本發(fā)明涉及圖像識別，尤其是涉及一種聚焦管網(wǎng)系統(tǒng)的圖像識別方法及裝置。

背景技術(shù)：

1、在管道檢測中，準(zhǔn)確識別管道內(nèi)部的缺陷（如腐蝕、裂紋、變形等）對于確保管道的安全運(yùn)行至關(guān)重要。傳統(tǒng)的方法通常依賴于人工檢查或采用簡單的圖像處理技術(shù)，如閾值分割或邊緣檢測，難以有效捕捉復(fù)雜背景下的細(xì)微缺陷特征?，F(xiàn)有技術(shù)無法適應(yīng)不同光照條件、噪聲水平和管道材質(zhì)變化，導(dǎo)致檢測結(jié)果不穩(wěn)定，誤報率和漏報率較高。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種聚焦管網(wǎng)系統(tǒng)的圖像識別方法及裝置，能夠提高特征提取的效果，提高圖像缺陷識別的準(zhǔn)確性。

2、第一方面，本發(fā)明實(shí)施例提供了一種聚焦管網(wǎng)系統(tǒng)的圖像識別方法，其中，該方法包括：獲取預(yù)設(shè)管道的管道圖像，繪制管道圖像的灰度直方圖；基于灰度直方圖，確定管道圖像的灰度值頻率分布；根據(jù)灰度值頻率分布對管道圖像進(jìn)行圖像分割，得到管道圖像的多個分割子圖像；對管道圖像的每個分割子圖像進(jìn)行高斯濾波處理，得到每個分割子圖像對應(yīng)的增強(qiáng)圖像；利用預(yù)先構(gòu)建的管道圖像識別模型對管道圖像的增強(qiáng)圖像進(jìn)行識別，輸出管道圖像的缺陷類型預(yù)測結(jié)果；?基于缺陷類型預(yù)測結(jié)果確定管道圖像的管道缺陷。

3、結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第一種實(shí)施方式，其中，根據(jù)灰度值頻率分布對管道圖像進(jìn)行圖像分割，得到管道圖像的多個分割子圖像的步驟，包括：根據(jù)灰度值頻率分布，確定管道圖像在灰度值頻率分布對應(yīng)的灰度區(qū)間的圖像分割閾值；?基于圖像分割閾值，對管道圖像進(jìn)行區(qū)域劃分，形成管道圖像的多個分割子圖像。

4、結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第二種實(shí)施方式，其中，基于圖像分割閾值，對管道圖像進(jìn)行區(qū)域劃分的步驟，包括：基于預(yù)設(shè)的最大類間方差法根據(jù)圖像分割閾值對管道圖像進(jìn)行圖像分割，得到管道圖像的多個分割區(qū)域。

5、結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第三種實(shí)施方式，其中，對管道圖像的每個分割子圖像進(jìn)行高斯濾波處理，得到每個分割子圖像對應(yīng)的增強(qiáng)圖像的步驟，包括：將分割子圖像的中心位置作為坐標(biāo)原點(diǎn)，對分割子圖像進(jìn)行取樣，確定預(yù)設(shè)的高斯濾波器在管道圖像的每個分割區(qū)域的位置坐標(biāo)；基于位置坐標(biāo)確定當(dāng)前分割區(qū)域的分割子圖像的權(quán)重值，計算管道圖像對應(yīng)的高斯濾波器矩陣；利用高斯濾波器矩陣對每個分割子圖像進(jìn)行卷積運(yùn)算，得到每個分割子圖像對應(yīng)的增強(qiáng)圖像。

6、結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第四種實(shí)施方式，其中，計算管道圖像對應(yīng)的高斯濾波器矩陣的步驟，包括：將分割子圖像的權(quán)重值按照管道圖像的分割區(qū)域位置進(jìn)行排列，得到初始高斯濾波矩陣；對初始高斯濾波矩陣歸一化處理，生成管道圖像對應(yīng)的高斯濾波器矩陣。

7、結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第五種實(shí)施方式，其中，管道圖像識別模型基于預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建；利用預(yù)先構(gòu)建的管道圖像識別模型對管道圖像的增強(qiáng)圖像進(jìn)行識別，輸出管道圖像的缺陷類型預(yù)測結(jié)果的步驟，包括：通過管道圖像識別模型的卷積神經(jīng)網(wǎng)絡(luò)對增強(qiáng)圖像進(jìn)行卷積計算，輸出增強(qiáng)圖像的目標(biāo)特征；利用卷積神經(jīng)網(wǎng)絡(luò)的全連接層對目標(biāo)特征進(jìn)行映射，確定目標(biāo)特征指示的缺陷類型概率分布；基于缺陷類型概率分布，確定管道圖像的缺陷類型預(yù)測結(jié)果。

8、結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第六種實(shí)施方式，其中，方法還包括：利用預(yù)設(shè)的訓(xùn)練樣本集訓(xùn)練預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)對應(yīng)的目標(biāo)函數(shù)；訓(xùn)練樣本集包括多個缺陷類型的管道圖像樣本；基于訓(xùn)練好的目標(biāo)函數(shù)，構(gòu)建管道圖像識別模型。

