[发明专利]一种基于3D卷积神经网络的地下空间管道异常检测方法

说明书

本发明提供了一种计算机视觉的地下空间管道异常检测方法。本发明对采样的视频数据进行标记，抽取视频帧，采用深度学习中的三维卷积核法(3D CNN)训练卷积神经网络所需的样本集，对样本集进行预处理，批量修改为尺寸为200*200。设计三维卷积核网络结构，进行训练；针对采取的视频数据，对于缺陷帧进行粗略选择，然后每隔15ms对视频进行采样，并将采样帧输入到神经网络中，检测是否有异常情况存在。

技术领域

本发明涉及地下空间的地下管道领域，特别是基于计算机视觉领域的地下空间管道异常检测方法。

背景技术

随着城市化进程的不断加快，多数城市都在不同程度上出现了空间发展受限的情况，具体表现为交通道路拥堵、公共服务基础设施严重不足、城市空间环境恶化等情况，即所谓的“城市综合症”。空间受限严重阻碍了现代城市可持续发展的进程。城市地下空间的开发利用是解决城市建设空间不足和提高城市综合功能的有效途径，是提高土地利用率和促进城市可持续发展的一项有效措施。

虽然近年来中国许多大中城市已经开展了各个层面的地下空间规划和建设，取得了一定的成绩。但处于朝阳发展阶段的中国城市地下空间规划，仍然面临着一系列问题。地下管道异常检测是一个复杂且庞大的过程，在地下空间建设维护等方面有着广泛的应用前景。管道的检测技术主要有以下几种技术漏磁法、超声波法、涡流法、光环图像法、环形光切图像法、PSD单点扫描法、全向检测法、内窥镜检测法等。针对该问题，目前主要有通过人工的方法，安排专门人员对视频进行浏览，手动找出有问题的影像，然后手动标记缺陷。这种方法效率十分低下，且容易受人的主观情绪影响，容易出错。

本发明主要提出一种基于计算机视觉领域的地下空间管道异常检测方法，能够进一步提高检测效率和准确率。首先采样视频样本，然后对样本进行标记训练，能够快速检测地下空间管道的情况。应用CNN一个简单的方法就是对每一帧运用CNN来识别，但是这种方法并没有考虑到连续帧间的运动信息。为了有效的综合信息，提出了一种3D卷积的方法。通过在CNNs的卷积层进行3D卷积，以捕捉在时间和空间维度都具有区分性的特征。

发明内容

本发明主要提出一种基于计算机视觉领域的地下空间管道异常检测方法，能够进一步提高地下空间管道检测效率和准确率。对采样的视频数据进行标记，抽取视频帧，采用深度学习中的三维卷积核法(3D CNN)训练卷积神经网络所需的样本集，对样本集进行预处理，批量修改为尺寸200*200。设计三维卷积核网络结构，进行训练；针对采取的视频数据，对于缺陷帧进行粗略选择，然后每隔15ms对视频进行采样，并将采样帧输入到神经网络中，检测是否有异常情况存在。

本发明所采用的技术方案是：

一种基于计算机视觉的地下空间管道异常检测方法，包括以下步骤：

步骤1：从大量的管道机器人拍摄的视频中抽取视频帧，分为A、B两个样本集；

步骤2：对样本集进行预处理，统一改为尺寸为200*200，建立训练数据集，将图片划分为训练集、验证集和测试集；

步骤3：设计三维卷积核(3D CNN)的网络结构，进行训练，得到权重矩阵；

步骤4：针对现有的视频数据，对缺陷目标首先进行粗略选择，然后每间隔15ms进行采样；

步骤5：将每一个采样的视频帧划分批次batch输入到三维卷积中进行训练，为了避免出现过拟合，对训练数据进行数据增强，方法包括改变图像色彩、水平翻转，加噪声，在送入进行训练之前对图像进行标准化处理，并判断是否有异常存在；

步骤6：根据步骤5中的结果，综合判断是否有异常存在。

进一步，步骤1中A样本集为正常的图像，B为有异常存在的图像。