大地视频在线观看免费,japan成熟少妇videos,亚洲日韩精品看片无码,日本免费高清在线视频毛片

Q1  基于CCTV圖像的管道缺陷智能識(shí)別和分類技術(shù)是怎樣實(shí)現(xiàn)的？


       A：從原理上看，該技術(shù)隸屬于計(jì)算機(jī)視覺研究領(lǐng)域，通過(guò)獲取圖像、圖像預(yù)處理、特征抽取、分類器設(shè)計(jì)和分類決策等程序，提取并辨認(rèn)指 定目標(biāo)圖像，從而建立人工智能系統(tǒng)。通俗地說(shuō)，就是利用管道缺陷圖像數(shù)據(jù)作為“教學(xué)范本”，教會(huì)機(jī)器什么是我們需要的信息，并對(duì)信息進(jìn)行判斷和分類，達(dá)到和人工判讀管道缺陷相同的效果。


      排水管道缺陷檢測(cè)領(lǐng)域的計(jì)算機(jī)視覺相關(guān)方法主要有傳統(tǒng)基于規(guī)則的方法、傳統(tǒng)機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)方法和多策略融合方法。筆者調(diào)研相關(guān)論文所使用的各方法比例如下圖1所示：

圖1  引用文獻(xiàn)的個(gè)研究方法比例

    （1）傳統(tǒng)基于規(guī)則的算法是指基于數(shù)學(xué)微分思想和形態(tài)學(xué)原理的邊緣檢測(cè)算法，根據(jù)圖片畫面中的亮暗、光影等特征，定位管道缺陷，實(shí)現(xiàn)檢測(cè)功能。但該方法存在較多不足，包括：相關(guān)研究的樣本較少，識(shí)別準(zhǔn)確率參差不齊；依賴人工判斷，智能化程度不高；沒有訓(xùn)練過(guò)程，泛化能力差等。因此，關(guān)于此方法的創(chuàng)新性研究不多。


    （2）傳統(tǒng)機(jī)器學(xué)習(xí)方法是計(jì)算機(jī)從大量數(shù)據(jù)中提取數(shù)據(jù)特征并進(jìn)行學(xué)習(xí)，通過(guò)模型訓(xùn)練進(jìn)而解決相應(yīng)問題的過(guò)程。該方法的智能識(shí)別能力和綜合識(shí)別效果有所提升。但該方法只能提取少量缺陷特征，輸出結(jié)果較單一，因此僅能判斷管道是否完好或識(shí)別少量缺陷類別。


    （3）深度學(xué)習(xí)方法是機(jī)器學(xué)習(xí)的分支，其中又以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）應(yīng)用最廣。主要流程為：將圖片輸入后由卷積層提取特征，使用激活函數(shù)加入非線性元素，經(jīng)池化層降維處理，最 后通過(guò)全連接層分類輸出，如圖2所示。

圖2  卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

        當(dāng)前，管道缺陷檢測(cè)主要針對(duì)圖像分類和目標(biāo)檢測(cè)問題展開，涉及各研究比例如下圖3所示。

圖3  深度學(xué)習(xí)方法用于不同視覺任務(wù)的論文比例

      圖像分類需根據(jù)不同缺陷特征（結(jié)構(gòu)性或功能性）將給定的缺陷圖片分類。應(yīng)用較多的CNN模型有ResNet、AlexNet、VGG和GoogleNet等，模型訓(xùn)練圖片數(shù)量從幾百至上萬(wàn)，可區(qū)分的缺陷類別較多，絕大部分輸出準(zhǔn)確率超過(guò)80%。


      目標(biāo)檢測(cè)需識(shí)別圖片中存在的缺陷并以選框形式標(biāo)識(shí)出來(lái)，應(yīng)用較多的CNN模型有YOLO和Faster R-CNN，引入目標(biāo)檢測(cè)器或?qū)蛹?jí)式類別注意力機(jī)制也能達(dá)到目標(biāo)檢測(cè)效果。


      相比前兩種方法，深度學(xué)習(xí)模型的訓(xùn)練樣本數(shù)量可達(dá)數(shù)萬(wàn)張，數(shù)據(jù)處理能力較強(qiáng)；缺陷特征提取過(guò)程減少了人工工作量，智能化程度較高；能實(shí)現(xiàn)圖像分類和目標(biāo)檢測(cè)等任務(wù)，模型功能性豐富；大部分模型識(shí)別精度很高，輸出效果較優(yōu)。


     （4）多策略融合方法采取模塊化、分步驟思路，由兩種或兩種以上機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型共同構(gòu)成缺陷圖像檢測(cè)分類框架。該方法不僅能解決常規(guī)圖像分類和目標(biāo)檢測(cè)問題，還在缺陷邊緣分割、細(xì)粒度分類、圖像動(dòng)態(tài)特征捕獲、缺陷實(shí)例分割和全過(guò)程自動(dòng)化評(píng)估等問題上體現(xiàn)了優(yōu) 越性。該方法更適用于視頻缺陷識(shí)別或其他特定場(chǎng)景，前瞻性很強(qiáng)，但還需繼續(xù)優(yōu)化模型運(yùn)算速度和識(shí)別精度。

Q2  如何評(píng)價(jià)管道缺陷檢測(cè)模型的好與壞？


       A：管道缺陷圖像智能檢測(cè)模型設(shè)計(jì)應(yīng)考慮適用性、易用性和經(jīng)濟(jì)性等多方因素。然而，對(duì)于模型評(píng)價(jià)使用的指標(biāo)及結(jié)果可接受范圍等，業(yè)內(nèi)尚未形成共識(shí)。概括來(lái)說(shuō)有以下兩類指標(biāo)：

