專家觀點｜排水管道缺陷智能檢測的四個關鍵問題

然而，機器人檢測后生成大量圖像視頻依賴人工進行判讀，耗時費力。近年來，眾多學者和企業(yè)嘗試引入計算機技術對管道CCTV檢測圖像進行識別和分類，以簡化人工判讀流程、快速評估缺陷情況、***生成檢測報告。針對此，中山大學馬保松團隊嘗試解答以下四個關鍵問題：

基于CCTV圖像的管道缺陷智能識別和分類技術是怎樣實現(xiàn)的？

排水管道缺陷檢測領域的計算機視覺相關方法主要有傳統(tǒng)基于規(guī)則的方法、傳統(tǒng)機器學習方法、深度學習方法和多策略融合方法。筆者調(diào)研相關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)學微分思想和形態(tài)學原理的邊緣檢測算法，根據(jù)圖片畫面中的亮暗、光影等特征，定位管道缺陷，實現(xiàn)檢測功能。但該方法存在較多不足，包括：相關研究的樣本較少，識別準確率參差不齊；依賴人工判斷，智能化程度不高；沒有訓練過程，泛化能力差等。因此，關于此方法的創(chuàng)新性研究不多。

（3）深度學習方法是機器學習的分支，其中又以卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）應用***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，***后通過全連接層分類輸出，如圖2所示。

當前，管道缺陷檢測主要針對圖像分類和目標檢測問題展開，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。應用較多的CNN模型有ResNet、AlexNet、VGG和GoogleNet等，模型訓練圖片數(shù)量從幾百***萬，可區(qū)分的缺陷類別較多，絕大部分輸出準確率超過80%。

相比前兩種方法，深度學習模型的訓練樣本數(shù)量可達數(shù)萬張，數(shù)據(jù)處理能力較強；缺陷特征提取過程減少了人工工作量，智能化程度較高；能實現(xiàn)圖像分類和目標檢測等任務，模型功能性豐富；大部分模型識別精度很高，輸出效果較優(yōu)。

Q2 A：管道缺陷圖像智能檢測模型設計應考慮適用性、易用性和經(jīng)濟性等多方因素。然而，對于模型評價使用的指標及結(jié)果可接受范圍等，業(yè)內(nèi)尚未形成共識。概括來說有以下兩類指標：

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

在當前國內(nèi)市場上，管道智能檢測發(fā)展如何？

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

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)機器學習方法無法適應大量圖像分類要求，目前，以卷積神經(jīng)網(wǎng)絡為主的深度學習方法成為了管道缺陷智能檢測技術的研究***，并面臨以下挑戰(zhàn)：

（2）加快現(xiàn)有智能檢測算法在管道檢測市場的推廣應用。多缺陷檢測和實例/語義分割技術已成為主流，應加大智能算法的遷移應用力度，優(yōu)化缺陷細分類檢測、多缺陷共存檢測和缺陷實例分割等功能。

（4）積極構(gòu)建管道健康評估一體化智能系統(tǒng)。檢測系統(tǒng)應以我國現(xiàn)行規(guī)范為指南，考慮缺陷嚴重等級和管段綜合得分，優(yōu)化系統(tǒng)視覺體驗和交互體驗，生成智能檢測報告，選取修復工法，合理評估管道使用年限。

聲明：本站文章及圖片部分系網(wǎng)絡轉(zhuǎn)載，版權(quán)歸原作者和原出處所有，若涉及版權(quán)問題，請聯(lián)系我們及時刪除。