基于卷積神經(jīng)網(wǎng)絡(luò)的管道井缺陷識(shí)別研究

白智慧

摘要：管道井與人類社會(huì)生活息息相關(guān)，而由于管道井蓋丟失、破損造成交通事故頻發(fā)，危害人類財(cái)產(chǎn)生命安全。本文提出利用計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè)識(shí)別管道井缺陷，然后通過(guò)標(biāo)記報(bào)警功能來(lái)實(shí)時(shí)搶修，可以避免更多事故的發(fā)生。本文通過(guò)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，利用卷積神經(jīng)網(wǎng)絡(luò)模型自動(dòng)提取圖像中每種管道井缺陷的特征，通過(guò)對(duì)管道井的六種缺陷現(xiàn)象進(jìn)行訓(xùn)練、測(cè)試，得到最終識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)對(duì)管道井缺陷圖像的識(shí)別達(dá)到來(lái)預(yù)期的效果，并在缺陷檢測(cè)中優(yōu)于傳統(tǒng)的分類模型。

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.

關(guān)鍵詞：管道井缺陷識(shí)別;圖片分類;卷積神經(jīng)網(wǎng)絡(luò)

0? 引言

管道井用于布置豎向設(shè)備管線的豎向井道，與人類社會(huì)生活息息相關(guān)，除了基本的供水、供電、排水管線之外，還有電話、有線電視、監(jiān)控、通風(fēng)等功能。近年來(lái)管道井缺陷事故頻發(fā)，尤其是馬路上管道井蓋丟失、破損造成的事故尤其嚴(yán)重極大的危害人類的生命財(cái)產(chǎn)安全，因而管道井缺陷的檢測(cè)尤其重要。管道井缺陷的類別有很多，井蓋缺失、井蓋下沉、井圈腐蝕、井蓋破損、井蓋凹凸、井框錯(cuò)臺(tái)，除了井表面的缺陷，井內(nèi)缺陷有井內(nèi)異物入侵、沉積等。而利用計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè)識(shí)別管道井缺陷，然后通過(guò)標(biāo)記報(bào)警功能來(lái)實(shí)時(shí)搶修，可以避免更多事故的發(fā)生。在計(jì)算機(jī)視覺(jué)中，卷積神經(jīng)網(wǎng)絡(luò)是人工智能算法，屬于機(jī)器學(xué)習(xí)的范疇。卷積神經(jīng)網(wǎng)絡(luò)被認(rèn)為是學(xué)習(xí)圖像內(nèi)容的最佳技術(shù)之一，可以達(dá)到自動(dòng)提取圖像特征，本文將通過(guò)構(gòu)建卷緊神經(jīng)網(wǎng)絡(luò)模型識(shí)別管道井的缺陷種類，然后進(jìn)行標(biāo)記分類。

1? 管道井缺陷數(shù)據(jù)集

管道井缺陷的類別有很多，本文主要針對(duì)井蓋缺失、井蓋下沉、井圈腐蝕、井蓋破損、井蓋凹凸、井框錯(cuò)臺(tái)缺陷進(jìn)行檢測(cè)分類和識(shí)別標(biāo)記。本文用于研究的管道井圖像樣本共420張，一是來(lái)自網(wǎng)絡(luò)公開圖片180張，其余240張來(lái)源于手機(jī)和相機(jī)拍攝。樣本集如表1所示。

2? 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型

在圖像處理中，圖像的分類和識(shí)別是其典型的任務(wù)之一。在目前的研究中，對(duì)圖像分類、識(shí)別、分割技術(shù)中，深度神經(jīng)網(wǎng)絡(luò)無(wú)疑是最好的機(jī)器學(xué)習(xí)算法之一。深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）是一種需要依賴具體模型實(shí)現(xiàn)的、逐層貪婪無(wú)監(jiān)督的學(xué)習(xí)方法，它有很多隱藏層，也可以稱為深度前饋神經(jīng)網(wǎng)絡(luò)（DFN）。常見(jiàn)的深度學(xué)習(xí)模型有深度信念網(wǎng)絡(luò)（Deep Belief Networks，DBN）、受限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）、堆棧式自動(dòng)編碼器（Stacked Auto-encoder，SAE）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）。CNN是一種包含卷積層的深度神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，在大型圖像處理中有出色表現(xiàn)。典型的卷積神經(jīng)網(wǎng)絡(luò)包括輸入層（INPUT）、卷積層（CONV）、激活函數(shù)（RELU）、池化層（POOL）、全連接層（FC）以及輸出層（OUTPUT）。典型的卷積神經(jīng)網(wǎng)絡(luò)如圖1所示。

