[发明专利]用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法

说明书

本发明公开了一种用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法，包括如下步骤：构建数据集；将数据集划分为训练集和测试集；采用改进的VGG－16卷积神经网络架构作为主分类器模型，分别采用训练集和测试集对主分类器模型进行参数训练和检测；将训练集按照缺陷类型进行分组，并将每组为次分类器训练集和次分类器测试集，每组建立一个新的次分类器；分别用次分类器训练集和次分类器测试集对于次分类器进行训练和检测；将待分辨的排水管道缺陷图像输入主分类器，识别得到缺陷类型，再根据缺陷类型输入对应的次分类器，识别得到缺陷等级。本发明可以实现缺陷的分类，还可以在缺陷分类的结果上对缺陷等级进行进一步分类。

技术领域

本发明涉及下水管道检测技术领域，具体涉及一种用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法。

背景技术

在下水管道缺陷检测领域，由于分类多，公开训练集缺少，鲜有与深度学习结合的检测方法，“基于深度学习的地下水管道缺陷智能检测技术研究”(户莹，西安理工大学，2019－06－30)、“基于卷积神经网的CCTV视频中排水管道缺陷的智能检测”(吕兵；刘玉贤；叶绍泽；闫臻，测绘通报，2019－11－25)两篇文献中尝试了采用卷积神经网络进行下水道缺陷的检测，实现了缺陷的检测，减少了人力的使用。但是针对实际工程中需要的更精细的缺陷等级检测，上述方法还未能做到。

发明内容

针对现有技术的不足，本发明旨在提供一种用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法，既可实现缺陷的分类，还可以在缺陷分类的结果上对缺陷等级进行进一步分类，达到更好的节省人工的目的。

为了实现上述目的，本发明采用如下技术方案：

用于分辨排水管道缺陷类型及自动鉴别缺陷等级的方法，包括如下步骤：

S1、采用实际的排水管道缺陷图像构建数据集，并且数据集中所有的图像均添加有缺陷类型和缺陷等级的数据标签；

S2、将数据集进行切分，划分为训练集和测试集，将训练集送入未训练的主分类器模型中；

S3、主分类器模型采用改进的VGG－16卷积神经网络架构，所述改进的VGG－16卷积神经网络架构通过在原有VGG－16卷积神经网络架构的全连接层后依次加入256个神经元的fc1全连接层和11个神经元的fc2全连接层后得到改进的VGG－16卷积神经网络架构；

经过训练集对主分类器模型进行参数训练，然后用测试集进行检测，最终得到训练好的主分类器模型，保存待用；

S4、将训练集按照缺陷类型进行分组，对每组同类缺陷图像分组为次分类器训练集和次分类器测试集，并且对每组同类缺陷图像建立一个新的次分类器；按照主分类器模型的架构，通过将主分类器模型中的11个神经元的fc2全连接层改为5个神经元的fc2全连接层得到次分类器；次分类器各层参数权重与主分类器相同，fc2层至softmax层全部初始化为期望为0的高斯随机分布；

S5、对于每个次分类器，固定其前10层，超参数设置和主分类器相同；每组的次分类器用该组的次分类器训练集进行训练后用该组的次分类器测试集检验，得到次分类器模型；

S6、将采集得到的待分辨的排水管道缺陷图像输入主分类器，识别得到图像中排水管道的缺陷类型，再根据缺陷类型输入对应的次分类器，识别得到图像中排水管道的缺陷等级。

进一步地，上述方法中，进行步骤S2之前，先对步骤S1构建得到的数据集进行增强处理，通过翻转和裁切操作增大数据集的数据量，并对数据集中的所有图像添加高斯噪声和椒盐噪声。

更进一步地，上述方法中，进行步骤S2之前，增强处理后，对数据集中每一张图像进行归一化处理。

进一步地，上述方法中，步骤S2中，以数量比8：2的比例将数据集划分为训练集和测试集。