摘要：城市地下管线是保障城市运行的重要基础设施，如同人体的血管一般分布错综复杂。然而地下管道结构复杂维护困难，时间一长发生各种形式的损坏情况，如：管道堵塞、管线爆裂、材料老化等经常引发城市内涝、地表坍陷等事件，影响城市运行和造成经济损失。因此管道健康检查已成为市政管理中的重要工作。
关键词：排水管道；缺陷
1 引 言
地下管道健康检测方法有[1]:①管道闭路电视检测系统(CCTV),目前最普遍检测系统，操作人员利用控制台在地面上进行远程操纵CCTV爬行器拍摄管道内壁，录入管道内部信息进行评价和分析；②管道声呐检测技术，以水为介质利用声呐系统扫描管道内壁，得到结果是以管道纵向断面的过水面积表示，无须处理管道内部和截断水流，操作方便，但适用于管道的变形缺陷检测，结构性缺陷检测效果较差；③多重传感器法，由光学测量装置、微波传感器和声学系统构成，具有多功能检测管道效果，但费用成本较高。在上述三种检查技术中，管道
闭路电视检测系统可深入管道内部摄取视频影像，能有效获取到可供管道缺陷检测的一手资料，检测安全性高、信息清晰直观、成本较低，目前在业界已得到普遍采用。但缺陷识别依靠事后人工目视识别，耗时耗力，生产周期长。红外感应水龙头
蒸汽吹灰器
解决管道机器人系统检测效率重点在管道缺陷的判别上，深度学习为此提供了有效途径。吕兵、刘玉贤等人，借助卷积神经网络对管道CCTV视频进行了智能检测研究，试验证明在缺陷识别的准确率和召回率及识别速度上均满足了排水管道缺陷智能检测的需要，该方法也已经在深圳市的排水管道检测中应用[2
]。户莹等人基于卷积神经网络利用深圳市人工数据，建立了管道缺陷识别模型并可表示缺陷范围，二分类准确率接近90%,分割准确度接近80%,极大促进了管道缺陷检测的自动化和智能化水平[3
]。但所有样本数据量较少(户莹，每类样本800个)模型准确度不足以取代人工判别，而且样本数据受地域局限不易推广。针对排水管道内部特殊环境，李波锋采用了一种改进的低通滤波求差法提取管道功能性缺陷，该算法能有效消除光照不均匀对检测造成的影响[压花模具4
]。 2 深度学习原理
2.1 卷积神经网络(CNN)
1962年神经学家Hubel和Wiesel研究猫的视觉皮层，发现视觉皮层对于信息的处理是通过神经元上的多个轴突末梢进行分层处理、层层传递的，这启发了人们对于神经网络的研究思想。1998年，LeCun提出了LeNet-5,性能较单纯的分类器来说更加优越。在论文中，LeCun首次使用卷积一词，命名了卷积神经网络(CNN)。2006年，提出了反向传播算法的Hinton在论文中介绍了深度学习的概念，掀起了深度学习的热潮。
CNN是利用卷积核参数共享原理的一种前馈神经网络，最常用的CNN的学习算法是后向传播算法(BP),它具有多维函数映射和模式分类能力。它包括输入信息的正向传递和误差信息的反向传递两个部分，将神经网络的输出值与样本值进行对比，再以两者的均方误差作为目标函数，依照各层权重进行误差分配，调整各层参数，经过多次训练后使得目标函数符合要求，进而满足实际需要[5]。
纳米网
2.2 残差神经网络(ResNet)反渗透浓水
CNN随着网络深度不断增加，梯度弥散和梯度爆炸等问题也接连出现，特别是50层网络的测试误差率相较于20层网络高出一倍。2015年的ILSVRC(ImageNet Large Scale Visual Recognition Challenge)大赛中，He等人提出了残差神经网络(ResNet),层数达到了152层，
top-5错误率降到了3.57%,且其参数量比只有十几层的VGGNet网络更少。该网络提升训练准确性[6],且在很大程度上避免了因网络层数过多而产生的梯度爆炸问题。rct-341
CNN模型期望可以学习一个非线性最优映射函数H(x),后续样本数据中出现同类数据时会相互靠拢，ResNet模型在传统CNN神经网络模型中增加了一个恒等映射(identity mapping),将这个最优映射函数改为H(x)=F(x)+X,这样前一层的未降采样数据和经过降采样的数据可以共同作为下一层网络的输入数据，此时F(x)=H(x)-X,即整个网络只要学习输入、输出数据中的差别部分，即残差。这实际上增大了变化数值对于权重的影响，使得网络对于变化的反映更为敏感[6],更容易对权重进行调整。这解决了CNN模型在学习复杂函数时的困难，将学习过程拆成两个过程，首先学习残差函数F(X),然后通过简单映射学习函数H(x)=F(X)+X。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议