特征信息，将所述特征信息输入预置管道损伤检测模型中的Neck网络进行特征融合，得到特征图，对所述特征图进行类别信息和位置信息分析，输出检测结果。本实施例中，若检测的视频帧中有损伤信息，则检测结果为有损伤，并将损伤点的坐标和损伤种类信息生成一个五维向量并输出。
103、若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框；
本实施例中，检测结果中的五维向量为(c,x,y,w,h)，其中，c为检测框类别，x为横坐标，y为纵坐标，w为宽，h为高，根据所述五维向量(c,x,y,w,h)标注出损伤在图片中位置以及损伤种类。
本实施例中，若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。OpenCV为轻量级而且高效，提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的多个通用算法。
104、将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。
本实施例中，将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。将检测框和原视频中对于的视频帧结合通过OpenCV接口生成一个新视频，得到包含有标注信息的标注视频。将检测结果和原视频结合可以有效的使用户在大量视频数据中进行归类和储存，对有损伤的管道信息进行归档，方便查找和比对。
可选的，在一实施例中，在所述将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频之后，还包括：
播放所述管道巡检标注视频，并判断当前视频帧中是否存在管道损伤；
若是，则对当前视频帧进行截图，得到管道损伤图片，并提取所述管道损伤图片中的管道损伤信息；
将所述管道损伤图片、所述管道损伤信息与当前视频播放时间点关联保存，并输出包含所述管道损伤信息的CSV格式文件。
本实施例中，将标注视频中的带有损伤信息的视频帧进行截图，并提取所述截图中的损伤信息，将截图保存并将截图对应的损伤信息调用Panda工具进行保存，得到所述损伤信息对应的CSV文件。
本实施例鉴于现有依靠人工肉眼对管道进行检测不仅工作量大且容易误判或漏检，因此引入了机器学习方式生成了可用于对管道图像进行自动检测的模型，将待检测的管道视频输入该模型逐帧进行检测，所述模型可以实现快速对图像上的损伤信息进行检测，并且直接标定出损伤位置和类型，然后通过OpenCV接口将检测结果可视化，并将检测完毕的视频保存，用户只需观看标定好的视频即可快速获知是否有损伤、损伤类型以及损伤具体位置。本发明针对管道损伤检测这一特定任务构建了管道损伤检测模型，该模型具有对管道损伤检测任务更好的适用性，可以大大提高管道损伤检测的效率。
请参阅图2，本发明实施例中管道损伤检测方法的第二个实施例包括：
201、获取多个管道巡检视频样本，并对所述管道巡检视频样本逐帧进行损伤信息标注，得到有损伤的正样本图像和无损伤的负样本图像；
本实施例中，调用预置labelme对管道巡检视频视频逐帧进行排查，当视频帧中有损伤时，首先提取图像中损伤点的坐标，图像中损伤点的提取是将原图现转化为二值图，然后找到损伤处连通域的坐标，并将图像中损伤处连通域对应的坐标保存为mat文件。其次是调用预置img2json.py编码器，将当前有损伤的视频帧编码并保存为json文件。再采用预置imitate_json.py融合算法，将所述mat文件和所述json文件融合并生成标注有损伤信息的图像。
202、将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图；
可选的，在一实施例中，所述将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图包括：
将所述正样本图像和负样本图像输入预置输入层进行数据增强，得到增强样本图片；
对所述增强样本图片进行尺寸大小缩放和裁剪，得到标准样本图片；
将所述标准样本图片输入预置CSP网络进行特征提取，得到样本特征信息；
将所述样本特征信息输入预置Neck网络进行特征融合，得到样本特征图。
本实施例中，对于正样本图像和负样本图像，除了经典的几何畸变与光照畸变外，还使用了CutMix与Mosaic技术来进行数据增强，得到增强样本图像。目标检测网络需要调整原始图像的尺寸进行特征识别，模型中的图像缩放到512*512。CSP网络解决了其他大型卷积神经网络框架Backbone中网络优化的梯度信息重复问题，将梯度的变化从头到尾地集成到特征图中，将基础层的特征映射图分离出来，有效缓解了梯度消失问题，并且支持特征传播，鼓励网络重用特征，从而减少网络参数数量。Neck网络用于生成特征金字塔。特征金字塔会增强模型对于不同缩放尺度对象的检测，从而能够识别不同大小和尺度的同一个物体，从而融合了CSP网络提取的特征，得到特征图片。目标检测网络的检测速度和检测精度达到完美的协调，得到的样本特征图更加具有准确性。