    （1）過(guò)程評(píng)價(jià)指標(biāo)。它是模型在運(yùn)行過(guò)程中表征其精度和速度的一系列指標(biāo)。例如：“交并比（Intersection over Union，IoU）”表征模型識(shí)別區(qū)域面積與實(shí)際標(biāo)記面積的大小關(guān)系，兩部門面積重合度越高，識(shí)別越精 準(zhǔn)；模型運(yùn)行速度表征檢測(cè)分類的即時(shí)性等。


    （2）結(jié)果評(píng)價(jià)指標(biāo)。它直觀有效地評(píng)估模型輸出效果，常用的評(píng)價(jià)指標(biāo)有準(zhǔn)確率（Accuracy）、精 確率（Precision）、召回率（Recall）、綜合評(píng)價(jià)指標(biāo)（F-Measure）和ROC（Receiver Operating Characteristic）曲線等。


Q3  在當(dāng)前國(guó)內(nèi)市場(chǎng)上，管道智能檢測(cè)發(fā)展如何？


       A：當(dāng)前我國(guó)市場(chǎng)上的CCTV管道機(jī)器人在硬件層面已無(wú)需依賴進(jìn)口，實(shí)現(xiàn)了國(guó)產(chǎn)化和自主化。國(guó)內(nèi)二十余家管道檢測(cè)機(jī)器人制造企業(yè)和市政管網(wǎng)非開挖修復(fù)單位大力推進(jìn)缺陷檢測(cè)軟件技術(shù)研發(fā)，大多基于深度學(xué)習(xí)算法，已有可商用的產(chǎn)品。目前效果最 好 的管道缺陷視頻分割系統(tǒng)識(shí)別精度可達(dá)98%。


      然而，現(xiàn)投入市場(chǎng)使用的缺陷檢測(cè)系統(tǒng)智能化、自動(dòng)化水平仍不夠高，圖像識(shí)別以區(qū)分正常管段和缺陷管段為主，細(xì)小缺陷抓取準(zhǔn)確率很低，對(duì)缺陷進(jìn)行細(xì)分類的過(guò)程仍依賴人工。調(diào)研中還發(fā)現(xiàn)，管道缺陷智能檢測(cè)技術(shù)的市場(chǎng)普及率較低。一方面，現(xiàn)有軟件還不能完全脫離人工操作；另一方面，智能檢測(cè)配套軟硬件成本較高，利用人工判讀較為經(jīng)濟(jì)。


      國(guó)內(nèi)管道缺陷智能檢測(cè)領(lǐng)域還不成熟，仍處上升期。要加大對(duì)管道檢測(cè)智能系統(tǒng)的研發(fā)投入，不斷擴(kuò)充深度學(xué)習(xí)模型樣本量，提高識(shí)別精度，實(shí)現(xiàn)細(xì)分類功能。必要時(shí)可考慮引入激光測(cè)距和3D掃描技術(shù)，實(shí)現(xiàn)軟硬件結(jié)合發(fā)展，進(jìn)一步降低缺陷識(shí)別的成本。


Q4  管道缺陷智能檢測(cè)技術(shù)的未來(lái)和挑戰(zhàn)？


       A：由于基于規(guī)則的圖像分割算法智能化程度不高、基于小樣本的傳統(tǒng)機(jī)器學(xué)習(xí)方法無(wú)法適應(yīng)大量圖像分類要求，目前，以卷積神經(jīng)網(wǎng)絡(luò)為主的深度學(xué)習(xí)方法成為了管道缺陷智能檢測(cè)技術(shù)的研究重點(diǎn)，并面臨以下挑戰(zhàn)：

    （1）持續(xù)擴(kuò)充有效的圖像樣本數(shù)據(jù)庫(kù)。圖像樣本數(shù)量和質(zhì)量是影響檢測(cè)速度和精度的重要因素，樣本數(shù)量少易產(chǎn)生過(guò)擬合問題，缺陷樣本數(shù)量不平衡會(huì)導(dǎo)致模型泛化能力弱，樣本圖像相似度高或光照條件弱會(huì)增加特征提取難度。


    （2）加快現(xiàn)有智能檢測(cè)算法在管道檢測(cè)市場(chǎng)的推廣應(yīng)用。多缺陷檢測(cè)和實(shí)例/語(yǔ)義分割技術(shù)已成為主流，應(yīng)加大智能算法的遷移應(yīng)用力度，優(yōu)化缺陷細(xì)分類檢測(cè)、多缺陷共存檢測(cè)和缺陷實(shí)例分割等功能。


    （3）結(jié)合多技術(shù)手段，提升管道視頻識(shí)別精度。視頻缺陷的實(shí)時(shí)定位受照明和畫面模糊度影響很大，使用視頻自動(dòng)化截圖會(huì)降低缺陷識(shí)別率。為了幫助缺陷特征提取，需提升傳統(tǒng)管道機(jī)器人硬件水平，如利用三維激光雷達(dá)或深度相機(jī)以獲取更多空間信息和缺陷細(xì)節(jié)。


    （4）積極構(gòu)建管道健康評(píng)估一體化智能系統(tǒng)。檢測(cè)系統(tǒng)應(yīng)以我國(guó)現(xiàn)行規(guī)范為指南，考慮缺陷嚴(yán)重等級(jí)和管段綜合得分，優(yōu)化系統(tǒng)視覺體驗(yàn)和交互體驗(yàn)，生成智能檢測(cè)報(bào)告，選取修復(fù)工法，合理評(píng)估管道使用年限。



微信對(duì)原文有修改。原文標(biāo)題：排水管道缺陷圖像的智能識(shí)別分類技術(shù)綜述；作者：廖嘉杰、黃  勝、馬保松、林沛元；作者單位：中山大學(xué)土木工程學(xué)院?？窃凇督o水排水》2023年第7期。