樣本特征混淆約束下建筑給排水管道典型缺陷檢測

摘 要： 建筑給排水管道缺陷具有時變性，且管道構造較為復雜，導致缺陷訓練樣本的特征混淆頻發(fā)，如何通過有效圖像特征學習提升缺陷識別精度成為研究難點。為此，該文提出一種樣本特征混淆缺失約束下建筑給排水管道典型缺陷圖像檢測方法。通過漏磁檢測設備采集管道缺陷圖像數據；采用雙邊濾波器模型實施圖像數據去噪處理，創(chuàng)新性地優(yōu)化雙邊濾波器模型的空間方差值和灰度方差值；通過插值算法對去噪管道缺陷圖像實施平滑處理，利用最佳梯度搜索完成缺陷區(qū)域圖像的閾值分割；根據圖像閾值分割結構，將近似像素灰度值映射至對應空間中，將獲取的閾值分割圖像簡化為一張二維圖像，以此獲取圖像的全局特征；通過局部二值模式對圖像局部區(qū)域中心像素大小實施量化處理，獲得局部特征；使用卡方距離算法對典型缺陷樣本與測試樣本之間的全局和局部特征距離展開計算，結合最近鄰分類器對管道缺陷圖像完成檢測。測試結果證明：利用上述方法開展管道缺陷檢測時，檢測準確度高于98.22%，檢測時間低于82 ms，在不同管道內外壁厚度下，檢測準確度保持在98% 以上，綜合提升了建筑給排水管道典型缺陷檢測效果。

關鍵詞： 狀態(tài)分類; 閾值分割; 建筑給排水管道; 缺陷無損檢測; 圖像去噪

中圖分類號： TB9; TP216 文獻標志碼： A 文章編號： 1674–5124（2024）10–0167–08

0 引 言

給排水系統(tǒng)是建筑的重要組成部分，長期使用的給排水管道極易出現裂縫等缺陷損傷，若不及時加以管理維修，會導致管道出現泄漏、污水外溢現象，給居民健康和財產造成威脅。同時，給排水管道的缺陷可能導致污水泄漏到周圍環(huán)境中，不僅會對土壤和地下水造成污染，還會引起墻體、地板等建筑結構的受潮和腐蝕，長期下來可能影響建筑物的穩(wěn)定性和安全性。通過檢測管道缺陷可以及時發(fā)現和修復管道泄漏問題，從而確保供水系統(tǒng)的安全性、建筑結構的穩(wěn)定性。但常規(guī)的人工管道缺陷檢測方法需要對管道進行拆除，容易破壞管道結構，實時性較差，時間和人力成本較高。無損智能圖像檢測技術可以在不拆除管道的情況下進行檢測，快速獲得準確的檢測結果，實時監(jiān)測管道的狀態(tài)變化，節(jié)省了時間和人力資源。因此對建筑內給排水管道實施有效的缺陷無損檢測，成為建筑維修以及物業(yè)管理領域研究者關注的重要課題[1-2]。

文獻[3] 方法首先根據實際管道獲取管道缺陷圖像，利用卷積神經網絡建立一個檢測模型。在此模型中輸入獲取的圖像并對圖像實施語義分割。開展圖像學習訓練，提取圖像的缺陷特征在模型輸出層對其實施有效分類；最后根據圖像缺陷特征分類結果，實現給排水管道的缺陷無損檢測。

文獻[4] 方法首先利用IGL-GCN 模型在卷積神經網絡基礎上利用圖卷積網絡中的標簽圖使二者之間具備共生關系的標簽分類器，提升預測標簽的共生概率；再改進卷積神經網絡模塊更新節(jié)點信息標簽圖；最后根據優(yōu)化結果建立管道缺陷檢測模型，通過構建的模型實現對管道缺陷的無損檢測。

文獻[5] 方法首先根據卷積神經網絡建立一個檢測模型。使用inceptonV3 框架，針對管道圖像缺陷類別不均衡特點，對模型實施優(yōu)化處理。在模型中根據管道提取特征融合策略制定目標函數。最后基于優(yōu)化后的缺陷檢測模型，完成管道缺陷的無損檢測。

上述方法在管道缺陷無損檢測時，都需要充足、清晰的樣本信息。建筑給排水管道堵塞連續(xù)多發(fā)且具有時變性，承擔緩震功能的U 型管道構造特殊，缺陷訓練樣本局部特征和全部特征混淆頻發(fā)，并不充足清晰，現有方法難以在這種情況下，獲得精度高的缺陷識別結果。基于此，本文提出一種樣本特征混淆缺失約束下建筑給排水管道典型缺陷圖像檢測方法。通過漏磁檢測設備采集管道缺陷圖像數據，利用雙邊濾波器模型對圖像進行去噪處理，同時創(chuàng)新性地優(yōu)化模型的空間方差值和灰度方差值。通過插值算法對管道缺陷圖像實施平滑處理，利用最佳梯度搜索進行缺陷區(qū)域圖像閾值分割；分別提取管道缺陷圖像的全局和局部特征，結合卡方距離算法和最近鄰分類器實現無損檢測。

1 雙邊濾波器模型下的缺陷圖像采集及去噪處理

管道無損檢測是根據檢測設備監(jiān)測圖像判斷缺陷問題，因此開展建筑給排水管道缺陷檢測前，需要對獲取管道的缺陷圖像。為了增強后續(xù)檢測效果，還需對獲取的管道缺陷圖像實施去噪處理[6]。