203、根据所述样本特征图，调用预置AutoFusion算法对所述目标检测网络的特征提取层连接部分进行评价指标搜索，并将评价指标最高的组合对应的目标检测网络作为最优目标检测网络；
本实施例中，AutoFusion算法对目标检测网络结构的特征提取层连接部分进行空间搜索共有三个步骤，首先是进行Unary ops运算，得到op1、op2，op1、op2为一元运算值，其次是对一元运算值进行幅度函数运算，得到μ1、μ2，μ1、μ2为操作数，以及最后对这两个步骤的综合运算Δw＝λ*b(μ1(op1),u2(op2))，其中，Δw为评价指标，λ为自定义参数，b为加法二元函数运算，Δw的值为最高时，对应的目标检测网络即为最优目标检测网络。
204、调用预置Stacking集成算法对所述最优目标检测网络进行集成，得到管道损伤检测模型；
本实施例中，将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图；根据所述样本特征图，调用预置AutoFusion算法对所述目标检测网络的特征提取层连接部分进行评价指标搜索，并将评价指标最高的组合对应的目标检测网络作为最优目标检测网络；调用预置Stacking集成算法对所述最优目标检测网络进行集成，得到管道损伤检测模型。
本实施例中，传统的计算学习方式包括特征提取，模型设计以及参数调优三大部分，而自动机器学习AutoFusion算法，使整个机器学习的过程是自动完成的，只需要输入数据就可以得到输出。本实施例中，神经网络结构搜索技术，是指通过AutoFusion算法对目标检测网络的特征提取层连接处进行空间搜索，搜索寻找最优的评价指标组合，把评价指标最高时的目标检测网络作为最优目标检测网络。
本实施例中，AutoFusion算法是搜索局部极大值，抑制非极大值元素，根据score矩阵和region的坐标信息，从中找到置信度比较高的bounding box，首先是对所有检测框的置信度降序排序，然后选出置信度最高的检测框，判断所述置信度最高的检测框是否正确，若确认其为正确的检测框，计算置信度最高的检测框与其他检测框的IOU值，根据IOU值去除重叠度高的，当IOU值大于threshold就去除对应检测框，去除重叠度高的检测框后剩下的检测框继续进行置信度的排序，直到中消除多余的检测框，找到最佳的损伤检测的位置。
本实施例所述Stacking集成算法训练一个多层的学习器结构，第一层用N个YoloV5模型,得到第一层的预测结果，将第一层的预测结果合并为新的特征输入图像输入学习后的YoloV5模型，通过第二次预测过程的输出得到管道损伤模型最终的预测结果。
205、获取待检测的管道巡检视频；
206、将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果；
207、若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框；
208、将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。
本发明实施例中，采用AutoFusion算法对目标网络结构进行优化，得到最优目标网络结构，对所述最优目标网络结构采用Stacking集成算法进行集成，得到最终的管道损伤检测模型。采用AutoFusion优化算法对网络结构进行优化，使得到的管道损伤检测模型更加适用于管道损伤检测这一特定任务。
请参阅图3，本发明实施例中管道损伤检测方法的第三个实施例包括：
301、获取多个管道巡检视频样本，并对所述管道巡检视频样本逐帧进行损伤信息标注，得到有损伤的正样本图像和无损伤的负样本图像；
302、将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图；
303、调用预置AutoFusion算法，对所述目标检测网络的特征提取层连接部分进行一元运维运算，得到一元运算值；
304、将所述一元运算值输入预置操作层进行幅度函数运算，得到操作数；
305、将所述一元运算值和所述操作数进行组合，得到评价指标的组合；
306、将评价指标最高的组合对应的目标检测网络作为最优目标检测网络；
本实施例中，采用AutoFusion算法对目标检测网络结构进行优化时共有三个步骤，首先是进行一元运维运算，得到op1、op2，op1、op2为一元运算值，其次是对一元运算值进行幅度函数运算，得到μ1、μ2，μ1、μ2为操作数，最后是对这两个步骤的综合得到评价指标组合以及最后对这两个步骤的综合运算Δw＝λ*b(μ1(op1),u2(op2))，其中，Δw为评价指标，λ为自定义参数，b为加法二元函数运算，Δw的值为最高时，对应的目标检测网络即为最优目标检测网络。通过从搜索空间中选择评价指标最高的作为目标检测网络，从而生成性能良好的神经架构，将所述评价指标组合中评价指标最高时对应的目标检测网络作为最优目标检测网络，最优目标检测网络的检测速度提高，而且对损伤的检测更加准确。
307、获取待检测的管道巡检视频；
308、将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果；
