基于改進(jìn)SSD模型的給水管道內(nèi)缺陷識(shí)別

摘 要：監(jiān)測(cè)給水管道內(nèi)部的缺陷以防潛在風(fēng)險(xiǎn)是水質(zhì)安全監(jiān)控的重要組成部分。為了準(zhǔn)確識(shí)別并定位管道內(nèi)的缺陷，本文開發(fā)了一種基于SSD目標(biāo)檢測(cè)模型的改進(jìn)模型，該模型結(jié)合了CBAM（Convolutional Block Attention Module）和遷移學(xué)習(xí)技術(shù)，可用于管道缺陷的自動(dòng)檢測(cè)。在SSD網(wǎng)絡(luò)中加入CBAM可加強(qiáng)模型的特征識(shí)別能力，遷移學(xué)習(xí)則利用預(yù)訓(xùn)練模型加速學(xué)習(xí)過程并提高特定任務(wù)的表現(xiàn)。試驗(yàn)結(jié)果表明，與傳統(tǒng)SSD模型相比，本文改進(jìn)模型在缺陷檢測(cè)的AP和mAP分?jǐn)?shù)上都有顯著提升，證明了其在給水管道內(nèi)缺陷識(shí)別中的應(yīng)用潛力。

關(guān)鍵詞：給水管道；缺陷識(shí)別；SSD模型；遷移學(xué)習(xí)

中圖分類號(hào)：TU 992" " " " 文獻(xiàn)標(biāo)志碼：A

給水管道系統(tǒng)是城市基礎(chǔ)設(shè)施的重要組成部分，其安全與效率對(duì)公共健康和環(huán)境持續(xù)性具有深遠(yuǎn)的影響[1-3]。隨著時(shí)間推移，管道系統(tǒng)可能因腐蝕、結(jié)垢和裂紋等多種原因而出現(xiàn)缺陷，這些缺陷如果沒有得到及時(shí)發(fā)現(xiàn)和處理，就可能造成嚴(yán)重的水質(zhì)問題甚至管道破裂。傳統(tǒng)的給水管道檢測(cè)方法主要采用機(jī)器視覺[4-5]和圖像處理[6-7]等，這些方法耗時(shí)、耗力，難以滿足城市快速發(fā)展需求。

目前，計(jì)算機(jī)視覺技術(shù)的發(fā)展為自動(dòng)化和智能化管道檢測(cè)提供了新的可能。尤其是單階多框檢測(cè)器（Single Shot MultiBox Detector，SSD）模型具有高效的檢測(cè)速度和良好性能，應(yīng)用廣泛。然而，當(dāng)直接應(yīng)用于給水管道缺陷識(shí)別時(shí)，SSD模型面臨識(shí)別小型和模糊缺陷、適應(yīng)光照變化和復(fù)雜背景干擾的挑戰(zhàn)。

為了解決這些問題，本文提出了基于SSD模型的改進(jìn)模型，引入卷積塊注意力模塊（Convolutional Block Attention Module，CBAM）以增強(qiáng)模型對(duì)關(guān)鍵特征的關(guān)注能力，并采用遷移學(xué)習(xí)方法，利用大規(guī)模預(yù)訓(xùn)練數(shù)據(jù)集來提升模型在特定給水管道環(huán)境下的表現(xiàn)。通過這種方式，模型能夠有效提高給水管道內(nèi)缺陷檢測(cè)精度。下文將詳細(xì)介紹模型的架構(gòu)、試驗(yàn)設(shè)置以及在實(shí)際管道缺陷數(shù)據(jù)集中的表現(xiàn)評(píng)估。

1 SSD模型結(jié)構(gòu)

SSD目標(biāo)檢測(cè)模型可在單次前向傳播中進(jìn)行高效率的目標(biāo)檢測(cè)，這種一步到位的檢測(cè)方式在保證較高準(zhǔn)確率的同時(shí)顯著提高了處理速度，其模型結(jié)構(gòu)如圖1所示。

SSD模型的核心優(yōu)勢(shì)是使用多尺度特征圖，使模型能夠有效識(shí)別不同大小的對(duì)象。此外，SSD還引入了錨框機(jī)制，即在每個(gè)特征圖單元中預(yù)設(shè)多個(gè)錨框（默認(rèn)框）。這些錨框具有不同的尺寸和長寬比，每個(gè)錨框都用來預(yù)測(cè)對(duì)應(yīng)的真實(shí)框的偏移及其所屬類別的概率。這種方法使SSD能夠在圖像中的任何位置檢測(cè)到目標(biāo)。

