[发明专利]一种地下电缆管道场景异物识别和分类方法

说明书

本发明提供了一种地下电缆管道场景异物识别和分类方法，包括以下步骤：(1)预先构建一个异物识别和分类训练模型来获得模型参数，所述模型使用卷积长短期记忆(ConvLSTM)和通道分组策略组成的全局长短期记忆(GLS)模块来提取远程空间特征和相邻通道特征，使用空间和通道联合注意力机制(JAM)来对特征进行重新加权和建模，通过特征融合来提供连续且精细的像素级特征；(2)将测试图像数据加载进异物识别和分类模型，输出包含异物类型及异物所在区域的具有检测结果的图像并测试该模型对管道场景各异物类别预测精度。本发明对电缆管道场景图像中异物的检测精度高，识别异物类型广，智能化程度高，节省人力，且成本较低。

技术领域

本发明属于计算机视觉技术领域，特别涉及一种地下电缆管道场景异物识别和分类方法。

背景技术

近年来，随着科学技术的快速发展，智能化时代的兴起，城市居民的用电量逐渐攀升，导致城市电缆管道的覆盖面积不断扩大。为了用电安全，保证城市供电的可靠性，电缆管道的清理巡检工作显得尤为重要，电缆管道机器人应运而生。电缆管道机器人可以利用所带的相机来对电缆管道进行图像或视频的采集，根据拍摄图像的特征确定异常位置并判断异常种类来生成检测报告，根据异常检测报告做出相应的管道维护措施。

对于电缆管道中存在的异常情况，通常是由堆积在或渗透进管道的各种杂物引起的，具体主要包括尖锥，石子，垃圾，淤泥，渗水以及套管这六类情况，为了不影响城市用电的正常运行，准确识别出电缆管道中的异常是十分重要的。目前，地下电缆管道巡检更多的是通过管道机器人对管道场景进行图像和视频的拍摄然后通过人工来进行异常的评判，过于依赖检测人员的经验，极大的消耗了人力物力。传统的机器学习方法能够节省一定的资源，但是大多数通过提取图像底层特征并结合SVM(支持向量机)等分类方法来进行管道异物识别和分类，这种方法提取出的特征不够精细，识别准确率较低且通常比较消耗时间。因此，如何提高管道检测和分类的准确性和智能化成为亟待解决的技术问题。

发明内容

本发明目的在于提高管道检测和分类的准确性和智能化，解决在图像可视性较差的情况下，精确、快速、稳定地检测识别并分类管道中存在的缺陷的技术问题。

为解决上述技术问题，本发明提出了一种基于联合注意力的地下电缆管道场景异物识别和分类方法，完成地下电缆管道检测任务。

一种基于联合注意力的地下电缆管道场景异物识别和分类方法，包括以下步骤：

1)预先构建一个地下电缆管道场景异常识别和分类训练模型，所述模型使用卷积长短期记忆(ConvLSTM)和通道分组策略组成的全局长短期记忆(GLS)模块来提取远程空间特征和相邻通道特征，使用空间和通道联合注意力机制(JAM)来对特征进行重新加权和建模，通过特征融合来提供连续且精细的像素级特征，获得管道场景异物识别和分类网络参数；

2)将管道场景测试图像数据加载进管道场景异物识别和分类网络，获得特征像素点的分类值和分类区域，输出包含异物类型及异物所在区域的具有检测结果的图像，测试该模型对管道场景各异物类别预测精度以及全类别平均预测精度。

具体地，在步骤1)中包括：

11)获取管道场景异物图像数据集，每张管道场景图像均有其对应的异物边界区域及对应类别共1000张图像，训练集，验证集和测试集分别分配700，200，100张图像；

12)对训练图像进行Gamma矫正和平滑滤波去噪处理；

13)选取UNet目标分割网络作为主干网络，输入图像通过3×3卷积操作进行尺寸调整作为JAM模块的输入；

14)针对输入特征图通过ConvLSTM模块提取局部空间信息，生成一个新的特征图；