309、若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框；
310、将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。
本发明实施例中，采用AutoFusion算法对目标检测网络结构进行优化，可以在没有外界的辅助下，自行进行优化并且仍然能得到一个接近最优的针对管道损伤检测的网络架构和模型。
请参阅图4，本发明实施例中管道损伤检测方法的第四个实施例包括：
401、获取多个管道巡检视频样本，并对所述管道巡检视频样本逐帧进行损伤信息标注，得到有损伤的正样本图像和无损伤的负样本图像；
402、将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图；
403、根据所述样本特征图，调用预置AutoFusion算法对所述目标检测网络的特征提取层连接部分进行评价指标搜索，并将评价指标最高的组合对应的目标检测网络作为最优目标检测网络；
404、调用预置Stacking集成算法，将所述样本特征图输入所述最优目标检测网络进行集成运算，得到第一层元特征；
405、对所述第一层元特征求平均值并将所述平均值输入所述最优目标检测网络进行集成运算，得到第二层元特征；
406、根据所述第二层元特征，对所述最优目标检测网络进行参数调节，直至所述最优目标检测网络收敛，得到管道损伤检测模型；
本实施例中，利用Stacking方法训练一个元模型，该模型根据较低层的弱学习器返回的输出结果生成最后的输出。Stacking方法中第一层用N个YoloV5模型,得到第一层的预测结果，将第一层的预测结果合并为新的特征输入图像输入学习后的YoloV5模型，通过第二次预测过程的输出作为系统最终的检测结果，将所述N个YoloV5模型集成为一个管道检测模型，可以综合多个网络结构的优点，使得集成后的管道损伤模型的检测速度更快，准确率更高。用YoloV5作为基础模型做交叉验证，交叉验证包含两个过程，一是基于特征图训练模型；二是基于特征图训练生成的模型对特征图进行预测。在交叉验证完成之后得到关于当前特征图的预测值，将上述两个步骤进行两次，最终会生成检测结果。采用二元交叉熵对所述最优目标检测网络进行参数调节，直至所述最优目标检测网络收敛，得到管道损伤检测模型。
407、获取待检测的管道巡检视频；
408、将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果；
409、若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框；
410、将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。
本发明实施例中，Stacking集成方法通过训练一个元模型将它们组合起来，根据不同弱模型的预测结果输出一个最终的预测结果，使框架可以整合多种框架的优势，具有对管道损伤检测任务更好的适用性，Stacking集成得到的管道损伤检测模型对损伤的位置信息和类别信息的识别更准确。
上面对本发明实施例中管道损伤检测方法进行了描述，下面对本发明实施例中管道损伤检测装置进行描述，请参阅图5，本发明实施例中管道损伤检测装置一个实施例包括：
获取模块501，用于获取待检测的管道巡检视频；
检测模块502，用于将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果；
可视化模块503，用于若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框；
输出模块504，用于将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。
可选的，在一实施例中，所述管道损伤检测装置还包括：
标注单元，用于获取多个管道巡检视频样本，并对所述管道巡检视频样本逐帧进行损伤信息标注，得到有损伤的正样本图像和无损伤的负样本图像；
特征提取单元，用于将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图；
网络优化单元，用于根据所述样本特征图，调用预置AutoFusion算法对所述目标检测网络的特征提取层连接部分进行评价指标搜索，并将评价指标最高的组合对应的目标检测网络作为最优目标检测网络；
模型集成单元，用于调用预置Stacking集成算法对所述最优目标检测网络进行集成，得到管道损伤检测模型。
可选的，在一实施例中，所述特征提取单元具体用于：
将所述正样本图像和负样本图像输入预置输入层进行数据增强，得到增强样本图片；
对所述增强样本图片进行尺寸大小缩放和裁剪，得到标准样本图片；
将所述标准样本图片输入预置CSP网络进行特征提取，得到样本特征信息；
将所述样本特征信息输入预置Neck网络进行特征融合，得到样本特征图。
可选的，在一实施例中，所述网络优化单元具体用于：
调用预置AutoFusion算法，对所述目标检测网络的特征提取层连接部分进行一元运维运算，得到一元运算值；