SSD模型的損失函數(shù)結(jié)合了定位損失和置信度損失。定位損失用于衡量預(yù)測(cè)框與真實(shí)框間的位置偏差，通常采用Smooth L1損失；置信度損失用于評(píng)估預(yù)測(cè)的類別與真實(shí)類別間的誤差，通常采用Softmax損失。利用這2種損失的合理加權(quán)，SSD能夠在訓(xùn)練過程中優(yōu)化目標(biāo)的位置和類別預(yù)測(cè)，提高檢測(cè)性能。SSD模型的高效性還體現(xiàn)在能夠利用非極大值抑制處理多個(gè)重疊預(yù)測(cè)框，篩選出最佳預(yù)測(cè)結(jié)果。這種整合了特征提取、目標(biāo)檢測(cè)和后處理的綜合性設(shè)計(jì)，使SSD在實(shí)時(shí)視頻分析和圖像處理領(lǐng)域表現(xiàn)優(yōu)異。

2 基于改進(jìn)SSD和遷移學(xué)習(xí)的模型構(gòu)建

2.1 改進(jìn)SSD模型

為了提升SSD模型在給水管道內(nèi)缺陷識(shí)別中的性能，本文進(jìn)行了改進(jìn)，即在SSD模型的基礎(chǔ)上，在Conv4×3和Conv7這2層引入CBAM模塊，以增強(qiáng)模型對(duì)特征的感知能力，如圖2所示。

CBAM是一種注意力機(jī)制模塊，利用聚焦于輸入特征的重要部分來提高網(wǎng)絡(luò)的表達(dá)能力，從而提高對(duì)小型和模糊缺陷的識(shí)別準(zhǔn)確性。在給水管道內(nèi)缺陷識(shí)別中，CBAM可以幫助模型更好地聚焦于裂紋、沉積物等細(xì)節(jié)，以提高檢測(cè)效果。具體來說，CBAM模塊依次進(jìn)行空間注意力（Spatial Attention）和通道注意力（Channel Attention）計(jì)算。首先，進(jìn)行通道注意力計(jì)算。通過全局平均池化和全局最大池化來獲取特征圖的統(tǒng)計(jì)信息。其次，利用這些信息并通過共享網(wǎng)絡(luò)學(xué)習(xí)不同通道的重要性權(quán)重。這一步驟增強(qiáng)了模型對(duì)重要通道特征的關(guān)注，從而提高了對(duì)特征的提取能力。在通道注意力的基礎(chǔ)上，對(duì)聚焦的通道特征圖進(jìn)行空間維度注意力學(xué)習(xí)。基于空間注意力機(jī)制，模型能夠更關(guān)注圖像中的關(guān)鍵位置，可提高模型對(duì)空間位置的敏感度，從而提升對(duì)復(fù)雜背景下缺陷的檢測(cè)能力。例如，當(dāng)處理給水管道內(nèi)壁上由光照變化導(dǎo)致的陰影和反光區(qū)域時(shí)，CBAM模塊能夠有效區(qū)分實(shí)際缺陷和環(huán)境噪聲，從而提高檢測(cè)的準(zhǔn)確性和魯棒性。

2.2 遷移學(xué)習(xí)

本文使用了遷移學(xué)習(xí)策略，以提高模型對(duì)新領(lǐng)域數(shù)據(jù)的適應(yīng)性和泛化能力。遷移學(xué)習(xí)允許模型將一個(gè)任務(wù)中學(xué)到的知識(shí)應(yīng)用到另一個(gè)相關(guān)但不同的任務(wù)中。本模型將VGG-16網(wǎng)絡(luò)作為基礎(chǔ)架構(gòu)，并預(yù)加載ImageNet數(shù)據(jù)集中訓(xùn)練的權(quán)重，這樣做的目的是將已有的豐富特征學(xué)習(xí)能力作為起點(diǎn)。

