本發(fā)明涉及圖像識別，尤其是涉及一種基于卷積神經(jīng)網(wǎng)絡的管道圖像的缺陷識別方法及裝置。

背景技術：

1、污水管網(wǎng)被稱為城市的“靜脈”，承擔著城市工業(yè)廢水以及生活污水的收集、輸送和排放的作用，因此，對于維持城市的日常運轉(zhuǎn)起著非常關鍵的作用。因此，需要時常對污水管網(wǎng)進行維護與檢查，以便于觀察判斷污水管網(wǎng)內(nèi)部是否存在缺陷，常用的檢測方法包括cctv檢測技術、qv檢測技術、水質(zhì)水量分析技術、探底雷達檢測技術等等；

2、對于檢測視頻或者檢測的圖像一般較多的還是采用人工判讀法進行識別是否存在缺陷以及缺陷類型、等級等等；當然也有不少圖像識別技術應用于污水管網(wǎng)視頻中缺陷圖像的識別與提取。如何提高圖像識別的正確率，其中，關鍵的是對圖像進行有效處理，目前傳統(tǒng)圖像處理算法有：濾波、邊緣檢測、圖像合成、圖像分割等。這些方法主要依賴于手工設計的特征提取器，如sobel、canny等，以及傳統(tǒng)的機器學習算法進行分類。這些圖像處理存在各種各樣的缺點；如（1）在灰度化過程中，無法有效提取對比度、顏色通道和灰度像素特征；（2）在灰度化過程中，采用圖像全局灰度變換，而該方式對整幅圖像應用相同的轉(zhuǎn)換規(guī)則，無法針對不同區(qū)域的細節(jié)進行優(yōu)化等等。

3、因此，對于復雜多變的管道內(nèi)部環(huán)境，尤其是當缺陷特征與背景差異不明顯時，全局灰度變換難以有效突顯缺陷。此外，由于沒有考慮管道內(nèi)部結(jié)構的多樣性以及缺陷類型的差異，傳統(tǒng)方法難以對特定類型的缺陷進行精確識別。這導致了檢測結(jié)果不夠準確，可能遺漏一些細微但重要的缺陷。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于卷積神經(jīng)網(wǎng)絡的管道圖像的缺陷識別方法及裝置，能夠顯著提升管道圖像缺陷識別的效果。

2、第一方面，本發(fā)明實施例提供了一種基于卷積神經(jīng)網(wǎng)絡的管道圖像的缺陷識別方法，該方法包括：獲取待識別的排水管網(wǎng)圖像，以及排水管網(wǎng)圖像對應的標準排水管網(wǎng)圖像；對排水管網(wǎng)圖像和標準排水管網(wǎng)圖像分別進行分段線性灰度變換處理，得到排水管網(wǎng)圖像對應的第一灰度圖像和標準排水管網(wǎng)圖像對應的第二灰度圖像；確定第一灰度圖像和第二灰度圖像之間的灰度像素差值；基于灰度像素差值生成特征矩陣，通過預設的卷積神經(jīng)網(wǎng)絡對特征矩陣進行特征識別，輸出排水管網(wǎng)圖像的識別結(jié)果；基于識別結(jié)果，確定排水管網(wǎng)圖像指示的排水管網(wǎng)的缺陷類別。

3、結(jié)合第一方面，本發(fā)明實施例還提供第一方面的第一種實施方式，其中，確定第一灰度圖像和第二灰度圖像之間的灰度像素差值的步驟，包括：基于預設的分割尺寸，對第一灰度圖像和第二灰度圖像進行分割，得到第一灰度圖像對應的多個第一分割圖像和第二灰度圖像對應的多個第二分割圖像；將每個第一分割圖像的像素灰度值和對應的第二分割圖像的像素灰度值相減，得到排水管網(wǎng)圖像在對應分割位置的灰度像素差值。

4、結(jié)合第一方面，本發(fā)明實施例還提供第一方面的第二種實施方式，其中，基于灰度像素差值生成特征矩陣的步驟，包括：確定排水管網(wǎng)圖像在每個分割位置的灰度像素差值的絕對值；基于絕對值，生成排水管網(wǎng)圖像對應的特征矩陣。

5、結(jié)合第一方面，本發(fā)明實施例還提供第一方面的第三種實施方式，其中，對排水管網(wǎng)圖像和標準排水管網(wǎng)圖像分別進行分段線性灰度變換處理，得到排水管網(wǎng)圖像對應的第一灰度圖像和標準排水管網(wǎng)圖像對應的第二灰度圖像的步驟，包括：計算排水管網(wǎng)圖像和標準排水管網(wǎng)圖像分別對應的初始灰度值；獲取預先設置的多個灰度變換閾值，將初始灰度值和灰度變換閾值進行比對，確定當前初始灰度值對應的變換區(qū)間；變換區(qū)間包括預設的變換斜率；基于變換區(qū)間，對初始灰度值進行線性變換處理，得到變換后的灰度值；基于變換后的灰度值，確定排水管網(wǎng)圖像對應的第一灰度圖像，或者，標準排水管網(wǎng)圖像對應的第二灰度圖像。