将所述一元运算值输入预置操作层进行幅度函数运算，得到操作数；
将所述一元运算值和所述操作数进行组合，得到评价指标的组合；
将评价指标最高的组合对应的目标检测网络作为最优目标检测网络。
可选的，在一实施例中，所述模型集成单元具体用于：
调用预置Stacking集成算法，将所述样本特征图输入所述最优目标检测网络进行集成运算，得到第一层元特征；
对所述第一层元特征求平均值并将所述平均值输入所述最优目标检测网络进行集成运算，得到第二层元特征；
根据所述第二层元特征，对所述最优目标检测网络进行参数调节，直至所述最优目标检测网络收敛，得到管道损伤检测模型。
可选的，在一实施例中，所述检测模块502具体用于：
将所述管道巡检视频输入预置管道损伤检测模型中的CSP网络逐帧进行特征提取，得到特征信息；
将所述特征信息输入预置管道损伤检测模型中的Neck网络进行特征融合，得到特征图；
对所述特征图进行类别信息和位置信息分析，输出检测结果。
可选的，在一实施例中，所述管道损伤检测装置还包括：
储存模块，用于播放所述管道巡检标注视频，并判断当前视频帧中是否存在管道损伤；若是，则对当前视频帧进行截图，得到管道损伤图片，并提取所述管道损伤图片中的管道损伤信息；将所述管道损伤图片、所述管道损伤信息与当前视频播放时间点关联保存，并输出包含所述管道损伤信息的CSV格式文件。
本实施例鉴于现有依靠人工肉眼对管道进行检测不仅工作量大且容易误判或漏检，因此引入了机器学习方式生成了可用于对管道图像进行自动检测的模型，将待检测的管道视频输入该模型逐帧进行检测，所述模型可以实现快速对图像上的损伤信息进行检测，并且直接标定出损伤位置和类型，然后通过OpenCV接口将检测结果可视化，并将检测完毕的视频保存，用户只需观看标定好的视频即可快速获知是否有损伤、损伤类型以及损伤具体位置。本发明针对管道损伤检测这一特定任务构建了管道损伤检测模型，该模型具有对管道损伤检测任务更好的适用性，可以大大提高管道损伤检测的效率。
上面图5从模块化功能实体的角度对本发明实施例中的管道损伤检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中管道损伤检测设备进行详细描述。
图6是本发明实施例提供的一种管道损伤检测设备的结构示意图，该管道损伤检测设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)610(例如，一个或一个以上处理器)和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对管道损伤检测设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在管道损伤检测设备600上执行存储介质630中的一系列指令操作。
管道损伤检测设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的管道损伤检测设备结构并不构成对管道损伤检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。本发明还提供一种管道损伤检测设备，所述管道损伤检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述管道损伤检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述管道损伤检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种管道损伤检测方法，其特征在于，所述管道损伤检测方法包括：
获取待检测的管道巡检视频；
将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果；
若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框；
将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。
2.根据权利要求1所述的管道损伤检测方法，其特征在于，在所述获取待检测的下水管道视频之前，还包括：
获取多个管道巡检视频样本，并对所述管道巡检视频样本逐帧进行损伤信息标注，得到有损伤的正样本图像和无损伤的负样本图像；
将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图；
根据所述样本特征图，调用预置AutoFusion算法对所述目标检测网络的特征提取层连接部分进行评价指标搜索，并将评价指标最高的组合对应的目标检测网络作为最优目标检测网络；
调用预置Stacking集成算法对所述最优目标检测网络进行集成，得到管道损伤检测模型。
3.根据权利要求2所述的管道损伤检测方法，其特征在于，所述将所述正样本图像和负样本图像输入预置目标检测网络进行特征提取，得到样本特征图包括：
将所述正样本图像和负样本图像输入预置输入层进行数据增强，得到增强样本图片；
对所述增强样本图片进行尺寸大小缩放和裁剪，得到标准样本图片；