在給水管道內(nèi)缺陷識(shí)別任務(wù)中，遷移學(xué)習(xí)能夠加速模型的訓(xùn)練過程，提高模型在特定任務(wù)中的表現(xiàn)。通過預(yù)加載VGG-16的權(quán)重，模型初始化時(shí)已經(jīng)具備了較強(qiáng)的特征提取能力，只需要在較小的給水管道數(shù)據(jù)集上進(jìn)行微調(diào)即可適應(yīng)新任務(wù)。微調(diào)過程包括調(diào)整模型參數(shù)，使其能夠更好地識(shí)別和分類處理給水管道中的各種缺陷。具體來說，通過遷移學(xué)習(xí)，模型利用預(yù)訓(xùn)練權(quán)重在初期階段快速學(xué)習(xí)到管道缺陷的基本特征，例如裂紋、沉積物等。進(jìn)而在后續(xù)訓(xùn)練中，針對(duì)特定的缺陷類型進(jìn)行精細(xì)調(diào)整，使模型在處理這些特定類型的缺陷過程中能夠表現(xiàn)得更精準(zhǔn)、高效。這種方法不僅減少了模型的訓(xùn)練時(shí)間，還提高了模型的泛化能力和適應(yīng)性，使其能夠在復(fù)雜和多變的實(shí)際環(huán)境中保持較高的檢測(cè)精度。

3 試驗(yàn)與分析

3.1 數(shù)據(jù)集構(gòu)建

本文針對(duì)水下管道內(nèi)缺陷識(shí)別問題，在實(shí)際工程視頻中采集了大量圖像，并構(gòu)建了一個(gè)專門的水下管道內(nèi)缺陷識(shí)別數(shù)據(jù)集。為了提升數(shù)據(jù)集的質(zhì)量和多樣性，本文采用了多種圖像增強(qiáng)技術(shù)，包括對(duì)比度調(diào)整、亮度調(diào)整和旋轉(zhuǎn)等方法。這些增強(qiáng)措施可使最終數(shù)據(jù)集的規(guī)模達(dá)到8 660張圖像。數(shù)據(jù)集覆蓋了6種不同的管道狀態(tài)，包括泄露、沉積泥沙、沉積石塊、氣囊、其他異物和無缺陷管道。為了有效訓(xùn)練和評(píng)估模型，按照7∶2∶1的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，并進(jìn)行手動(dòng)標(biāo)注。此外，為了保證數(shù)據(jù)的均衡性，需要保證各類缺陷的訓(xùn)練樣本均為1 000張左右。

3.2 模型訓(xùn)練

水下管道內(nèi)缺陷識(shí)別數(shù)據(jù)集構(gòu)建完成后，使用改進(jìn)的SSD模型在數(shù)據(jù)集中進(jìn)行訓(xùn)練。具體的訓(xùn)練參數(shù)如下：輸入圖像尺寸為300×300，權(quán)重衰減參數(shù)為2×10-4，批量大小為32，最大學(xué)習(xí)率設(shè)為0.001，最小學(xué)習(xí)率設(shè)為0.000 01，模型使用Adam優(yōu)化器進(jìn)行優(yōu)化。

3.3 損失函數(shù)

在訓(xùn)練過程中，損失函數(shù)用于衡量模型預(yù)測(cè)與真實(shí)值間的差異。本文采用的損失函數(shù)包括2個(gè)主要部分：定位損失（localization loss）和置信度損失（confidence loss），兩者結(jié)合可用于優(yōu)化模型在給水管道內(nèi)缺陷識(shí)別中的性能。

定位損失用于測(cè)量預(yù)測(cè)邊界框（bounding box）與真實(shí)邊界框間的偏差。在SSD中，通常將Smooth L1 Loss作為定位損失，這是一種比標(biāo)準(zhǔn)L1損失魯棒性更強(qiáng)的版本，對(duì)異常點(diǎn)（outliers）不敏感。當(dāng)Smooth L1損失值小于一定閾值（例如1）時(shí)表現(xiàn)為平方損失，大于該閾值時(shí)表現(xiàn)為L1損失，從而能夠平滑地減少大誤差對(duì)總損失的影響。使用l和g分別表示預(yù)測(cè)框和真實(shí)框的位置，定位損失Lloc（x，l，g）可以表示為公式（1）。

（1）

式中：xkij=1為第i個(gè)預(yù)測(cè)框?qū)?yīng)的第j個(gè)真實(shí)框，并且正確的類別是k；smothL1為Smooth L1損失函數(shù)； cx、cy分別為中心點(diǎn)的坐標(biāo)；w、h分別為寬度和高度；m為坐標(biāo)維度的索引；i為預(yù)測(cè)框的索引；N為總的預(yù)測(cè)框數(shù)量；Pos為正樣本集合；lim為第i個(gè)預(yù)測(cè)框在第m維度上的位置；gjm為第j個(gè)真實(shí)框在第m維度上的位置。

