[发明专利]一种基于代价敏感学习的排水管道缺陷自动检测方法

摘要

本发明涉及一种基于代价敏感学习的排水管道缺陷自动检测方法，包括：构建排水管道数据集；估算每种错误分类带来的损失，构建代价矩阵；通过代价矩阵构建置信度向量；基于置信度向量构建代价敏感的卷积神经网络；并使用管道数据集训练代价敏感的卷积神经网络。使用训练好的网络对待识别的图像进行识别，得到图像中包含缺陷的概率。基于代价矩阵构建的代价敏感的卷积神经网络能够以最小化代价为目标而不是盲目地追求分类精度，从而实现更为经济，有效的排水管道缺陷自动检测系统。

主权项

1.一种基于代价敏感学习的排水管道缺陷自动检测方法，其特征在于：包括以下步骤：/n步骤S1：建立训练数据集：从历史检测报告及排水管道机器人拍摄的视频中随机抽取视频帧形成管道图像集，对于管道图像集里的每个图像，按照城镇排水管道检测与评估技术规程中给出的管道评估方式对图像进行标注，将管道图像集划分为正常管道和缺陷管道；按照70％，10％，20％的比例将所述管道图像集划分成训练集、验证集和测试集；在深度学习中，为避免出现过拟合，对训练集中的图像数据进行数据增强和标准化处理；/n步骤S2：提供正常管道样本和缺陷管道样本，分别估算将正常管道样本和缺陷管道样本错误分类带来的损失；将一个正常类样本误分类的代价即为进行一次额外的缺陷检测的经济损失；将一个故障类样本误分类的代价即为漏检缺陷所造成的经济损失；并以此构建代价矩阵；/n步骤S3：根据步骤S2中构建的代价矩阵确定正常管道样本和缺陷管道样本的置信度向量；/n步骤S4：基于步骤S3中置信度向量构建代价敏感卷积神经网络，使用步骤S1得到的训练集图像通过梯度下降算法训练神经网络；/n步骤S5：使用步骤S4中训练好的神经网络对待识别的图像进行识别，图像依次经过卷积层、池化层和softmax层后得到图像中包含缺陷的概率，从而确定图像的属性信息。/n