(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211009189.1 (22)申请日 2022.08.22 (71)申请人 桂林理工大 学 地址 541004 广西壮 族自治区桂林市七 星 区建干路12号 (72)发明人 陆绮荣　丁昕　 (51)Int.Cl. G06V 20/40(2022.01) G06N 20/00(2019.01) G06V 10/74(2022.01) G06V 10/774(2022.01) (54)发明名称 一种基于改进YOLOX的地下排水管道缺陷检 测识别方法 (57)摘要 本发明涉及基于改进YOLOX的地下排水管道 缺陷检测识别方法， 为了实现地下排水管道缺陷 检测识别自动化， 提出了一种基于改进YOLOX的 方法来对地下排水管道缺陷进行检测识别。 首先 将获取的地下排水管道视频进行帧提取， 对提取 的视频帧进行图像质量筛选以及缺陷分类， 并将 裂缝和错口两种缺陷类型图像采用GAN网络进行 图像生成， 挑选图像质量高的生成图像加入到地 下排水管道 缺陷图像数据集中， 将得到的地下排 水管道缺陷图像数据集进行数据集增强操作。 最 后将地下排水管道缺陷数据集输入到改进的 YOLOX算法中， 对地下排水管道缺陷进行检测识 别。 实验结果表明， 相比较于人工判别以及传统 的机器学习方法， 此方法能更好的对地下排水管 道缺陷进行检测识别。 权利要求书1页 说明书3页 附图2页 CN 115359399 A 2022.11.18 CN 115359399 A 1.一种基于改进YOLOX的地下排水管道缺陷检测识别方法， 其特征在于， 具体流程如 下： (1)首先将获取的地下排水 管道视频图像， 进行按照一定间隔的帧数进行视频帧提取； (2)对提取的视频帧进行一定规则的筛选， 筛选规则为： 对于多幅相似度极高的图像， 我们将采用图像质量评价算法对视频帧进 行图像质量的评估， 筛选出质量良好的地下排水 管道图像作为 地下排水 管道缺陷图像数据集； (3)对地下排水管道缺陷图像数据集进行缺陷分类， 一共分为沉积、 渗漏、 树根入侵、 裂 缝和错口5种缺陷； (4)针对裂缝和错口两种缺陷类型图像过少的问题， 采用GAN网络进行图像生成， 将两 种原始图像输入到GAN网络的生成器G中学习真实图像的分布特点， 判别器D将生成的图像 与真实图像进行对比， 以生成与原 始图像相似度极高的图像； (5)将通过GAN网络生成的图像进行筛选， 丢弃效果极差的图像， 对剩下的图像用图像 质量评价算法进行进一步筛选， 最后将得到的图像加入到地下排水管道缺陷图像数据集 中； (6)将地下排水管道缺陷图像数据集进行数据集扩充操作， 采用平移、 改变亮度、 加噪 声、 旋转以及镜像这5种数据增强方式对缺陷图片进行增强； (7)将经过处理的地下排水管道缺陷图像数据集进行按8： 1： 1比例划分为训练集,验证 集和测试集； (8)将地下排水 管道缺陷图像数据集输入到改进的YOLOX算法中进行缺陷检测识别； (9)对训练得到的网络进行测试， 统计测试结果， 分析算法的精确率， 召回率， 平均精度 以及平均精度均值。权　利　要　求　书 1/1 页 2 CN 115359399 A 2一种基于改进Y OLOX的地下 排水管道缺陷检测识别方 法 技术领域 [0001]本发明涉及一种基于改进YOLOX的地下排水管道缺陷检测识别方法， 实现了地下 排水管道缺陷检测识别自动化， 属于 工程应用方面。 背景技术 [0002]目前地下排水管道检测应用最广的方法是闭路电视(CCTV)视觉检测技术， 专业人 员通过CCTV收集的视频和图像对 管道缺陷进 行判读和评级。 但人工判读容易受到人眼主观 性影响， 并且需要 大量人力和成本。 建立智能化的管道缺陷检测和分类系统， 已成为城市排 水设施建 设和管理的迫切需求。 [0003]在以往的地下排水管道缺陷检查中， 主要还是通过人工目视检查， 然而这种方法 需要耗费大量时间与人力， 并且由于人眼主观性的影响， 结果往往带有一定的主观性。 随着 机器学习在各领域的发展， 一些研究者采用传统的机器学习方法， 比如基于形态、 几何和纹 理特征来诊断缺陷， 但机器学习的方法需要 人手工设计特征提取器， 工作量偏大， 并且在面 对大型数据集时计算量庞大。 目前， 深度学习 广泛应用于各种图像领域， 基于深度学习的方 法利用卷积神经网络来自动提取有效特征， 克服了手工特征泛化能力差以及鲁棒性差等问 题。 [0004]目前图像目标检测的方法主要分为单阶段算法和两阶段算法， 两阶段算法首先找 出图像中感兴趣区域即目标物体出现的位置， 得到预选框， 然后进行特征提取最后进行分 类， 但两阶段算法速度 慢， 对一些要求速度的检测任务并不能满足要求， 而一阶段算法直接 在网络中提取特征来预测物体分类和位置， 速度得到了极大 的提升， 由于地下排水管道缺 陷检测识别需要一定实时性， 因此一阶段算法适合地下排水管道缺陷检测识别任务。 一阶 段算法以YOLO系列为主， 其中主要包括： YOLOV3， YOLOV5， YOLOX等， 目前YOLOX检测算法在各 方面性能最佳， 因此有必要设计一种基于Y OLOX的地下排水管道 缺陷检测识别方法， 节省人 力资源及时间成本， 并且及时发现地下排水 管道缺陷。 [0005]YOLOX检测算法将 解耦头、 数据增强、 无锚点以及标签分类等目标检测领域的优秀 进展与YOLO进行了巧妙的组合， 但YOLOX算法 的特征融合层存在特征图直接融合导致特征 混叠问题， 因此有必要改进YOLOX 结构来对地下排水 管道缺陷进行检测识别。 发明内容 [0006]本发明提出一种基于改进YOLOX的地下排水管道缺陷检测识别方法进行对管道缺 陷的分类， 智能化 地下管道缺陷检测识别。 [0007]YOLOX由四部分组成： 输入层、 主干特征提取层、 特征融合层、 预测层。 其中主干特 征提取层是由Focus模块以及叠加一定数量的CSP模块， 并且使用Silu激活函数， 最后经过 SPP模块得到主干网络特征提取结果。 特征融合层 采用特征金字塔网络FPN结构， FPN结构自 顶向下传达强语义特征， 并将不同尺度的特征图进行融合。 预测层采用三种不同大小比例 尺特征图对目标进行检测。 由于FPN网络在进行对特征图进行融合时只是简单的进行直接说　明　书 1/3 页 3 CN 115359399 A 3