温州市排水有限公司 浙江温州 325000
摘要：排水管网是城市的重要基础设施之一，也是城市地下空间的重要组成部分。排水管网的安全运行直接关系到城市的公共安全，排水管网的缺陷检测也越来越受到重视。近年来，基于卷积神经网络的人工智能技术在图像识别方面取得了巨大成功，受到启发，提出了一种基于卷积神经网络的排水管道缺陷智能检测方法，围绕该方法设计并实现了完整的信息解决方案，为了提高管道缺陷检测的自动化程度和智能化程度。
关键词：排水管网；缺陷；智能检测；信息化；解决方案
1总体方案
为了提高管道缺陷检测的自动化程度，提出了一种基于卷积神经网络的CCTV视频排水管缺陷智能检测方法。整个系统方案如图1所示。在训练阶段，构建大规模训练数据集，对卷积神经网络进行训练。在生产作业阶段，使用卷积神经网络完成管道缺陷的智能识别，并根据行业标准自动完成管段的评估和成果资料生成。整个系统再辅以工程管理、用户管理、数据库管理等模块，构成如图2所示的信息化解决方案。界面部分使用C++语言的Qt程序开发框架实现，卷积神经网络使用加州伯克利大学提供的深度学习平台Caffe实现，服务端使用Java语言的Springboot框架实现，数据库由MySQL实现。
.png)
图1系统框架
.png)
图2排水管道缺陷智能检测软件界面
该系统的核心是基于卷积神经网络的缺陷识别算法。因此，系统中的许多模块分为与卷积神经网络相关的模块和其他模块，其中与卷积神经网络相关的模块包括大规模训练数据集的构建模块、训练模块、识别模块和去冗余模块。四个模块中的每个模块都在系统图中使用黄色背景来区分其他模块。
2系统评估
2.1内存占用和运行时间的评估
该排水管道缺陷检测的信息化系统中，除了系统运行以及读取CCTV视频所需要的内存之外，卷积神经网络VGG－Sewer对显卡的内存消耗很大，网络模型共计约150×106个参数，需要消耗约600M的GPU的内存。在工程作业中，当系统部署运行在带有NvidiaGTX1050显卡的电脑上时，缺陷检测速度可达到20ms/帧，远远高于人工识别缺陷速度，提高了缺陷检测效率，同时后续基于专家系统的管道评估以及自动化的报表输出，更是加快了内业作业速度。
2.2缺陷检测的评估
该系统将排水管道缺陷检测设计成一个分类任务，并常用准确率、召回率等进行评估。但是排水管道缺陷中更应关注缺陷的召回率，因此使用缺陷召回率对系统缺陷检测方法进行评估。当一个缺陷被检测到时，则该缺陷被召回，缺陷召回率定义如下：缺陷召回率=正确识别的缺陷数/所有缺陷数。
该缺陷检测系统在深圳市A、B、C等工程项目中得到成功应用。在这些项目中，共采集到1299段视频，通过人工标注，共计766个缺陷，其中三、四级缺陷224个。使用该系统进行作业，平均召回678个缺陷，召回率达到88．51%，其中三、四级缺陷召回213个，召回率达到95．09%（见表1）。召回的样本实例见图3。
表1工程项目检测结果
.png)
.png)
图3A、B和C工程项目中检测到的缺陷实例
2.3系统的用户体验评估
该信息化系统的用户体验影响着作业人员对系统的使用效率及使用意愿。对37个作业人员一个月的使用体验进行了调研，从视觉体验和交互体验两方面进行用户体验的评估。其中视觉体验包括清晰和简洁两方面，清晰是指避免作业人员对系统界面的模糊认识，简洁是指避免系统界面的复杂结构与不合理设计；交互体验包括高效性和容错性，高效性是指系统良好的设计和快速的响应，以提高作业人员效率，容错性是指对于作业人员的错误操作能够提供有效的补救方法。每一项评估的满分为5分，评估结果（见表2）表明，该系统具有不错的用户体验，作业人员对于该系统的高效性具有很高的认可度。
表2作业人员评估结果
.png)
结束语
结合CCTV排水管道测绘过程和缺陷特征拍摄的视频，本文提出了一种基于卷积神经网络的CCTV视频排水管道缺陷检测方法，对网络的选择和改进进行了研究，如训练和围绕检测方法设计一个完整的排水管网智能检测信息系统。与本系统相关的软件作品、实用新型专利和发明专利正在验收中。同时，该系统在深圳市排水管道缺陷检测中已经应用于多个工程任务的验证和识别，大大提高了排水管道缺陷检测的智能化和自动化程度，节省了行业中人力的岗位，提高了工作效率，同时也能满足城市排水管道缺陷检测的需要。
参考文献：
［1］SUTC，YANGMD．Applicationofmorphologicalsegmentationtoleakingdefectdetectioninsewerpipelines［J］．Sensors，2014，14（5）：8686－8704．
［2］HAWAＲIA，ALAMINM，ALKADOUＲF，etal．Automateddefectdetectiontoolforclosedcircuittelevision（CCTV）inspectedsewerpipelines［J］．AutomationinConstruction，2018，89：99－109．