基于卷积神经网络的管道井缺陷识别研究

白智慧

摘要：管道井与人类社会生活息息相关，而由于管道井盖丢失、破损造成交通事故频发，危害人类财产生命安全。本文提出利用计算机视觉技术检测识别管道井缺陷，然后通过标记报警功能来实时抢修，可以避免更多事故的发生。本文通过构建深度神经网络模型，利用卷积神经网络模型自动提取图像中每种管道井缺陷的特征，通过对管道井的六种缺陷现象进行训练、测试，得到最终识别结果。实验结果表明，卷积神经网络对管道井缺陷图像的识别达到来预期的效果，并在缺陷检测中优于传统的分类模型。

Abstract： Pipeline well is closely related to human social life， and due to the loss and damage of pipeline well cover， traffic accidents occur frequently， endangering the life safety of human property. In this paper， the computer vision technology is used to detect and identify the defects of the pipeline well， and then the real-time rush repair is realized by the function of marking and alarming， which avoid more accidents. In this paper， by building the depth neural network model， using the convolution neural network model to automatically extract the characteristics of each kind of pipeline well defect in the image， through the training and testing of six kinds of defects in the pipeline well， the final recognition results are obtained. The experimental results show that the convolution neural network achieves the expected results in the recognition of pipeline well defect image， and is superior to the traditional classification model in defect detection.

关键词：管道井缺陷识别;图片分类;卷积神经网络

0  引言

管道井用于布置竖向设备管线的竖向井道，与人类社会生活息息相关，除了基本的供水、供电、排水管线之外，还有电话、有线电视、监控、通风等功能。近年来管道井缺陷事故频发，尤其是马路上管道井盖丢失、破损造成的事故尤其严重极大的危害人类的生命财产安全，因而管道井缺陷的检测尤其重要。管道井缺陷的类别有很多，井盖缺失、井盖下沉、井圈腐蚀、井盖破损、井盖凹凸、井框错台，除了井表面的缺陷，井内缺陷有井内异物入侵、沉积等。而利用计算机视觉技术检测识别管道井缺陷，然后通过标记报警功能来实时抢修，可以避免更多事故的发生。在计算机视觉中，卷积神经网络是人工智能算法，属于机器学习的范畴。卷积神经网络被认为是学习图像内容的最佳技术之一，可以达到自动提取图像特征，本文将通过构建卷紧神经网络模型识别管道井的缺陷种类，然后进行标记分类。

1  管道井缺陷数据集

管道井缺陷的类别有很多，本文主要针对井盖缺失、井盖下沉、井圈腐蚀、井盖破损、井盖凹凸、井框错台缺陷进行检测分类和识别标记。本文用于研究的管道井图像样本共420张，一是来自网络公开图片180张，其余240张来源于手机和相机拍摄。样本集如表1所示。

2  构建卷积神经网络模型

在图像处理中，图像的分类和识别是其典型的任务之一。在目前的研究中，对图像分类、识别、分割技术中，深度神经网络无疑是最好的机器学习算法之一。深度神经网络（Deep Neural Networks，DNN）是一种需要依赖具体模型实现的、逐层贪婪无监督的学习方法，它有很多隐藏层，也可以称为深度前馈神经网络（DFN）。常见的深度学习模型有深度信念网络（Deep Belief Networks，DBN）、受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）、堆棧式自动编码器（Stacked Auto-encoder，SAE）和卷积神经网络（Convolutional Neural Networks，CNN）。CNN是一种包含卷积层的深度神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，在大型图像处理中有出色表现。典型的卷积神经网络包括输入层（INPUT）、卷积层（CONV）、激活函数（RELU）、池化层（POOL）、全连接层（FC）以及输出层（OUTPUT）。典型的卷积神经网络如图1所示。

建立一个深度神经网络需要的零件如表2深度神经网络零件所示。

其中，Dense层也就是全连接层，也称为Linear层，计算公式为：

卷积层的作用就是组合周围多个像素、进一步提取图像的特征。对于图像的输入，传统的机器学习模型，可以处理单一像素，但是缺乏像素的组合能力。卷积核是一种可学习参数集合的滤波器，设置卷积核在输入图像上按特定步长进行滑动，计算出特征映射神经元并组合成特征图。数据在卷积层中流动过程可用如下公式表示：

G（·）表示非線性函数，w1、w2和w3代表卷积核，w代表（2×2）权值矩阵。设偏置矩阵为 b，其输出设为像素矩阵 y，一般大小等于输入图像矩阵的大小。二维卷积计算示例如图2。

3  管道井缺陷识别

为了保证实验的准确性，本文提出的算法是基于tensorflow后端的keras深度学习库的开源代码。在Anaconda平台下使用 python3.7 进行编程。 实验过程将所有样本图片的分辨率均设为448×448。实验样本集种类图例如图3。

本实验对样本图片采用2-8的拆分原则，将其中80%的图片作为训练集，输入到深度卷积神经网络模型中，模型的准确率达到96.4%。然后利用训练的模型，对管道井图像进行预测。本文在代码中调用了绘图模块，绘制了训练的准确率和损失率，如图 4 和图 5 所示（浅色为训练结果，深色为验证结果）。该实验共训练迭代20次，在第15次迭代之后，准确率逐渐增长缓慢，趋于稳定。

4  结束语

本文提出了一种基于卷积神经网络的管道井缺陷识别方法，相较于传统的机器学习识别方法，该方法不必手动提取图像中各类管道井缺陷的特征，而是自动提取图像特征，实现图像的自动识别分类，识别速率高。由实验结果得出，卷积神经网络对管道井缺陷的识别由较好的结果。本实验是小样本训练，想要获取更好的准确率还需要进一步扩充数据集。另一方面是管道井缺陷的定位的研究。利用交通监控可以实现管道井缺陷的识别，然而对管道井缺陷的位置定位，实现自动报警才能更好的解决管道井缺陷所带来的交通危害。

参考文献：

[1]杨文佳，朱海龙，刘靖宇.基于卷积神经网络的天气现象识别方法研究[J].智能计算机与应用，2019，9（06）：214-216.

[2]杨真真，匡楠，范露，康彬.基于卷积神经网络的图像分类算法综述[J].信号处理，2018，34（12）：1474-1489.

[3]黄玉龙.基于视频图像的管道裂纹缺陷检测方法研究[D].西安理工大学，2018.

[4]施雨舟.基于卷积神经网络的天气识别方法研究[D].上海交通大学，2018.

[5]徐欢，李振璧，姜媛媛，黄剑波.基于OpenCV和改进Canny算子的路面裂缝检测[J].计算机工程与设计，2014，35（12）：4254-4258.