基于深度学习的管道内壁缺陷图像识别方法及系统与流程

本发明涉及计算机视觉与管道检测，特别是指基于深度学习的管道内壁缺陷图像识别方法及系统。

背景技术：

1、管道作为流体输送的核心载体，其安全运行直接关系到城市公共安全和能源供应稳定。管道在长期服役过程中，受介质腐蚀、地质沉降、施工扰动等因素影响，易产生裂纹、腐蚀、穿孔、变形等内壁缺陷，若不能及时发现并修复，可能引发安全事故。

2、目前，基于视觉的管道内壁缺陷检测技术已成为管道检测领域的主流技术方向。然而现有的基于广角柱面成像的管道内壁缺陷识别技术普遍存在以下缺陷：广角柱面成像固有的几何投影畸变与管道内环形光照不均匀性形成深度耦合效应。这种耦合效应使得几何畸变与光照干扰相互交织、难以分离，严重制约了缺陷识别的精度和可靠性。

3、此缺陷导致管道内壁不同区域的缺陷特征发生非线性失真，尤其是在管道轴向边缘和径向曲率变化较大的区域，缺陷的形状、尺寸和相对位置信息会产生严重畸变，造成小尺寸裂纹、点状腐蚀等微小缺陷的漏检率升高；而且几何畸变会进一步放大环形光照梯度带来的明暗差异，使得管壁反光、阴影等干扰区域与真实缺陷特征在视觉上高度相似，极大地增加了缺陷与背景的区分难度，导致误检率居高不下。上述问题在长距离油气输送管道、城市地下排水管网等复杂工况下尤为突出，难以同时满足检测精度和鲁棒性的双重要求。

技术实现思路

1、本发明提供了基于深度学习的管道内壁缺陷图像识别方法及系统，可解决现有技术存在的微小缺陷漏检率高、复杂工况下误检率居高不下的问题，提升管道内壁缺陷识别的精度和鲁棒性。

2、为解决上述技术问题，本发明的技术方案如下：

3、第一方面，基于深度学习的管道内壁缺陷图像识别方法，所述方法包括：

4、步骤1，获取广角柱面成像模组采集的管道内壁柱面展开视频流，从视频流中提取单帧柱面展开图像；

5、步骤2，将单帧柱面展开图像输入预置的几何光学耦合感知初始化网络，得到初始特征图；

6、步骤3，根据初始特征图估计柱面投影畸变参数矩阵；根据柱面投影畸变参数矩阵重构柱面内蕴测地线度量场，得到内蕴测地线距离分布；根据内蕴测地线距离分布得到空间注意力权重图；根据空间注意力权重图对初始特征图进行逐位置调制，得到几何校正特征图；

7、步骤4，基于几何校正特征图估计环形光照梯度场；根据环形光照梯度场提取通道能量响应极值，得到通道注意力调制向量；根据通道注意力调制向量对几何校正特征图进行逐通道增益分配，得到几何光学解耦特征图；

8、步骤5，根据几何光学解耦特征图进行流形拓扑保形谱对齐处理，得到多尺度谱基函数；根据多尺度谱基函数进行跨尺度特征重映射与拓扑约束传播，得到多尺度对齐特征图；

9、步骤6，根据多尺度对齐特征图，采用缺陷分类与边界回归机制进行非线性阈值分离，得到缺陷类别概率向量；根据缺陷类别概率向量执行亚像素级坐标回归，得到管道内壁缺陷类别与缺陷位置信息。

