[发明专利]基于深度学习的管道检测识别方法、存储介质及机器人

权利要求书

1.一种基于深度学习的管道检测识别方法，其特征是，包括：

获得当前用户的当前触发信息；

从预先设置的触发信息与指令信息之间的对应关系中，查找与所述当前触发信息对应的当前指令信息；所述触发信息包括图像处理触发信息，所述指令信息包括与图像处理触发信息相互关联的图像处理执行信息；

根据图像处理执行信息以获取对应于被检测位置的当前位置图像信息；根据当前位置图像信息中的文字进行文字识别处理以形成当前位置文字信息以及根据当前位置图像信息中的管道缺陷进行判断以形成当前位置管道缺陷信息；

根据相互关联的所述当前位置文字信息与当前位置管道缺陷信息以形成当前位置管道缺陷表格信息；

获取对应于被检测位置的当前位置图像信息的方法如下：

依次载入当前工作日下视频目录的视频数据信息；所述视频数据信息为通过CCTV管道机器人进行管道内窥检测所获取的视频；

根据视频数据信息进行分帧提取处理以形成相应被检测位置所对应的当前位置图像信息；

根据视频数据信息所对应的名称以及当前位置图像信息所对应的帧数以建立对应目录文件进行存储；

在进行文字识别处理之前需要对当前位置图像信息进行预处理，具体方法如下：

依次载入当前位置图像信息；

根据当前位置图像信息进行灰度化处理以形成一级预处理图像信息；

根据一级预处理图像信息进行降噪处理以形成而二级预处理图像信息；

根据二级预处理图像信息进行归一化处理以形成而三级预处理图像信息；

根据三级预处理图像信息进行字符切分处理以形成文字待识别图像信息；

文字识别处理的方法如下：

依次读取文字待识别图像信息；

根据OCR文字识别模型对读取到的文字待识别图像信息进行文字识别以形成独立文字识别信息，

根据每个目录文件中存储的当前位置图像信息所对应的若干文字待识别图像信息以对独立文字识别信息进行成段排序并形成当前位置文字信息；

将当前位置文字信息存储于对应于当前位置图像信息的目录文件中；

管道缺陷判断的方法如下：

依次载入当前位置图像信息；

将当前位置图像信息输入至预先训练好的faster-RCNN网络模型中，得到faster-RCNN网络模型的输出，faster-RCNN网络模型的输出中提取出当前位置管道缺陷信息；

所述当前位置管道缺陷信息包括有无缺陷分类信息以及详细缺陷信息；

根据预先训练好的faster-RCNN网络模型以获取有无缺陷分类信息；

基于有无缺陷分类信息并根据预先训练好的faster-RCNN网络模型以获取详细缺陷信息。