專家觀點(diǎn)｜排水管道缺陷智能檢測(cè)的四個(gè)關(guān)鍵問(wèn)題

然而，機(jī)器人檢測(cè)后生成大量圖像視頻依賴人工進(jìn)行判讀，耗時(shí)費(fèi)力。近年來(lái)，眾多學(xué)者和企業(yè)嘗試引入計(jì)算機(jī)技術(shù)對(duì)管道CCTV檢測(cè)圖像進(jìn)行識(shí)別和分類，以簡(jiǎn)化人工判讀流程、快速評(píng)估缺陷情況、***生成檢測(cè)報(bào)告。針對(duì)此，中山大學(xué)馬保松團(tuán)隊(duì)嘗試解答以下四個(gè)關(guān)鍵問(wèn)題：

基于CCTV圖像的管道缺陷智能識(shí)別和分類技術(shù)是怎樣實(shí)現(xiàn)的？

排水管道缺陷檢測(cè)領(lǐng)域的計(jì)算機(jī)視覺(jué)相關(guān)方法主要有傳統(tǒng)基于規(guī)則的方法、傳統(tǒng)機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)方法和多策略融合方法。筆者調(diào)研相關(guān)論文所使用的各方法比例如下圖1所示：

（1）傳統(tǒng)基于規(guī)則的算法是指基于數(shù)學(xué)微分思想和形態(tài)學(xué)原理的邊緣檢測(cè)算法，根據(jù)圖片畫(huà)面中的亮暗、光影等特征，定位管道缺陷，實(shí)現(xiàn)檢測(cè)功能。但該方法存在較多不足，包括：相關(guān)研究的樣本較少，識(shí)別準(zhǔn)確率參差不齊；依賴人工判斷，智能化程度不高；沒(méi)有訓(xùn)練過(guò)程，泛化能力差等。因此，關(guān)于此方法的創(chuàng)新性研究不多。

（3）深度學(xué)習(xí)方法是機(jī)器學(xué)習(xí)的分支，其中又以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）應(yīng)用***廣。主要流程為：將圖片輸入后由卷積層提取特征，使用激活函數(shù)加入非線性元素，經(jīng)池化層降維處理，***后通過(guò)全連接層分類輸出，如圖2所示。

當(dāng)前，管道缺陷檢測(cè)主要針對(duì)圖像分類和目標(biāo)檢測(cè)問(wèn)題展開(kāi)，涉及各研究比例如下圖3所示。

圖像分類需根據(jù)不同缺陷特征（結(jié)構(gòu)性或功能性）將給定的缺陷圖片分類。應(yīng)用較多的CNN模型有ResNet、AlexNet、VGG和GoogleNet等，模型訓(xùn)練圖片數(shù)量從幾百***萬(wàn)，可區(qū)分的缺陷類別較多，絕大部分輸出準(zhǔn)確率超過(guò)80%。

相比前兩種方法，深度學(xué)習(xí)模型的訓(xùn)練樣本數(shù)量可達(dá)數(shù)萬(wàn)張，數(shù)據(jù)處理能力較強(qiáng)；缺陷特征提取過(guò)程減少了人工工作量，智能化程度較高；能實(shí)現(xiàn)圖像分類和目標(biāo)檢測(cè)等任務(wù)，模型功能性豐富；大部分模型識(shí)別精度很高，輸出效果較優(yōu)。

Q2 A：管道缺陷圖像智能檢測(cè)模型設(shè)計(jì)應(yīng)考慮適用性、易用性和經(jīng)濟(jì)性等多方因素。然而，對(duì)于模型評(píng)價(jià)使用的指標(biāo)及結(jié)果可接受范圍等，業(yè)內(nèi)尚未形成共識(shí)。概括來(lái)說(shuō)有以下兩類指標(biāo)：

（2）結(jié)果評(píng)價(jià)指標(biāo)。它直觀有效地評(píng)估模型輸出效果，常用的評(píng)價(jià)指標(biāo)有準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、綜合評(píng)價(jià)指標(biāo)（F-Measure）和ROC（Receiver Operating Characteristic）曲線等。

在當(dāng)前國(guó)內(nèi)市場(chǎng)上，管道智能檢測(cè)發(fā)展如何？

然而，現(xiàn)投入市場(chǎng)使用的缺陷檢測(cè)系統(tǒng)智能化、自動(dòng)化1*3*1+1*9-1-0/2*9+7-3水平仍不夠高，圖像識(shí)別以區(qū)分正常管段和缺陷管段為主，細(xì)小缺陷抓取準(zhǔn)確率很低，對(duì)缺陷進(jìn)行細(xì)分類的過(guò)程仍依賴人工。調(diào)研中還發(fā)現(xiàn)，管道缺陷智能檢測(cè)技術(shù)的市場(chǎng)普及率較低。一方面，現(xiàn)有軟件還不能完全脫離人工操作；另一方面，智能檢測(cè)配套軟硬件成本較高，利用人工判讀較為經(jīng)濟(jì)。

Q4 A：由于基于規(guī)則的圖像分割算法智能化程度不高、基于小樣本的傳統(tǒng)機(jī)器學(xué)習(xí)方法無(wú)法適應(yīng)大量圖像分類要求，目前，以卷積神經(jīng)網(wǎng)絡(luò)為主的深度學(xué)習(xí)方法成為了管道缺陷智能檢測(cè)技術(shù)的研究***，并面臨以下挑戰(zhàn)：

（2）加快現(xiàn)有智能檢測(cè)算法在管道檢測(cè)市場(chǎng)的推廣應(yīng)用。多缺陷檢測(cè)和實(shí)例/語(yǔ)義分割技術(shù)已成為主流，應(yīng)加大智能算法的遷移應(yīng)用力度，優(yōu)化缺陷細(xì)分類檢測(cè)、多缺陷共存檢測(cè)和缺陷實(shí)例分割等功能。

（4）積極構(gòu)建管道健康評(píng)估一體化智能系統(tǒng)。檢測(cè)系統(tǒng)應(yīng)以我國(guó)現(xiàn)行規(guī)范為指南，考慮缺陷嚴(yán)重等級(jí)和管段綜合得分，優(yōu)化系統(tǒng)視覺(jué)體驗(yàn)和交互體驗(yàn)，生成智能檢測(cè)報(bào)告，選取修復(fù)工法，合理評(píng)估管道使用年限。

聲明：本站文章及圖片部分系網(wǎng)絡(luò)轉(zhuǎn)載，版權(quán)歸原作者和原出處所有，若涉及版權(quán)問(wèn)題，請(qǐng)聯(lián)系我們及時(shí)刪除。