置信度損失衡量預(yù)測(cè)類別與真實(shí)類別間的誤差，在SSD中通常由Softmax損失實(shí)現(xiàn)。這種損失函數(shù)能夠比較預(yù)測(cè)的類別概率分布與實(shí)際的類別概率分布，以此評(píng)估分類的準(zhǔn)確性，如公式（2）所示。

（2）

式中：為模型預(yù)測(cè)第i個(gè)框?yàn)轭悇ek的概率；xkij=1為第i個(gè)預(yù)測(cè)框?qū)?yīng)的真實(shí)類別是k；Neg為被選擇為負(fù)樣本（非目標(biāo)類）的框；Lconf（x，c）為置信度損失函數(shù)，計(jì)算模型在預(yù)測(cè)類別上的誤差，其中x為真實(shí)的類別標(biāo)簽信息，c 為模型的預(yù)測(cè)結(jié)果。

SSD的總損失函數(shù)是定位損失和置信度損失的加權(quán)和，如公式（3）所示。

（3）

式中：α為一個(gè)平衡定位損失與置信度損失的權(quán)重系數(shù)；N為匹配到真實(shí)框的預(yù)測(cè)框數(shù)量，用于規(guī)范化損失。

多次迭代訓(xùn)練可最小化總損失函數(shù)，使模型能夠逐漸提高對(duì)給水管道內(nèi)缺陷（如裂紋、沉積物等）的檢測(cè)精度。在優(yōu)化過程中，定位損失能幫助模型更準(zhǔn)確地定位缺陷區(qū)域，置信度損失則保證模型能夠?qū)Ω黝惾毕葸M(jìn)行正確分類。

3.4 評(píng)估指標(biāo)

在給水管道內(nèi)缺陷識(shí)別中，本文將平均精度（Average Precision，AP）和平均精度均值（mean Average Precision，mAP）作為主要評(píng)估指標(biāo)，量化模型對(duì)各種缺陷類型的檢測(cè)性能。AP計(jì)算了召回率-精確率曲線（Precision-Recall Curve，PR Curve）下的面積。下文將具體解釋精確率與召回率。

精確率（Precision）是模型正確識(shí)別為正類的樣本數(shù)與所有被識(shí)別為正類的樣本數(shù)的比率。精確率高說明模型在其判斷樣本為正類時(shí)更準(zhǔn)確。在給水管道內(nèi)缺陷識(shí)別任務(wù)中，精確率反映了模型檢測(cè)出缺陷的可靠性。例如，當(dāng)模型識(shí)別出某個(gè)區(qū)域存在裂紋時(shí)，精確率高表明該識(shí)別結(jié)果更可能是正確的。召回率（Recall）也稱為真正率，是模型正確識(shí)別為正類的樣本數(shù)與所有實(shí)際正類樣本數(shù)的比率。召回率高表示模型能夠捕捉到更多的正類樣本。在給水管道內(nèi)缺陷識(shí)別中，召回率反映了模型發(fā)現(xiàn)所有實(shí)際缺陷的能力。高召回率表示模型能夠檢測(cè)到更多的實(shí)際缺陷，例如裂紋、沉積物等，從而降低漏報(bào)率。

召回率-精確率曲線受模型預(yù)測(cè)正類的閾值的影響。隨著閾值發(fā)生變化，召回率和精確率會(huì)發(fā)生變化。一般來說，當(dāng)召回率增加時(shí)，精確率會(huì)下降，反之亦然。該曲線有助于了解模型在不同閾值下的表現(xiàn)。平均精度（AP）是召回率-精確率曲線下的面積，如公式（4）所示。

AP=∫0p（r）dr " " " " " （4）

式中：p（r）為給定召回率r時(shí)的精確率。

在實(shí)際操作中，召回率和精確率通常是離散計(jì)算的，因此AP可以利用公式（5）進(jìn)行近似計(jì)算。

（5）

式中：Rk和Pk分別為第k個(gè)閾值對(duì)應(yīng)的召回率和精確率；n為閾值的數(shù)量。

mAP是所有類別的平均檢測(cè)性能指標(biāo)。對(duì)每個(gè)缺陷類別分別計(jì)算AP值后，將所有類別的AP值取平均，即可得到mAP。

3.5 結(jié)果分析

為驗(yàn)證模型的性能，本文將原始的SSD模型、加入CBAM模塊的模型、進(jìn)行遷移學(xué)習(xí)的SSD模型與本文提出的完整的模型進(jìn)行對(duì)比試驗(yàn)，即在構(gòu)建的給水管道內(nèi)缺陷數(shù)據(jù)集的訓(xùn)練集中按照第3.2節(jié)的試驗(yàn)配置進(jìn)行訓(xùn)練，并在測(cè)試集上進(jìn)行測(cè)試，試驗(yàn)結(jié)果見表1。