6、結(jié)合第一方面，本發(fā)明實施例還提供第一方面的第四種實施方式，其中，計算排水管網(wǎng)圖像和標準排水管網(wǎng)圖像分別對應的初始灰度值的步驟，包括：獲取排水管網(wǎng)圖像，或標準排水管網(wǎng)圖像中每個像素對應的紅色像素分量、綠色像素分量和藍色像素分量；根據(jù)預設的分量權重，計算紅色像素分量、綠色像素分量和藍色像素分量的加權和；基于加權和，確定排水管網(wǎng)圖像對應的初始灰度值，或者，或標準排水管網(wǎng)圖像對應的初始灰度值。

7、結(jié)合第一方面，本發(fā)明實施例還提供第一方面的第五種實施方式，其中，上述方法還包括：基于排水管網(wǎng)圖像的灰度圖像的局部區(qū)域方差，對灰度圖像進行降噪處理。

8、結(jié)合第一方面，本發(fā)明實施例還提供第一方面的第六種實施方式，其中，上述方法還包括：通過預先構建的訓練樣本集對預設的卷積神經(jīng)網(wǎng)絡進行訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡；其中，訓練樣本集中包括缺陷管道圖像對應的缺陷特征矩陣，卷積神經(jīng)網(wǎng)絡包括多個卷積層、多個池化層和全連接層，多個卷積層和多個池化層交替設置；全連接層設置有預設的dropout率。

9、結(jié)合第一方面，本發(fā)明實施例還提供第一方面的第七種實施方式，其中，每個卷積層包括預設尺寸的卷積核和預設的卷積步長。

10、結(jié)合第一方面，本發(fā)明實施例還提供第一方面的第八種實施方式，其中，每個池化層包括預設的運算尺度和預設的移動步長。

11、第二方面，本發(fā)明實施例提供一種基于卷積神經(jīng)網(wǎng)絡的管道圖像的缺陷識別裝置，其中，該裝置包括：圖像獲取模塊，用于獲取待識別的排水管網(wǎng)圖像，以及排水管網(wǎng)圖像對應的標準排水管網(wǎng)圖像；數(shù)據(jù)處理模塊，用于對排水管網(wǎng)圖像和標準排水管網(wǎng)圖像分別進行分段線性灰度變換處理，得到排水管網(wǎng)圖像對應的第一灰度圖像和標準排水管網(wǎng)圖像對應的第二灰度圖像；計算模塊，用于確定第一灰度圖像和第二灰度圖像之間的灰度像素差值；執(zhí)行模塊，用于基于灰度像素差值生成特征矩陣，通過預設的卷積神經(jīng)網(wǎng)絡對特征矩陣進行特征識別，輸出排水管網(wǎng)圖像的識別結(jié)果；輸出模塊，用于基于識別結(jié)果，確定排水管網(wǎng)圖像指示的排水管網(wǎng)的缺陷類別。

12、本發(fā)明實施例帶來了以下有益效果：本發(fā)明實施例提供的一種基于卷積神經(jīng)網(wǎng)絡的管道圖像的缺陷識別方法及裝置，將分段線性灰度變換和基于深度學習的特征識別相結(jié)合，使系統(tǒng)能夠在不同的光照條件、噪聲水平下保持較高的性能。此外，該方法可以通過不斷更新訓練集來適應新的缺陷類型，具有良好的泛化能力和長期適用性。且，本發(fā)明實施例利用預訓練的卷積神經(jīng)網(wǎng)絡對這些特征進行分析，實現(xiàn)了從圖像數(shù)據(jù)到缺陷類別自動化的映射過程。此步驟大大減少了人工參與的程度，提高了工作效率，同時保證了分類結(jié)果的一致性和客觀性。

13、其中，本發(fā)明實施例采用分段線性灰度變換處理，能夠根據(jù)圖像內(nèi)容的不同區(qū)域特性調(diào)整灰度映射關系，從而更有效地突顯出各種類型的缺陷細節(jié)。這種方法不僅增強了圖像的整體對比度，還特別關注了局部區(qū)域的變化，使得微小或隱蔽的缺陷更加明顯?；叶认袼夭钪悼梢詼蚀_定位到圖像中的缺陷區(qū)域。相比傳統(tǒng)的全局處理方式，這種方法能夠更精細地區(qū)分正常結(jié)構與異常情況，提高缺陷檢測的準確性。

14、本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點在說明書、權利要求書以及附圖中所特別指出的結(jié)構來實現(xiàn)和獲得。

15、為使本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。