将所述标准样本图片输入预置CSP网络进行特征提取，得到样本特征信息；
将所述样本特征信息输入预置Neck网络进行特征融合，得到样本特征图。
4.根据权利要求2所述的管道损伤检测方法，其特征在于，所述根据所述样本特征图，调用预置AutoFusion算法对所述目标检测网络的特征提取层连接部分进行评价指标搜索，并将评价指标最高的组合对应的目标检测网络作为最优目标检测网络包括：
调用预置AutoFusion算法，对所述目标检测网络的特征提取层连接部分进行一元运维运算，得到一元运算值；
将所述一元运算值输入预置操作层进行幅度函数运算，得到操作数；
将所述一元运算值和所述操作数进行组合，得到评价指标的组合；
将评价指标最高的组合对应的目标检测网络作为最优目标检测网络。
5.根据权利要求2所述的管道损伤检测方法，其特征在于，所述调用预置Stacking集成算法对所述最优目标检测网络进行集成，得到管道损伤检测模型包括：
调用预置Stacking集成算法，将所述样本特征图输入所述最优目标检测网络进行集成运算，得到第一层元特征；
对所述第一层元特征求平均值并将所述平均值输入所述最优目标检测网络进行集成运算，得到第二层元特征；
根据所述第二层元特征，对所述最优目标检测网络进行参数调节，直至所述最优目标检测网络收敛，得到管道损伤检测模型。
6.根据权利要求3所述的管道损伤检测方法，其特征在于，所述将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果包括：
将所述管道巡检视频输入预置管道损伤检测模型中的CSP网络逐帧进行特征提取，得到特征信息；
将所述特征信息输入预置管道损伤检测模型中的Neck网络进行特征融合，得到特征图；
对所述特征图进行类别信息和位置信息分析，输出检测结果。
7.根据权利要求1-6中任一项所述的管道损伤检测方法，其特征在于，在所述将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频之后，还包括：
播放所述管道巡检标注视频，并判断当前视频帧中是否存在管道损伤；
若是，则对当前视频帧进行截图，得到管道损伤图片，并提取所述管道损伤图片中的管道损伤信息；
将所述管道损伤图片、所述管道损伤信息与当前视频播放时间点关联保存，并输出包含所述管道损伤信息的CSV格式文件。
8.一种管道损伤检测装置，其特征在于，所述管道损伤检测装置包括：
获取模块，用于获取待检测的管道巡检视频；
检测模块，用于将所述管道巡检视频输入预置管道损伤检测模型进行逐帧检测，输出检测结果；
可视化模块，用于若所述检测结果为当前视频帧中存在管道损伤，则调用预置OpenCV接口，将所述检测结果中的五维向量可视化为检测框；
输出模块，用于将所述检测框与所述管道巡检视频中的对应视频帧相结合，得到标注有管道损伤位置和损伤种类的管道巡检标注视频。
9.一种管道损伤检测设备，其特征在于，所述管道损伤检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述管道损伤检测设备执行如权利要求1-7中任一项所述的管道损伤检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的管道损伤检测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011385962.5A CN112446870B (zh) | 2020-12-02 | 2020-12-02 | 管道损伤检测方法、装置、设备及存储介质 |
| PCT/CN2021/083573 WO2022116433A1 (zh) | 2020-12-02 | 2021-03-29 | 管道损伤检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011385962.5A CN112446870B (zh) | 2020-12-02 | 2020-12-02 | 管道损伤检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112446870A true CN112446870A (zh) | 2021-03-05 |
| CN112446870B CN112446870B (zh) | 2024-07-09 |
Family
ID=74740456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011385962.5A Active CN112446870B (zh) | 2020-12-02 | 2020-12-02 | 管道损伤检测方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112446870B (zh) |
| WO (1) | WO2022116433A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966678A (zh) * | 2021-03-11 | 2021-06-15 | 南昌航空大学 | 一种文本检测方法及系统 |
