城市排水管道缺陷检测方法及发展现状探析.pdf

城市排水管道缺陷检测方法及发展现状探析.pdf

  1. 1、本文档共4页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多

城市排水管道缺陷检测方法及发展现状

探析

摘要:近年来,随着全球经济一体化进程的不断加快,由此极大的推动了各

个前沿领域的发展,城市排水管道检测对整个城市的排水效果有直接影响,为了

保证城市排水管道能够实现顺利排水就需要采取科学方法来进行检测。

关键词:城市排水管道;缺陷检测;方法;发展现状

引言

随着规划中的管道设施数量的增长,如何设计一个自动化的管道缺陷分类系

统成为迫切需要。该系统需要在没有人为干预的条件下对收集到的排水道图像中

的缺陷进行可靠分类。

1管道病害识别技术

常规的管道病害检测设备主要依赖于人工判读,准确度高,但效率低。为了

满足快速、大范围排水管网病害普查的需求,排水管道检测胶囊系统采用了基于

深度卷积网络模型对排水管道的病害进行自动识别和分类。该方法利用大量的管

网检测数据,使用残差网络作为骨干网络的深度卷积网络,利用图像级标签区分

不同病害和正常图像,并引入了层次分类的方法分层对不同管材的病害进行分类

(目前主要区分PVC和混凝土材质),以解决由于不同管材的各种病害类型的发生

频率不同而导致的病害训练样本数量不平衡的问题。首先,使用胶囊设备获取不

同材质管线的病害图片,并按照病害类型对其分类;然后,使用基于深度神经网

络模型,针对不同管材的病害做层次分类训练;最后,使用训练得到的模型对地

下管线病害进行自动识别和分类。

2图像预处理

由于原始图像的分辨率不同,图像在预处理前首先需要被调整为99×99像

素大小。为了让设计的CNN获得足够的信息以做出准确的决策,输入图像的尺寸

不能太小。确保所有图像缩放到99×99像素大小后,执行归一化处理使每个输

入像素有一个相似的数据分布,从而提高了训练网络时算法的收敛速度。归一化

处理是通过减去每个通道的平均像素强度,然后除以像素强度的标准偏差实现的。

为了避免图像数据的过拟合并增加数据集的大小,在给定范围内,通过若干数据

增强方法,人工地放大数据集,如旋转、翻转和色彩抖动等。具体的操作为:把

每个图像分别逆时针旋转45°、90°、180°和270°,或者通过水平和垂直翻

转操作把每个图像从左到右、从上到下翻转。

3激光检测技术

激光管道检测技术是近几年来新出现的一种管道无损检测技术,从激光检测

技术延伸出了很多新的检测方法,包括激光全息、激光超声、激光散斑和激光轮

廓测量技术。利用激光轮廓仪开发了三维重建技术,通过激光束逐点扫描管道内

壁对管道图像进行三维重建,从而来检测管道缺陷。提出了一种利用激光二极管、

CCD相机和光学环形图案发生器组成光圈来捕获图像的方法,通过记录光线强度

值的增加就可以发现缺陷的存在。将全息投影技术运用于铜管内壁缺陷的检测,

利用激光照射的锥形反射镜获取图像,分析部分采用多波长彩色移相数字全息投

影和全息干涉法进行,通过找出管道内表面反射率和表面轮廓图像的差异,找出

缺陷所在。激光检测技术主要用于检测管道的几何形变、表面裂纹、断裂等结构

性缺陷,能够相对准确地定位管线和识别管道缺陷的基本形状。利用激光光斑位

敏技术来检测地下管线的位置分布及弯曲变化,具有精度高、响应灵敏等优点。

4管道病害定位技术

目前,管道检测设备的主流定位方式是采用里程计,但是基于里程计定位方

式的爬行类检测机器人除了效率低下之外,也无法在半水状态下的地下供排水管

网中进行破损检测与定位。另一方面,借助惯性导航定位方式,其误差也会随着

时间和距离的累积,精度逐渐降低,而采用高精度的惯性单元将导致成本极高。

排水管道胶囊中含有摄像头和IMU单元,采用视觉惯性里程计(VIO)定位。由于

排水管道环境复杂,且胶囊在漂流过程中存在剧烈晃动,若运用传统的VIO,图

像特征点难以提取与跟踪,也无法避开传感器时间同步与外部参数标定的问题,

算法很难正常工作。为了解决这一问题,系统将视觉惯性里程计设为序列回归问

题,采用了基于学习的方法来进行特征提取与跟踪,没有从几何角度建立复杂的

数学模型,而是采用了基于CNN-RNN神经网络的视觉惯性里程计定位算法进行

位置推算。通过对定位样本训练数据的采集和学习,CNN-RNN视觉惯性里程计

模型能够精确地定位管道检测胶囊,其定位精度与样本的训练效果和胶囊所采用

的IMU单元精度紧密相关。

5数据平衡

在实际工程中收集排水管道缺陷会存在样本数据的不均衡性,有些缺陷图片

少不能满足网络训练的要求,尤其在

文档评论(0)

***** + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档