基于卷積神經網絡的管道井缺陷識別研究

白智慧

摘要：管道井與人類社會生活息息相關，而由于管道井蓋丟失、破損造成交通事故頻發，危害人類財產生命安全。本文提出利用計算機視覺技術檢測識別管道井缺陷，然后通過標記報警功能來實時搶修，可以避免更多事故的發生。本文通過構建深度神經網絡模型，利用卷積神經網絡模型自動提取圖像中每種管道井缺陷的特征，通過對管道井的六種缺陷現象進行訓練、測試，得到最終識別結果。實驗結果表明，卷積神經網絡對管道井缺陷圖像的識別達到來預期的效果，并在缺陷檢測中優于傳統的分類模型。

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.

關鍵詞：管道井缺陷識別;圖片分類;卷積神經網絡

0? 引言

管道井用于布置豎向設備管線的豎向井道，與人類社會生活息息相關，除了基本的供水、供電、排水管線之外，還有電話、有線電視、監控、通風等功能。近年來管道井缺陷事故頻發，尤其是馬路上管道井蓋丟失、破損造成的事故尤其嚴重極大的危害人類的生命財產安全，因而管道井缺陷的檢測尤其重要。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、井框錯臺，除了井表面的缺陷，井內缺陷有井內異物入侵、沉積等。而利用計算機視覺技術檢測識別管道井缺陷，然后通過標記報警功能來實時搶修，可以避免更多事故的發生。在計算機視覺中，卷積神經網絡是人工智能算法，屬于機器學習的范疇。卷積神經網絡被認為是學習圖像內容的最佳技術之一，可以達到自動提取圖像特征，本文將通過構建卷緊神經網絡模型識別管道井的缺陷種類，然后進行標記分類。

1? 管道井缺陷數據集

管道井缺陷的類別有很多，本文主要針對井蓋缺失、井蓋下沉、井圈腐蝕、井蓋破損、井蓋凹凸、井框錯臺缺陷進行檢測分類和識別標記。本文用于研究的管道井圖像樣本共420張，一是來自網絡公開圖片180張，其余240張來源于手機和相機拍攝。樣本集如表1所示。

2? 構建卷積神經網絡模型

在圖像處理中，圖像的分類和識別是其典型的任務之一。在目前的研究中，對圖像分類、識別、分割技術中，深度神經網絡無疑是最好的機器學習算法之一。深度神經網絡（Deep Neural Networks，DNN）是一種需要依賴具體模型實現的、逐層貪婪無監督的學習方法，它有很多隱藏層，也可以稱為深度前饋神經網絡（DFN）。常見的深度學習模型有深度信念網絡（Deep Belief Networks，DBN）、受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）、堆棧式自動編碼器（Stacked Auto-encoder，SAE）和卷積神經網絡（Convolutional Neural Networks，CNN）。CNN是一種包含卷積層的深度神經網絡，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，在大型圖像處理中有出色表現。典型的卷積神經網絡包括輸入層（INPUT）、卷積層（CONV）、激活函數（RELU）、池化層（POOL）、全連接層（FC）以及輸出層（OUTPUT）。典型的卷積神經網絡如圖1所示。

建立一個深度神經網絡需要的零件如表2深度神經網絡零件所示。

其中，Dense層也就是全連接層，也稱為Linear層，計算公式為：

卷積層的作用就是組合周圍多個像素、進一步提取圖像的特征。對于圖像的輸入，傳統的機器學習模型，可以處理單一像素，但是缺乏像素的組合能力。卷積核是一種可學習參數集合的濾波器，設置卷積核在輸入圖像上按特定步長進行滑動，計算出特征映射神經元并組合成特征圖。數據在卷積層中流動過程可用如下公式表示：

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

3? 管道井缺陷識別

為了保證實驗的準確性，本文提出的算法是基于tensorflow后端的keras深度學習庫的開源代碼。在Anaconda平臺下使用 python3.7 進行編程。 實驗過程將所有樣本圖片的分辨率均設為448×448。實驗樣本集種類圖例如圖3。

本實驗對樣本圖片采用2-8的拆分原則，將其中80%的圖片作為訓練集，輸入到深度卷積神經網絡模型中，模型的準確率達到96.4%。然后利用訓練的模型，對管道井圖像進行預測。本文在代碼中調用了繪圖模塊，繪制了訓練的準確率和損失率，如圖 4 和圖 5 所示（淺色為訓練結果，深色為驗證結果）。該實驗共訓練迭代20次，在第15次迭代之后，準確率逐漸增長緩慢，趨于穩定。

4? 結束語

本文提出了一種基于卷積神經網絡的管道井缺陷識別方法，相較于傳統的機器學習識別方法，該方法不必手動提取圖像中各類管道井缺陷的特征，而是自動提取圖像特征，實現圖像的自動識別分類，識別速率高。由實驗結果得出，卷積神經網絡對管道井缺陷的識別由較好的結果。本實驗是小樣本訓練，想要獲取更好的準確率還需要進一步擴充數據集。另一方面是管道井缺陷的定位的研究。利用交通監控可以實現管道井缺陷的識別，然而對管道井缺陷的位置定位，實現自動報警才能更好的解決管道井缺陷所帶來的交通危害。

參考文獻：

[1]楊文佳，朱海龍，劉靖宇.基于卷積神經網絡的天氣現象識別方法研究[J].智能計算機與應用，2019，9（06）：214-216.

[2]楊真真，匡楠，范露，康彬.基于卷積神經網絡的圖像分類算法綜述[J].信號處理，2018，34（12）：1474-1489.

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

[4]施雨舟.基于卷積神經網絡的天氣識別方法研究[D].上海交通大學，2018.

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