| CN113362285A (zh) * | 2021-05-21 | 2021-09-07 | 同济大学 | 一种钢轨表面伤损细粒度图像分类与检测方法 |
| CN114283319A (zh) * | 2021-12-24 | 2022-04-05 | 中车大连电力牵引研发中心有限公司 | 一种机车轮对踏面剥离识别方法 |
| CN114429639A (zh) * | 2022-01-27 | 2022-05-03 | 广联达科技股份有限公司 | 一种管线标注识别方法及装置 |
| CN114550038A (zh) * | 2022-02-18 | 2022-05-27 | 安徽辉采科技有限公司 | 视频智能识别供水管道爆管的方法 |
| WO2022116433A1 (zh) * | 2020-12-02 | 2022-06-09 | 平安科技（深圳）有限公司 | 管道损伤检测方法、装置、设备及存储介质 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116123988B (zh) * | 2023-04-14 | 2023-07-11 | 国家石油天然气管网集团有限公司 | 一种基于数据处理的管道几何变形检测方法及系统 |
| CN116382224B (zh) * | 2023-06-05 | 2023-08-04 | 云印技术(深圳)有限公司 | 一种基于数据分析的包装设备监测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287798A (zh) * | 2019-05-27 | 2019-09-27 | 魏运 | 基于特征模块化和上下文融合的矢量网络行人检测方法 |
| WO2020140371A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技（深圳）有限公司 | 基于深度学习的识别车辆损伤的方法和相关装置 |
| CN111667011A (zh) * | 2020-06-08 | 2020-09-15 | 平安科技（深圳）有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264444B (zh) * | 2019-05-27 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 基于弱分割的损伤检测方法及装置 |
| CN110390666B (zh) * | 2019-06-14 | 2023-06-27 | 平安科技（深圳）有限公司 | 道路损伤检测方法、装置、计算机设备及存储介质 |
| CN110490079B (zh) * | 2019-07-19 | 2022-06-03 | 万翼科技有限公司 | 巡检数据处理方法、装置、计算机设备和存储介质 |
| CN112446870B (zh) * | 2020-12-02 | 2024-07-09 | 平安科技（深圳）有限公司 | 管道损伤检测方法、装置、设备及存储介质 |
-
2020
- 2020-12-02 CN CN202011385962.5A patent/CN112446870B/zh active Active
-
2021
- 2021-03-29 WO PCT/CN2021/083573 patent/WO2022116433A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020140371A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技（深圳）有限公司 | 基于深度学习的识别车辆损伤的方法和相关装置 |
| CN110287798A (zh) * | 2019-05-27 | 2019-09-27 | 魏运 | 基于特征模块化和上下文融合的矢量网络行人检测方法 |
| CN111667011A (zh) * | 2020-06-08 | 2020-09-15 | 平安科技（深圳）有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张宇维: "城市排水管内窥图像分类与病害智能检测研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 2, 15 February 2020 (2020-02-15), pages 038 - 1379 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022116433A1 (zh) * | 2020-12-02 | 2022-06-09 | 平安科技（深圳）有限公司 | 管道损伤检测方法、装置、设备及存储介质 |
| CN112966678A (zh) * | 2021-03-11 | 2021-06-15 | 南昌航空大学 | 一种文本检测方法及系统 |
