申请/专利权人：广东省有色工业建筑质量检测站有限公司

申请日：2024-02-07

公开（公告）日：2024-06-04

公开（公告）号：CN118135469A

主分类号：G06V20/50

分类号：G06V20/50;G06N3/0464;G06N3/082;G06V10/25;G06V10/44;G06V10/46;G06V10/77;G06V10/774;G06V10/776;G06V10/80;G06V10/82

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.21#实质审查的生效;2024.06.04#公开

摘要：本发明公开了一种管道CCTV缺陷识别方法、系统、设备及存储介质，该方法包括以下步骤：获取管道历史缺陷图像数据，建立管道图像数据集，并划分训练集和测试集；构建管道CCTV缺陷识别网络模型，所述管道CCTV缺陷识别网络包括深层网络单元、管道缺陷区域预测单元和管道缺陷形态预测单元；利用训练集对管道CCTV缺陷识别网络模型进行训练，得到训练好的管道CCTV缺陷识别网络模型；将采集的待识别的管道CCTV图像输入到训练好的管道CCTV缺陷识别网络模型，实现管道CCTV图像的缺陷识别。本发明能准确识别管道内缺陷信息，并及时对工作人员发出报警，减少人工测评所造成的误判率，提高了管道的安全性。

主权项：1.一种管道CCTV缺陷识别方法，其特征在于，包括以下步骤：S1、获取管道历史缺陷图像数据，采用预设的管道缺陷形态机制和管道缺陷区域机制对所述管道的历史缺陷图像数据进行标记，建立管道图像数据集，并划分训练集和测试集；所述管道图像数据集包括标记后的带标签的管道历史缺陷图像和无缺陷的图像；S2、构建管道CCTV缺陷识别网络模型，所述管道CCTV缺陷识别网络包括深层网络单元、管道缺陷区域预测单元和管道缺陷形态预测单元；所述深层网络单元包括特征探测器、特征融合器和特征转化器，所述管道缺陷区域预测单元包括区域边缘域、区域聚焦域、区域预测域，所述管道缺陷形态预测单元包括形态时空块、形态探索块、形态预测块；S3、利用步骤S1得到的训练集对所述管道CCTV缺陷识别网络模型进行训练，得到训练好的管道CCTV缺陷识别网络模型；训练过程具体包括以下步骤：S31、将所述训练集的图像数据进行预处理，将预处理后的图像数据输入到所述特征探测器；S32、所述特征探测器从输入的图像数据中提取图像特征向量，并将图像特征向量分别输入到所述形态时空块和区域边缘域；S33、基于零相位成分分析，所述形态时空块根据所述图像特征向量得到形态特征，所述形态探索块使用在通道维度上的L1范数以及平均操作对形态特征进行处理，得到候选形态；S34、所述区域边缘域通过计算所述图像特征向量对应位置的L1范数和区域平均值得到感兴趣区域，所述区域聚焦域对所述感兴趣区域进行上采样操作，得到候选区域；S35、将所述候选形态、候选区域和图像特征向量输入到所述特征融合器，所述特征融合器将候选形态和候选区域映射到所述图像特征量，生成融合图像；S36、所述区域预测域和形态预测块分别根据所述融合图像进行预测，生成预测形态分数值和预测区域分数值；S37、所述特征转化器将步骤S36得到的预测形态分数值和预测区域分数值进行筛选，得到最终的预测形态分数值和预测区域分数值，将最终的预测形态分数值和预测区域分数值与预设的管道缺陷形态机制和管道缺陷区域机制进行匹配，得到输入图像数据的标签，所述标签包含缺陷类型和缺陷位置坐标；S38、重复S31-S37步骤对管道CCTV缺陷识别网络模型进行训练，直至模型满足终止条件，将此时得到的管道CCTV缺陷识别网络模型作为训练好的管道CCTV缺陷识别网络模型；S4、将采集的待识别的管道CCTV图像输入到所述训练好的管道CCTV缺陷识别网络模型，实现管道CCTV图像的缺陷识别，并发出相应的缺陷警报。

全文数据：

权利要求：

百度查询： 广东省有色工业建筑质量检测站有限公司 一种管道CCTV缺陷识别方法、系统、设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD