[发明专利]管道缺陷检测方法、系统、设备与计算机可读存储介质

说明书

本发明公开了一种管道缺陷检测方法、系统、设备与计算机可读存储介质，属于计算机技术领域。本发明通过获取的待检测的视频数据或图片数据，用多标签图像分类网络进行特征提取，得到缺陷特征数据，将提取到的缺陷特征数据进行识别分类，以得到缺陷检测结果，并输出缺陷检测结果，实现自动、高效的对管道视频、管道图片中的缺陷进行分类，并且显著提升预测模型的预测精度以及实现模型的轻量化。

技术领域

本发明涉及计算机技术领域，尤其涉及管道缺陷检测方法、系统、设备与计算机可读存储介质。

背景技术

视频异常检测对于实际工业应用具有重要意义。城市排水管网系统是城市最重要的基础设施之一。为了保证其正常运行，我们需要定期检查管道缺陷并进行修复。

目前，常用的技术是管道QV(Quick-View)检测和管道CCTV(Closed CircuitTelevision)检测，这两种技术会采集大量的管道内视频图像，然后通过专业技术人员分析视频种的管道是否有缺陷或损坏。

然而，通过人工观看采集的视频图像资料，从而分析得到缺陷检测结果这种方式是相当费时费力的，并且人工检测可能会存在疏漏。

发明内容

本发明的主要目的在于提供一种管道缺陷检测方法、系统、设备与计算机可读存储介质，旨在解决如何准确的找到和分类管道中的缺陷的问题。

为实现上述目的，本发明提供一种管道缺陷检测方法，所述管道缺陷检测方法包括以下步骤：

获取待检测数据，所述待检测数据为包含管道图像的以下数据至少一种：视频数据、图片数据；

通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取，得到缺陷特征数据；

对所述缺陷特征数据进行识别分类，得到缺陷检测结果，并输出所述缺陷检测结果。

优选地，所述对所述缺陷特征数据进行识别分类，得到缺陷检测结果的步骤包括：

将所述缺陷特征数据输入预训练的第一网络，输出缺陷定位数据；

将所述缺陷定位数据添加到所述缺陷检测结果中。

优选地，所述对所述缺陷特征数据进行识别分类，得到缺陷检测结果的步骤包括：

将所述缺陷特征数据输入预训练的分类器，通过所述分类器输出缺陷的缺陷置信度分数及严重程度；

基于所述缺陷置信度分数及严重程度得到所述缺陷检测结果。

优选地，所述待检测数据为视频数据，所述基于所述缺陷置信度分数及严重程度得到所述缺陷检测结果的步骤包括：

将所述缺陷特征数据输入预训练的第二网络，获取旋转得分；

根据所述旋转得分得到旋转判别结果，所述旋转判别结果包括：旋转缺陷、一般缺陷；

基于所述旋转判别结果、所述缺陷置信度分数和严重程度，输出缺陷检测结果。

优选地，所述通过预训练多标签图像分类网络对所述待检测数据进行缺陷特征提取的步骤之前，所述方法还包括：

获取管道图像样本数据，将所述管道图像样本数据输入轻量化特征提取网络进行训练，得到所述多标签图像分类网络。

优选地，所述对所述缺陷特征数据进行识别分类，得到缺陷检测结果的步骤之前，所述方法还包括：

选择卷积核尺寸至少为1*1，第二卷积层数至少为1层的语义分割或目标检测网络，构建得到所述第一网络。

优选地，所述对所述缺陷特征数据进行识别分类，得到缺陷检测结果的步骤之前，所述方法还包括：

选择卷积核尺寸至少为1*1*1，第一卷积层数至少为1层的视频理解网络，构建得到所述第二网络。

优选地，所述对所述缺陷特征数据进行识别分类，得到缺陷检测结果的步骤之后，所述方法还包括：