身份证号码: 65232519750914 ****
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。
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[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]。
2.2 残差神经网络(ResNet)
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。
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。
2.3 学习率优化算法
(1)梯度下降法
梯度下降法(gradient descent)是在深度学习中应用最为广泛的学习率优化算法。主要有二种典型形式[7],随机坡度下降法(SGD,Stochastic Gradient Descent)、小批量坡度下降法(MGD,Mini-batch Gradient Descent)。综合两种算法出现了几种(学习率)自适应优化算法:AdaGrad、RMSProp、Adam。
(2)Adam(Adaptive Moment Estimation)算法
Adam计算梯度的指数移动均值,即利用梯度的一阶矩估计和二阶矩估计独立地、动态地调整每个参数的自适应性学习率。比其他自适应算法更好。
该算法的权值更新规则如下:
W(I)k+1=W(I)k+△W(I)k (1)
它在实际应用中效果优于其他的自适应优化方法,并且可以提供解决噪声问题与优化稀疏梯度的方法。
3 管道缺陷分析与数据处理
3.1 管道缺陷定义与标识
目前我国排水管道有功能性缺陷与结构性缺陷两大类,依据日常养护中所遇到的各类管道病害和缺陷的状况,管道结构性缺陷包括破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入、渗漏共10种,管道功能性缺陷包含沉积、结垢、障碍物、残墙、树根、浮渣共6种[8]。修复等级分为三个等级:部分修复或不修复;缺陷管段整体修复;整段抢修或翻建。功能性缺陷一般养护可以得到改善,而结构性缺陷需要修复。具体的缺陷分类定义及等级标准参照表1和表2所示,其中为方便计算机处理将16类管道缺陷添加了数字标识。
管道结构性缺陷定义
| 缺陷定义 | 代码 | 缺陷 |
| 管道内外部压力超过自身承受范围发生纵向、环向、复合破裂 | PL | 1 |
| 柔性管原样被改变 | BX | 2 |
| 管壁内部受到有毒物质腐蚀造成管道磨损 | FS | 3 |
| 管道套头接头未对接正确产生左右、上下偏移 | CW | 4 |
| 因沉降等原因形成水洼 | WS | 5 |
| 管道接头未充分推进产生脱离 | TJ | 6 |
| 接口材料脱落 | JQ | 7 |
| 支管未通过检查井直接接入主管 | AJ | 8 |
| 其他管道设施物穿透管壁 | QR | 9 |
| 临近管道的水从接口、管壁流出 | SL | 10 |
管道功能性缺陷定义
| 缺陷定义 | 代码 | 缺陷标识 |
| 管道底部有机无机物减少管道横截面面积 | CJ | 11 |
| 污物附着管道壁减少管道横截面积堆积物 | JG | 12 |
| 管内坚固的杂物,如石头树枝等 | ZW | 13 |
| 残留管内封堵材料 | BT | 14 |
| 树根生长在管道内 | SG | 15 |
| 管内水上漂浮物 | FZ | 16 |
3.2 管道缺陷成因分析
沉积:主要是泥沙、工业生活垃圾流入排水管,堆积在管道底部,一般以块状沉积,形态固定,存在不同的像素深度。浮渣:通常位于管道中部大多为泡沫面状,和水的像素边界明显。树根:沿着管道缝隙、接口等缺陷进入,没有及时处理树根生长堵塞管道,可以明显看到树根呈竖向线状生成,局部成网状,特征明显。支管暗接:支管未考虑主管最大排水量直接向主管排水,导致排水承载大产生积水。
结论与展望
排水管线检测成本高、耗时长、精度差,本文利用福州市勘测院16万个地下管线检测数据,立足系统整体实用性,通过对卷积神经网络模型的优化,建立了管道缺陷内窥检测智能识别系统,该系统已在福州市勘测院排水管道视频检测生产系统中应用。
主要结论如下:
(1)模型结构层数越高会产生过拟合现象,识别精度不一定越高反而可能下降,因此模型优化需要考虑现实数据特点和应用背景;
(2)本文推出独具特色三级组合模型,各级别模型性能指标各有侧重,与生产规程相互配合,在试生产中证明其具有良好的实用性。但缺陷分割尚未实现,有待于进一步研究;
(3)模型训练采用训练样本数据量大,可靠性高;
本文用人工智能建立了管道缺陷内窥检测智能识别系统,可有效提高管道健康状况检查质量和效率,研究成果可供管道检测维护相关人员参考。
参考文献
[1] 刘海刚.城市地下管线勘测方法分析[J].居舍,2019(19):171.
[2] 吕兵,刘玉贤,叶绍泽等.基于卷积神经网的CCTV视频中排水管道缺陷的智能检测[J].测绘通报,2019(11):103-108.
[3] 户莹.基于深度学习的地下排水管道缺陷智能检测技术研究[D].西安:西安理工大学,2019.