| CN113362285A (zh) * | 2021-05-21 | 2021-09-07 | 同济大学 | 一种钢轨表面伤损细粒度图像分类与检测方法 |
| CN113362285B (zh) * | 2021-05-21 | 2023-02-07 | 同济大学 | 一种钢轨表面伤损细粒度图像分类与检测方法 |
| CN114283319A (zh) * | 2021-12-24 | 2022-04-05 | 中车大连电力牵引研发中心有限公司 | 一种机车轮对踏面剥离识别方法 |
| CN114429639A (zh) * | 2022-01-27 | 2022-05-03 | 广联达科技股份有限公司 | 一种管线标注识别方法及装置 |
| CN114429639B (zh) * | 2022-01-27 | 2024-05-03 | 广联达科技股份有限公司 | 一种管线标注识别方法及装置 |
| CN114550038A (zh) * | 2022-02-18 | 2022-05-27 | 安徽辉采科技有限公司 | 视频智能识别供水管道爆管的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112446870B (zh) | 2024-07-09 |
| WO2022116433A1 (zh) | 2022-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112446870A (zh) | 管道损伤检测方法、装置、设备及存储介质 | |
| CN111340797B (zh) | 一种激光雷达与双目相机数据融合检测方法及系统 | |
| Hoang et al. | Metaheuristic optimized edge detection for recognition of concrete wall cracks: a comparative study on the performances of roberts, prewitt, canny, and sobel algorithms | |
| Vishwakarma et al. | Cnn model & tuning for global road damage detection | |
| CN111768388B (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
| CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN119006469B (zh) | 基于机器视觉的基板玻璃表面缺陷自动检测方法及系统 | |
| CN110992349A (zh) | 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 | |
| CN110264444B (zh) | 基于弱分割的损伤检测方法及装置 | |
| CN114549548B (zh) | 基于偏振线索的玻璃图像分割方法 | |
| CN114973246A (zh) | 一种基于光流对齐的交叉模式神经网络的裂缝检测方法 | |
| JPWO2019215746A5 (zh) | ||
| Nassar et al. | Assessing data quality of annotations with Krippendorff alpha for applications in computer vision | |
| CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
| CN110472638A (zh) | 一种目标检测方法、装置及设备、存储介质 | |
| CN119130935A (zh) | 一种基于YOLOv8网络的PCB缺陷检测方法及系统 | |
| CN118379696A (zh) | 一种船舶目标检测方法、装置及可读存储介质 | |
| CN113807364A (zh) | 一种基于三光融合成像的电力设备缺陷检测方法及系统 | |
| JP2011044016A (ja) | 三次元細胞画像解析装置 | |
| CN119478543A (zh) | 基于多光谱图像融合的gis开关异物检测方法及相关设备 | |
| CN117523311A (zh) | 一种基于改进YOLOv7的三通管检测方法及系统 | |
| CN112818965B (zh) | 多尺度影像目标检测方法、系统、电子设备及存储介质 | |
| CN116543049A (zh) | 面向微纳操作的两阶段视觉检测方法、系统、装置和设备 | |
| CN114782877A (zh) | 阀门故障检测方法、装置、设备及存储介质 | |
| CN119205865B (zh) | 一种部分到整体非刚性点云配准方法及系统 |
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 |