9、結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第七種實(shí)施方式，其中，目標(biāo)函數(shù)的構(gòu)建方法，包括：獲取訓(xùn)練樣本集中每個樣本對應(yīng)的預(yù)測概率；基于預(yù)測概率，計算每個缺陷類型分別對應(yīng)的交叉熵?fù)p失，構(gòu)建初始目標(biāo)函數(shù)；對初始目標(biāo)函數(shù)中的權(quán)重參數(shù)進(jìn)行優(yōu)化，使初始目標(biāo)函數(shù)最小化，確定最終的目標(biāo)函數(shù)。

10、結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第八種實(shí)施方式，其中，構(gòu)建初始目標(biāo)函數(shù)的步驟，包括：計算每個缺陷類型分別對應(yīng)的交叉熵?fù)p失對應(yīng)的平均損失；對平均損失引入正則化項，構(gòu)建訓(xùn)練樣本集對應(yīng)的初始目標(biāo)函數(shù)。

11、第二方面，本發(fā)明實(shí)施例提供了一種聚焦管網(wǎng)系統(tǒng)的圖像識別裝置，其中，該裝置包括：數(shù)據(jù)獲取模塊，用于獲取預(yù)設(shè)管道的管道圖像，繪制管道圖像的灰度直方圖；計算模塊，用于基于灰度直方圖，確定管道圖像的灰度值頻率分布；執(zhí)行模塊，用于根據(jù)灰度值頻率分布對管道圖像進(jìn)行圖像分割，得到管道圖像的多個分割子圖像；數(shù)據(jù)處理模塊，用于對管道圖像的每個分割子圖像進(jìn)行高斯濾波處理，得到每個分割子圖像對應(yīng)的增強(qiáng)圖像；識別模塊，用于利用預(yù)先構(gòu)建的管道圖像識別模型對管道圖像的增強(qiáng)圖像進(jìn)行識別，輸出管道圖像的缺陷類型預(yù)測結(jié)果；輸出模塊，用于基于缺陷類型預(yù)測結(jié)果確定管道圖像的管道缺陷。

12、本發(fā)明實(shí)施例帶來了以下有益效果：本發(fā)明實(shí)施例提供的一種聚焦管網(wǎng)系統(tǒng)的圖像識別方法及裝置，通過分析灰度直方圖中的頻率峰值來確定分割標(biāo)準(zhǔn)，可以根據(jù)不同的圖像內(nèi)容確定對應(yīng)的分割方式，能夠更準(zhǔn)確地反映圖像的實(shí)際特征，提高了分割的精度和適應(yīng)性。在分割后對每個子圖像進(jìn)行針對性的增強(qiáng)處理，不僅增強(qiáng)了圖像質(zhì)量，還特別針對不同區(qū)域的特性進(jìn)行了優(yōu)化，確?？梢栽诟逦?、更聚焦的圖像上進(jìn)行圖像識別，從而提高特征提取的效果。

13、本發(fā)明的其他特征和優(yōu)點(diǎn)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(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)在說明書、權(quán)利要求書以及附圖中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。

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

技術(shù)特征：

1.一種聚焦管網(wǎng)系統(tǒng)的圖像識別方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述灰度值頻率分布對所述管道圖像進(jìn)行圖像分割，得到所述管道圖像的多個分割子圖像的步驟，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，基于所述圖像分割閾值，對所述管道圖像進(jìn)行區(qū)域劃分的步驟，包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，對所述管道圖像的每個所述分割子圖像進(jìn)行高斯濾波處理，得到每個所述分割子圖像對應(yīng)的增強(qiáng)圖像的步驟，包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，計算所述管道圖像對應(yīng)的高斯濾波器矩陣的步驟，包括：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述管道圖像識別模型基于預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建；利用預(yù)先構(gòu)建的管道圖像識別模型對所述管道圖像的增強(qiáng)圖像進(jìn)行識別，輸出所述管道圖像的缺陷類型預(yù)測結(jié)果的步驟，包括：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述方法還包括：

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述目標(biāo)函數(shù)的構(gòu)建方法，包括：

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，構(gòu)建初始目標(biāo)函數(shù)的步驟，包括：

10.一種聚焦管網(wǎng)系統(tǒng)的圖像識別裝置，其特征在于，所述裝置包括：

技術(shù)總結(jié)
本發(fā)明提供了一種聚焦管網(wǎng)系統(tǒng)的圖像識別方法及裝置，涉及圖像識別技術(shù)領(lǐng)域，本發(fā)明通過分析管道圖像的灰度直方圖中的頻率峰值來確定圖像的分割標(biāo)準(zhǔn)，可以根據(jù)不同的圖像內(nèi)容確定對應(yīng)的分割方式，更準(zhǔn)確地反映圖像的實(shí)際特征，提高了分割的精度和適應(yīng)性。在分割后對每個分割子圖像分別進(jìn)行圖像增強(qiáng)處理，不僅增強(qiáng)了圖像質(zhì)量，還特別針對不同區(qū)域的特性進(jìn)行了優(yōu)化，從而使管道圖像識別模型能夠在更清晰、更聚焦的圖像上進(jìn)行圖像識別，提高特征提取的效果。

技術(shù)研發(fā)人員：申屠華斌,陽旭,周小勇,黃森軍,吳海天
受保護(hù)的技術(shù)使用者：中國電建集團(tuán)華東勘測設(shè)計研究院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15