专家观点｜排水管道缺陷智能检测的四个关键问题

然而，机器人检测后生成大量图像视频依赖人工进行判读，耗时费力。近年来，众多学者和企业尝试引入计算机技术对管道CCTV检测图像进行识别和分类，以简化人工判读流程、快速评估缺陷情况、***生成检测报告。针对此，中山大学马保松团队尝试解答以下四个关键问题：

基于CCTV图像的管道缺陷智能识别和分类技术是怎样实现的？

排水管道缺陷检测领域的计算机视觉相关方法主要有传统基于规则的方法、传统机器学习方法、深度学习方法和多策略融合方法。笔者调研相关论文所使用的各方法比例如下图1所示：

（1）传统基于规则的算法是指基于数学微分思想和形态学原理的边缘检测算法，根据图片画面中的亮暗、光影等特征，定位管道缺陷，实现检测功能。但该方法存在较多不足，包括：相关研究的样本较少，识别准确率参差不齐；依赖人工判断，智能化程度不高；没有训练过程，泛化能力差等。因此，关于此方法的创新性研究不多。

（3）深度学习方法是机器学习的分支，其中又以卷积神经网络（Convolutional Neural Networks，CNN）应用***广。主要流程为：将图片输入后由卷积层提取特征，使用激活函数加入非线性元素，经池化层降维处理，***后通过全连接层分类输出，如图2所示。

当前，管道缺陷检测主要针对图像分类和目标检测问题展开，涉及各研究比例如下图3所示。

图像分类需根据不同缺陷特征（结构性或功能性）将给定的缺陷图片分类。应用较多的CNN模型有ResNet、AlexNet、VGG和GoogleNet等，模型训练图片数量从几百***万，可区分的缺陷类别较多，绝大部分输出准确率超过80%。

相比前两种方法，深度学习模型的训练样本数量可达数万张，数据处理能力较强；缺陷特征提取过程减少了人工工作量，智能化程度较高；能实现图像分类和目标检测等任务，模型功能性丰富；大部分模型识别精度很高，输出效果较优。

Q2 A：管道缺陷图像智能检测模型设计应考虑适用性、易用性和经济性等多方因素。然而，对于模型评价使用的指标及结果可接受范围等，业内尚未形成共识。概括来说有以下两类指标：

（2）结果评价指标。它直观有效地评估模型输出效果，常用的评价指标有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、综合评价指标（F-Measure）和ROC（Receiver Operating Characteristic）曲线等。

在当前国内市场上，管道智能检测发展如何？

然而，现投入市场使用的缺陷检测系统智能化、自动化1*3*1+1*9-1-0/2*9+7-3水平仍不够高，图像识别以区分正常管段和缺陷管段为主，细小缺陷抓取准确率很低，对缺陷进行细分类的过程仍依赖人工。调研中还发现，管道缺陷智能检测技术的市场普及率较低。一方面，现有软件还不能完全脱离人工操作；另一方面，智能检测配套软硬件成本较高，利用人工判读较为经济。

Q4 A：由于基于规则的图像分割算法智能化程度不高、基于小样本的传统机器学习方法无法适应大量图像分类要求，目前，以卷积神经网络为主的深度学习方法成为了管道缺陷智能检测技术的研究***，并面临以下挑战：

（2）加快现有智能检测算法在管道检测市场的推广应用。多缺陷检测和实例/语义分割技术已成为主流，应加大智能算法的迁移应用力度，优化缺陷细分类检测、多缺陷共存检测和缺陷实例分割等功能。

（4）积极构建管道健康评估一体化智能系统。检测系统应以我国现行规范为指南，考虑缺陷严重等级和管段综合得分，优化系统视觉体验和交互体验，生成智能检测报告，选取修复工法，合理评估管道使用年限。

声明：本站文章及图片部分系网络转载，版权归原作者和原出处所有，若涉及版权问题，请联系我们及时删除。