10、第二方面，基于深度学习的管道内壁缺陷图像识别系统，包括：

11、图像采集预处理模块，用于获取广角柱面成像模组的原始光学传感信号，生成管道内壁柱面展开视频流，并提取得到高质量单帧柱面展开图像；

12、耦合感知初始化模块，内置几何光学耦合感知初始化网络，用于对输入的单帧柱面展开图像进行特征提取，输出初始特征图；

13、几何校正模块，用于估计柱面投影畸变参数矩阵，重构内蕴测地线度量场并生成空间注意力权重图，完成初始特征图的几何校正；

14、光照解耦模块，用于估计环形光照梯度场，得到通道注意力调制向量，实现几何校正特征图的光照干扰解耦；

15、流形谱对齐模块，用于构建流形拉普拉斯算子并进行谱分解，执行跨尺度特征重映射与拓扑约束传播，得到多尺度对齐特征图；

16、缺陷检测输出模块，用于根据多尺度对齐特征图进行缺陷分类与亚像素级边界回归，得到最终的缺陷类别与位置信息。

17、第三方面，一种计算设备，包括：

18、一个或多个处理器；

19、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。

20、第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。

21、本发明的上述方案至少包括以下有益效果：

22、通过几何光学耦合感知初始化网络的并行卷积通路同时提取高频纹理响应与低频光照基底特征，实现空间频域解耦与多尺度感受野聚合；借助基于内蕴测地线度量场的空间注意力机制，从初始特征中自适应估计柱面投影畸变参数，无需额外相机标定即可完成逐位置特征校正。

23、利用针对管道内特有的环形光照分布建模的通道注意力机制，通过通道能量响应极值计算实现自适应光照增益分配；采用流形拓扑保形谱对齐处理，构建特征节点邻接图谱并进行谱分解，在跨尺度特征融合过程中保留缺陷的本质拓扑结构；最终运用概率梯度引导的亚像素级坐标回归机制进行边界轮廓拟合，所以有效打破了广角柱面成像中几何投影畸变与环形光照不均匀性的深度耦合效应，解决了管道轴向边缘、径向曲率变化大区域缺陷特征非线性失真引发的小尺寸裂纹、点状腐蚀等微小缺陷漏检率高的问题。

24、同时克服了几何畸变放大光照梯度差异造成的管壁反光、阴影与真实缺陷难以区分的高误检率问题；进而有效提升了管道内壁缺陷识别的整体精度和亚像素级定位准确性，增强了算法在复杂工况下的鲁棒性与环境适应性，可有效满足长距离油气输送管道、城市地下排水管网等各类复杂场景下自动化、高效率、高精度的检测需求。

1.基于深度学习的管道内壁缺陷图像识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于深度学习的管道内壁缺陷图像识别方法，其特征在于，获取广角柱面成像模组采集的管道内壁柱面展开视频流，从视频流中提取单帧柱面展开图像，包括：

3.根据权利要求2所述的基于深度学习的管道内壁缺陷图像识别方法，其特征在于，将单帧柱面展开图像输入预置的几何光学耦合感知初始化网络，得到初始特征图，包括：

4.根据权利要求3所述的基于深度学习的管道内壁缺陷图像识别方法，其特征在于，根据初始特征图估计柱面投影畸变参数矩阵；根据柱面投影畸变参数矩阵重构柱面内蕴测地线度量场，得到内蕴测地线距离分布；根据内蕴测地线距离分布得到空间注意力权重图；根据空间注意力权重图对初始特征图进行逐位置调制，得到几何校正特征图，包括：

5.根据权利要求4所述的基于深度学习的管道内壁缺陷图像识别方法，其特征在于，根据几何校正特征图估计环形光照梯度场；根据环形光照梯度场提取通道能量响应极值，得到通道注意力调制向量；根据通道注意力调制向量对几何校正特征图进行逐通道增益分配，得到几何光学解耦特征图，包括：

6.根据权利要求5所述的基于深度学习的管道内壁缺陷图像识别方法，其特征在于，根据几何光学解耦特征图进行流形拓扑保形谱对齐处理，得到多尺度谱基函数；根据多尺度谱基函数进行跨尺度特征重映射与拓扑约束传播，得到多尺度对齐特征图，包括：

7.根据权利要求6所述的基于深度学习的管道内壁缺陷图像识别方法，其特征在于，根据多尺度对齐特征图，采用缺陷分类与边界回归机制进行非线性阈值分离，得到缺陷类别概率向量；根据缺陷类别概率向量执行亚像素级坐标回归，得到管道内壁缺陷类别与缺陷位置信息，包括：

8.基于深度学习的管道内壁缺陷图像识别系统，该系统实现如权利要求1至7中任一项所述的方法，其特征在于，包括：

9.一种计算设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。