[发明专利]应用于管道损伤识别的三维检测系统

说明书

本公开的实施例提供了一种应用于管道损伤识别的三维检测系统。所述系统包括图像采集模块，用于采集管道图像；第一图像处理模块，用于将所述管道图像输入至预先训练的管道裂缝检测模型，得到管线裂缝图像；所述管道裂缝检测模型为反向级联特征聚合神经网络，包括主干网络层、串联的空洞卷积层和特征聚合层；第二图像处理模块，用于对所述管线裂缝图像进行优化，构建包括管道裂缝的三维图像；可视化模块，用于显示所述三维图像。以此方式，提高了对管道裂缝的检测效率和准确率。

技术领域

本公开的实施例一般涉及管道裂缝检测领域，并且更具体地，涉及应用于管道损伤识别的三维检测系统。

背景技术

裂缝是地下管道最常见的损坏，地下管道中的裂缝大小是地下管道寿命评估的标准之一，对裂缝的检测是具有普遍性的技术难题。

由于人无法进入到管道内部查看缺陷点的位置，因此如何确定地下管道的缺陷点一直是修复过程中的一个难点的问题，现有的裂缝检测手段主要有：图像处理、超声波检测等方法。

超声波检测法局限于检测表面状况，在检测表面比较平整时检测效果较好，对于不平整的地下管道难以达到理想的检测效果；

图像处理检测要求裂缝具有比较高的对比度与较好的连续性，然而在工况复杂的地下管道，单一的采用图像处理无法保证裂缝检测的准确性。

发明内容

根据本公开的实施例，提供了一种应用于管道损伤识别的三维检测方案。

在本公开的第一方面，提供了一种应用于管道损伤识别的三维检测系统，包括：

图像采集模块，用于采集管道图像；

第一图像处理模块，用于将所述管道图像输入至预先训练的管道裂缝检测模型，得到管线裂缝图像；所述管道裂缝检测模型为反向级联特征聚合神经网络，包括主干网络层、串联的空洞卷积层和特征聚合层；

第二图像处理模块，用于对所述管线裂缝图像进行优化，构建包括管道裂缝的三维图像；

可视化模块，用于显示所述三维图像。

进一步地，所述管道裂缝检测模型通过如下方式进行训练：

将标注好的训练样本输入预先建立的反向级联特征聚合神经网络模型中，通过所述主干网络层和所述串联的空洞卷积层对训练样本进行下采样，并在每一层输出采样特征，通过所述特征聚合层将所述主干网络层的每一层输出的特征与所述串联的空洞卷积层中的每一层输出的反向映射特征按位相乘，生成增强特征图，然后将所述增强特征图与反向映射特征进行拼接，生成特征组合图；

根据二分类交叉熵损失函数确定所述特征组合图相对于训练样本的图像损失，并当图像损失大于预设阈值时，对所述管道裂缝检测模型的参数进行调整；

重复上述过程，直到图像损失小于预设阈值，完成对所述管道裂缝检测模型的训练。

进一步地，所述对所述管线裂缝图像进行优化，构建包括管道裂缝的三维图像包括：

基于张氏标定法，去除所述管线裂缝图像中的像素畸变，得到第一图像；

基于所述第一图像的灰度值，采用预设的滤波方法对所述第一图像进行滤波处理，得到第二图像；

对所述第二图像进行腐蚀和/或膨胀，得到预处理图像；

将所述预处理图像中的点转化为世界坐标系下的三维坐标，得到管道裂缝表面的三维点云；

基于所述三维点云，构建管道的三维图像。

进一步地，所述将所述预处理图像中的点转化为世界坐标系下的三维坐标，得到管道裂缝表面的三维点云包括：