[发明专利]一种基于多任务学习的排水管道异常类型自动检测方法

说明书

本发明涉及一种基于多任务学习的排水管道异常类型自动检测方法。首先通过分析管道缺陷深度特征信息将特征空间存在重叠的类别划分到同一分组中；然后基于分组情况构建多任务学习深度神经网络，该网络将分类任务划分为两级任务，高级分类任务尝试区分不同分组的缺陷图像，低级任务拥有多个子任务，分别用于着重区分组内具有相似特征空间的缺陷类型，最终的缺陷分类结果来自条件概率。本发明通过引入多任务学习策略使得模型能够减少特征空间重叠带来的精度损失，提升模型的检测精度，从而实现更为有效的排水管道缺陷自动检测系统。

技术领域

本发明涉及一种基于多任务学习的排水管道异常类型自动检测方法。

背景技术

现有的一种基于深度学习的排水管道异常类型自动检测方法，公开号为CN108038850A，该技术的问题及缺陷为：管道内部图像不同于一般的图像，其特殊性在于管道图像包含很丰富的细节，具有亮度低，背景单一，对比度弱，噪声多，变化性强的特点。同时由于几何形状，材料，缺陷性质，内部衬里，相机规格等的差异导致管道图像在视觉外观方面表现出大的变化。这就对分类模型的泛化性能方面提出了很高的要求，增加了分类任务的难度。并且，管道图像存在深度特征空间重叠的问题，主要表现在两个方面。首先是管道内部图像具有背景单一的特点。由于背景单一，导致不同类的图像可能存在大量的相似之处，仅有少数的细节不同用于判断缺陷的类型。其次，在实际情况中，缺陷可能是伴生发生的，少数图像中可能存在多个缺陷，多种缺陷同时发生，这就导致类在特征空间中出现了重叠，分类器无法对其做出正确的判断。在已有的分类模型中，类根据定义是互斥的，当类在特征空间中存在重叠时，就会发生分类错误。

发明内容

本发明的目的在于克服上述问题，提供一种基于多任务学习的排水管道异常类型自动检测方法，将多任务学习策略和深度学习模型引入到排水管道缺陷检测中，从而提升模型的检测精度和泛化能力。

为实现上述目的，本发明的技术方案是：一种基于多任务学习的排水管道异常类型自动检测方法，包括如下步骤：

步骤S1、建立训练数据集：从历史检测报告及排水管道机器人拍摄的视频中随机抽取视频帧形成管道图像集，对于管道图像集里的每个图像，按照城镇排水管道检测与评估技术规程中给出的管道评估方式对图像进行标注，形成管道图像集S和图像标签集γ，对于管道图像集S里的每个图像集X(n)，有与之对应的图像标签集γ，γ＝(γ(1),γ(2),…γ(n))，γ(n)表示第ω(n)张图像所属管道异常类型；按照70％，10％，20％的比例将所述管道图像集划分成训练集、验证集和测试集；在深度学习中，为避免出现过拟合，对训练集中的图像数据进行数据增强和标准化处理；

步骤S2、使用步骤S1得到的训练集图像通过梯度下降算法训练深度残差神经网络；

步骤S3、使用步骤S2中训练好的神经网络对步骤S1中的训练集图像进行识别，图像依次经过卷积层、池化层获取神经网络倒数第二层特征向量，通过特征向量构建缺陷的深度特征空间，基于深度特征空间构建深度特征直方图；

步骤S4、使用步骤S3中得到的各类别深度特征直方图进行相似性度量，一一对比不同类别深度特征直方图的相似性，根据相似性对缺陷进行分组；

步骤S5、使用步骤S4中分组结果构建多任务深度残差神经网络，使用步骤S1得到的训练集图像通过梯度下降算法训练神经网络；

步骤S6、使用步骤S4中训练好的神经网络对待识别的图像进行识别，图像依次经过卷积层、池化层和激活层后得到图像中包含缺陷的类型。

在本发明一实施例中，所述步骤S1中，管道异常类型划分为变形、沉积、错口、腐蚀、破裂、起伏、渗漏、树根，依次对应的γ值为0，1，2...6，7。

在本发明一实施例中，所述步骤S1中，对训练集中的图像数据进行数据增强和标准化处理的过程具体包括以下步骤：