由表1結(jié)果可知，所有模型在每種缺陷類型中的表現(xiàn)均隨技術(shù)增強(qiáng)而提高，尤其是在結(jié)合CBAM和遷移學(xué)習(xí)的情況下，模型性能有顯著提升。CBAM增強(qiáng)了模型的特征表達(dá)能力，使其在進(jìn)行特征學(xué)習(xí)過程中更關(guān)注于圖像中的關(guān)鍵部分，表明模型可以更有效地從圖像中提取出有助于識(shí)別各種缺陷的信息。遷移學(xué)習(xí)提供了一組已經(jīng)在復(fù)雜環(huán)境下學(xué)習(xí)過的權(quán)重，這些權(quán)重可以使模型在特定任務(wù)上更快達(dá)到優(yōu)化狀態(tài)，并降低過擬合風(fēng)險(xiǎn)（模型已經(jīng)學(xué)習(xí)了多樣化數(shù)據(jù)中的通用特征）。二者結(jié)合使模型不僅能夠捕捉到缺陷類型的詳細(xì)特征，還能在復(fù)雜背景下保持較高的性能和穩(wěn)定性。

4 結(jié)語

本文研究了一種改進(jìn)的SSD模型，結(jié)合CBAM（卷積塊注意力模塊）和遷移學(xué)習(xí)技術(shù)，提高了給水管道內(nèi)部缺陷的識(shí)別精度。試驗(yàn)結(jié)果驗(yàn)證了這種方法的有效性，顯示出其在水質(zhì)安全監(jiān)控領(lǐng)域的應(yīng)用潛力。盡管改進(jìn)的SSD模型在性能上有顯著提升，但是仍然具有一定局限性。模型的計(jì)算復(fù)雜度因引入CBAM而增加，可能會(huì)影響模型在實(shí)時(shí)應(yīng)用中的部署效率。針對(duì)現(xiàn)有模型缺點(diǎn)，未來可以研究更高效的算法或簡化CBAM結(jié)構(gòu)，以減少模型的計(jì)算需求，使其更適合實(shí)時(shí)監(jiān)測(cè)應(yīng)用。此外，優(yōu)化模型的架構(gòu)可能還包括引入輕量級(jí)的神經(jīng)網(wǎng)絡(luò)層和采用更高效的訓(xùn)練技術(shù)，在保持模型性能的同時(shí)減少其對(duì)硬件資源的依賴。

參考文獻(xiàn)

[1]張偉，余健，李葳，等.廣州市排水管道沉積現(xiàn)狀研究分析[J].給水排水，2012，38（7）：147-150.

[2]戶瑩.基于深度學(xué)習(xí)的地下排水管道缺陷智能檢測(cè)技術(shù)研究[D].西安：西安理工大學(xué)，2019.

[3]王俊嶺，鄧玉蓮，李英，等.排水管道檢測(cè)與缺陷識(shí)別技術(shù)綜述[J].科學(xué)技術(shù)與工程，2020，20（33）：13520-13528.

[4]李華，劉陽，孟祥鵬，等.基于機(jī)器視覺的管道通徑內(nèi)檢測(cè)技術(shù)[J].油氣儲(chǔ)運(yùn)，2019，38（10）：1165-1169.

[5]李忠虎，張琳，閆俊紅，等.基于機(jī)器視覺的管道內(nèi)表面三維重建研究[J].內(nèi)蒙古科技大學(xué)學(xué)報(bào)，2017，36（2）：167-171.

[6]A HAWARI ，MALAMIN M，F(xiàn) ALKADOUR ，et al.Automated defect detection tool for closed circuit television （cctv） inspected sewer pipelines[J].Automation in construction，2018（89）：99-109.

[7]MOTAMEDI M，F(xiàn)ARAMARZI F，DURAN O.New concept"for corrosion inspection of urban pipeline networks by digital image processing[J].The journal of urology，2016，195（4）：1079-1080.