[发明专利]一种基于优化深度学习的管道中视频损害智能分割系统

权利要求书

1.一种基于优化深度学习的管道中视频损害智能分割系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

步骤1：获取管道损害图像，根据所述管道损害图像构建预训练数据集；获取管道损害视频，根据所述管道损害视频构建精确训练数据集；

步骤2：构建用于管道视频损害分割的深度学习模型，所述深度学习模型包括孪生网络模块和Seg-CapsNet模块；所述孪生网络模块用于提取管道视频目标流与参考流的相似特征，Seg-CapsNet模块用于管道损害视频帧的分割；所述孪生网络模块采用动态更新参考帧策略：动态更新管道损害视频参考流中的参考帧，用于适应管道损害视频流中管道损害目标区域的外观变化；Seg-CapsNet模块在卷积层中采用填充卷积的方式，用于保留管道损害图像的边缘信息；

步骤3：通过所述预训练数据集和所述精确训练数据集对所述深度学习模型进行训练；

步骤4：对经训练的深度学习模型进行测试，若测试结果满足预设条件，则通过训练后的深度学习模型对目标管道视频进行分割，得到目标管道视频中含有损害帧的分割结果。

2.根据权利要求1所述的基于优化深度学习的管道中视频损害智能分割系统，其特征在于，所述动态更新参考帧策略包括：

对于某一管道损害视频两个相邻视频帧V_t-1，V_t，及其对应的分割掩码图像M_t-1，M_t，计算相邻视频帧V_t-1，V_t之间的光流F_t；

使用F_t对目标分割掩码M_t-1进行warp，并得到V_twarp后的目标掩码M_t^’；

计算M_t与M_t^’的相似性IoU：

设定一个阈值μ，若IoU的值大于阈值μ，则在进行V_t+1帧分割时，深度学习模型将V_t，M_t视为新的参考帧；若IoU的值大于阈值μ，深度学习模型仍然使用原始的参考帧。

3.根据权利要求1所述的基于优化深度学习的管道中视频损害智能分割系统，其特征在于，获取管道损害图像之后，对所述管道损害图像进行预处理，根据预处理后的管道损害图像构建预训练数据集，所述预处理包括：

裁剪：将所述管道损害图像裁剪为预设像素的尺寸；

标注：使用lablme软件在裁剪后的管道损害图像中对病害区域进行标注，将背景区域标注为0，破漏区域标注为1，障碍物区域标注为2，错口区域标注为3。

4.根据权利要求1所述的基于优化深度学习的管道中视频损害智能分割系统，其特征在于，通过所述预训练数据集和所述精确训练数据集对所述深度学习模型进行训练，包括：

利用所述预训练数据集进行深度学习模型的预训练；

按照4:1的比例将精确训练数据集随机分开，80％的数据划分为训练集，用于深度学习模型的精确训练；20％的数据划分为测试集，用于深度学习模型的测试。

5.根据权利要求1所述的基于优化深度学习的管道中视频损害智能分割系统，其特征在于，所述孪生网络模块由四个通道组成，输入包括管道损害目标流与管道损害参考流；所述孪生网络模块采用权重共享的完全相同的两个ResNet101提取管道损害目标流与参考流之间的相似特征。