建立一個(gè)深度神經(jīng)網(wǎng)絡(luò)需要的零件如表2深度神經(jīng)網(wǎng)絡(luò)零件所示。

其中，Dense層也就是全連接層，也稱為L(zhǎng)inear層，計(jì)算公式為：

卷積層的作用就是組合周圍多個(gè)像素、進(jìn)一步提取圖像的特征。對(duì)于圖像的輸入，傳統(tǒng)的機(jī)器學(xué)習(xí)模型，可以處理單一像素，但是缺乏像素的組合能力。卷積核是一種可學(xué)習(xí)參數(shù)集合的濾波器，設(shè)置卷積核在輸入圖像上按特定步長(zhǎng)進(jìn)行滑動(dòng)，計(jì)算出特征映射神經(jīng)元并組合成特征圖。數(shù)據(jù)在卷積層中流動(dòng)過(guò)程可用如下公式表示：

G（·）表示非線性函數(shù)，w1、w2和w3代表卷積核，w代表（2×2）權(quán)值矩陣。設(shè)偏置矩陣為 b，其輸出設(shè)為像素矩陣 y，一般大小等于輸入圖像矩陣的大小。二維卷積計(jì)算示例如圖2。

3? 管道井缺陷識(shí)別

為了保證實(shí)驗(yàn)的準(zhǔn)確性，本文提出的算法是基于tensorflow后端的keras深度學(xué)習(xí)庫(kù)的開源代碼。在Anaconda平臺(tái)下使用 python3.7 進(jìn)行編程。 實(shí)驗(yàn)過(guò)程將所有樣本圖片的分辨率均設(shè)為448×448。實(shí)驗(yàn)樣本集種類圖例如圖3。

本實(shí)驗(yàn)對(duì)樣本圖片采用2-8的拆分原則，將其中80%的圖片作為訓(xùn)練集，輸入到深度卷積神經(jīng)網(wǎng)絡(luò)模型中，模型的準(zhǔn)確率達(dá)到96.4%。然后利用訓(xùn)練的模型，對(duì)管道井圖像進(jìn)行預(yù)測(cè)。本文在代碼中調(diào)用了繪圖模塊，繪制了訓(xùn)練的準(zhǔn)確率和損失率，如圖 4 和圖 5 所示（淺色為訓(xùn)練結(jié)果，深色為驗(yàn)證結(jié)果）。該實(shí)驗(yàn)共訓(xùn)練迭代20次，在第15次迭代之后，準(zhǔn)確率逐漸增長(zhǎng)緩慢，趨于穩(wěn)定。

4? 結(jié)束語(yǔ)

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的管道井缺陷識(shí)別方法，相較于傳統(tǒng)的機(jī)器學(xué)習(xí)識(shí)別方法，該方法不必手動(dòng)提取圖像中各類管道井缺陷的特征，而是自動(dòng)提取圖像特征，實(shí)現(xiàn)圖像的自動(dòng)識(shí)別分類，識(shí)別速率高。由實(shí)驗(yàn)結(jié)果得出，卷積神經(jīng)網(wǎng)絡(luò)對(duì)管道井缺陷的識(shí)別由較好的結(jié)果。本實(shí)驗(yàn)是小樣本訓(xùn)練，想要獲取更好的準(zhǔn)確率還需要進(jìn)一步擴(kuò)充數(shù)據(jù)集。另一方面是管道井缺陷的定位的研究。利用交通監(jiān)控可以實(shí)現(xiàn)管道井缺陷的識(shí)別，然而對(duì)管道井缺陷的位置定位，實(shí)現(xiàn)自動(dòng)報(bào)警才能更好的解決管道井缺陷所帶來(lái)的交通危害。

參考文獻(xiàn)：

[1]楊文佳，朱海龍，劉靖宇.基于卷積神經(jīng)網(wǎng)絡(luò)的天氣現(xiàn)象識(shí)別方法研究[J].智能計(jì)算機(jī)與應(yīng)用，2019，9（06）：214-216.

[2]楊真真，匡楠，范露，康彬.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法綜述[J].信號(hào)處理，2018，34（12）：1474-1489.

[3]黃玉龍.基于視頻圖像的管道裂紋缺陷檢測(cè)方法研究[D].西安理工大學(xué)，2018.

[4]施雨舟.基于卷積神經(jīng)網(wǎng)絡(luò)的天氣識(shí)別方法研究[D].上海交通大學(xué)，2018.

[5]徐歡，李振璧，姜媛媛，黃劍波.基于OpenCV和改進(jìn)Canny算子的路面裂縫檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（12）：4254-4258.