[发明专利]一种基于多实例学习的城市排水管道视频异常检测方法

说明书

本发明涉及管道异常检测技术领域，公开了一种基于多实例学习的城市排水管道视频异常检测方法，包括以下步骤：对排水管道视频进行数据采样处理，构建方法的输入X^img∈R^{B×K×H×W×C}与X^diff∈R^{B×K×H×W×C}；根据方法的输入X^img∈R^{B×K×H×W×C}与X^diff∈R^{B×K×H×W×C}，计算方法的输出和根据方法的输出和方法的输入，计算出方法的输出和输入数据真实值之间的差距L；根据差距L，计算更新方法的参数θ；给定方法所需迭代的优化次数为T，如果迭代次数达到T次，则方法优化过程结束。通过计算机自动审查排水管道视频中是否包含异常，可以节省非常多的人力成本，处理单个视频所需时间更短，可以节省审查排水管道视频的时间，经过大量的数据训练后，处理结果会更加稳定，提高了城市排水管道视频异常检测方法的检测精度。

技术领域

本发明涉及管道异常检测技术领域，尤其涉及一种基于多实例学习的城市排水管道视频异常检测方法。

背景技术

城市的排水管道是保障城市居民正常生活的重要设施，随着城市面积的逐渐扩张，城市中需要排放的污水、雨水、废弃物或残渣也越来越多，城市的排水管道的铺设长度也随着城市面积的增加而快速增长，给排水管道的异常检测和维护带来了巨大的工作量。

现有技术中，排水管道的异常检测任务主要依靠人工审核采集回来的排水管道内部的视频。然而，因为城市面积的扩张，每天需要人工审核的排水管道视频数量快速增长，从而需要更多的人力去审核排水管道视频，导致效率比较低下。此外，管道异常可以细分为16类异常：渗漏，支管暗接，异物插入，接口材料脱落，脱节，起伏，错口，腐蚀，变形，破裂，沉积，结垢，障碍物，残墙坝根，树根，浮渣。其中，异物插入，起伏和错口，这几类异常很容易被人工审查遗漏，因此给排水管道的异常检测结果带来一定的偏差，影响排水管道视频的异常检测精度。

因此，如何提高城市排水管道视频异常检测方法的检测精度成为亟待解决的技术问题。

发明内容

本发明要解决的技术问题在于如何提高城市排水管道视频异常检测方法的检测精度。

为此，根据第一方面，本发明实施例公开了一种基于多实例学习的城市排水管道视频异常检测方法，包括：S10，对排水管道视频进行数据采样处理，构建方法的输入X^img∈R^{B×K×H×W×C}与X^diff∈R^{B×K×H×W×C}；S20，根据所述方法的输入X^img∈R^{B×K×H×W×C}与X^diff∈R^{B×K×H×W×C}，计算方法的输出和S30，根据所述方法的输出和所述方法的输入，计算出所述方法的输出和输入数据真实值之间的差距L；S40，根据所述差距L，计算更新方法的参数θ；S50，给定方法所需迭代的优化次数为T，如果迭代次数达到T次，则方法优化过程结束。

可选地，所述方法还包括：S60，给定方法所需迭代的优化次数为T，如果迭代次数未达到T次，则返回步骤S10继续优化。

可选地，所述步骤S10包括：S110，根据排水管道视频的数据集，随机采样出B个视频；S120，从每个采样视频中均匀采样出K帧视频图像，计算所述K帧视频图像与下一帧的K帧差分图像，且通过最大最小值归一化方法将所述K帧差分图像的取值范围设置为0到1；S130，给出采样视频分辨率的高H、采样视频分辨率的宽W以及采样视频中单帧图像的通道数C，并根据所述B个视频与所述K帧视频图像，构建方法的输入X^img∈R^{B×K×H×W×C}与X^diff∈R^{B×K×H×W×C}。