鐘洪德

(福州市勘測院，福建 福州 350108)

1 引 言

城市地下管線是保障城市運行的重要基礎(chǔ)設(shè)施，如同人體的血管一般分布錯綜復(fù)雜。然而地下管道結(jié)構(gòu)復(fù)雜維護(hù)困難，時間一長易發(fā)生各種形式的損壞情況，如：管道堵塞、管線爆裂、材料老化等，這些破損時常引發(fā)城市內(nèi)澇、地表坍陷等事件，影響城市運行、甚至造成不可估量的經(jīng)濟(jì)損失。因此管道健康檢查已成為市政管理中的重要工作。

地下管道健康檢測方法有[1]：①管道閉路電視檢測系統(tǒng)(CCTV)，目前最普遍檢測系統(tǒng)，操作人員利用控制臺在地面上進(jìn)行遠(yuǎn)程操縱CCTV爬行器拍攝管道內(nèi)壁，錄入管道內(nèi)部信息進(jìn)行評價和分析；②管道聲吶檢測技術(shù)，以水為介質(zhì)利用聲吶系統(tǒng)掃描管道內(nèi)壁，得到結(jié)果是以管道縱向斷面的過水面積表示，無須處理管道內(nèi)部和截斷水流，操作方便，但適用于管道的變形缺陷檢測，結(jié)構(gòu)性缺陷檢測效果較差；③多重傳感器法，由光學(xué)測量裝置、微波傳感器和聲學(xué)系統(tǒng)構(gòu)成，具有多功能檢測管道效果，但費用成本較高。在上述三種檢查技術(shù)中，管道閉路電視檢測系統(tǒng)可深入管道內(nèi)部攝取視頻影像，能有效獲取到可供管道缺陷檢測的一手資料，檢測安全性高、信息清晰直觀、成本較低，目前在業(yè)界已得到普遍采用。但缺陷識別依靠事后人工目視識別，耗時耗力，生產(chǎn)周期長。

解決管道機(jī)器人系統(tǒng)檢測效率重點在管道缺陷的判別上，深度學(xué)習(xí)為此提供了有效途徑。呂兵、劉玉賢等人，借助卷積神經(jīng)網(wǎng)絡(luò)對管道CCTV視頻進(jìn)行了智能檢測研究，試驗證明在缺陷識別的準(zhǔn)確率和召回率及識別速度上均滿足了排水管道缺陷智能檢測的需要，該方法已經(jīng)在深圳市的排水管道檢測中應(yīng)用[2]。戶瑩等人基于卷積神經(jīng)網(wǎng)絡(luò)利用深圳市人工數(shù)據(jù)，建立了管道缺陷識別模型并可表示缺陷范圍，二分類準(zhǔn)確率接近90%，分割準(zhǔn)確度接近80%，極大促進(jìn)了管道缺陷檢測的自動化和智能化水平[3]。但所有樣本數(shù)據(jù)量較少(戶瑩，每類樣本800個)模型準(zhǔn)確度不足以取代人工判別，而且樣本數(shù)據(jù)受地域局限不易推廣。針對排水管道內(nèi)部特殊環(huán)境，李波鋒采用了一種改進(jìn)的低通濾波求差法提取管道功能性缺陷，該算法能有效消除光照不均勻給檢測造成的影響[4]。

2 深度學(xué)習(xí)原理

2.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

1962年神經(jīng)學(xué)家Hubel和Wiesel研究貓的視覺皮層[1]，發(fā)現(xiàn)視覺皮層對于信息的處理是通過神經(jīng)元上的多個軸突末梢進(jìn)行分層處理、層層傳遞的，這啟發(fā)了人們對于神經(jīng)網(wǎng)絡(luò)的研究思想。1998年，LeCun提出了LeNet-5，性能較單純的分類器來說更加優(yōu)越。在論文中，LeCun首次使用卷積一詞，命名了卷積神經(jīng)網(wǎng)絡(luò)(CNN)。2006年，提出了反向傳播算法的Hinton在論文中介紹了深度學(xué)習(xí)的概念，掀起了深度學(xué)習(xí)的熱潮。

CNN是利用卷積核參數(shù)共享原理的一種前饋神經(jīng)網(wǎng)絡(luò)，最常用的CNN的學(xué)習(xí)算法是后向傳播算法(BP)，它具有多維函數(shù)映射和模式分類能力。它包括輸入信息的正向傳遞和誤差信息的反向傳遞兩個部分，將神經(jīng)網(wǎng)絡(luò)的輸出值與樣本值進(jìn)行對比，再以兩者的均方誤差作為目標(biāo)函數(shù)，依照各層權(quán)重進(jìn)行誤差分配，調(diào)整各層參數(shù)，經(jīng)過多次訓(xùn)練后使得目標(biāo)函數(shù)符合要求，進(jìn)而滿足實際需要[5]。

2.2 殘差神經(jīng)網(wǎng)絡(luò)(ResNet)

CNN隨著網(wǎng)絡(luò)深度不斷增加，梯度彌散和梯度爆炸等問題也接連出現(xiàn)，特別是50層網(wǎng)絡(luò)的測試誤差率相較于20層網(wǎng)絡(luò)高出一倍。2015年的ILSVRC(ImageNet Large Scale Visual Recognition Challenge)大賽中，He等人提出了殘差神經(jīng)網(wǎng)絡(luò)(ResNet)，層數(shù)達(dá)到了152層，top-5錯誤率降到了3.57%，且其參數(shù)量比只有十幾層的VGGNet網(wǎng)絡(luò)更少。該網(wǎng)絡(luò)提升訓(xùn)練準(zhǔn)確性[6]，且在很大程度上避免了因網(wǎng)絡(luò)層數(shù)過多而產(chǎn)生的梯度爆炸問題。

CNN模型期望可以學(xué)習(xí)一個非線性最優(yōu)映射函數(shù)H(x)，后續(xù)樣本數(shù)據(jù)中出現(xiàn)同類數(shù)據(jù)時會相互靠攏，ResNet模型在傳統(tǒng)CNN神經(jīng)網(wǎng)絡(luò)模型中增加了一個恒等映射(identity mapping)，將該最優(yōu)映射函數(shù)改為H(x)=F(x)+X，這樣前一層的未降采樣數(shù)據(jù)和經(jīng)過降采樣的數(shù)據(jù)可以共同作為下一層網(wǎng)絡(luò)的輸入數(shù)據(jù)，此時F(x)=H(x)-X，即整個網(wǎng)絡(luò)只要學(xué)習(xí)輸入、輸出數(shù)據(jù)中的差別部分，即殘差。這實際上增大了變化數(shù)值對于權(quán)重的影響，使得網(wǎng)絡(luò)對于變化的反應(yīng)更為敏感[6]，更容易對權(quán)重進(jìn)行調(diào)整。這解決了CNN模型在學(xué)習(xí)復(fù)雜函數(shù)時的困難，將學(xué)習(xí)過程拆成兩個過程，首先學(xué)習(xí)殘差函數(shù)F(X)，然后通過簡單映射學(xué)習(xí)函數(shù)H(x)=F(X)+X。

2.3 學(xué)習(xí)率優(yōu)化算法

(1)梯度下降法

梯度下降法(gradient descent)是在深度學(xué)習(xí)中應(yīng)用最為廣泛的學(xué)習(xí)率優(yōu)化算法。主要有兩種典型形式[7]，隨機(jī)坡度下降法(SGD，Stochastic Gradient Descent)、小批量坡度下降法(MGD，Mini-batch Gradient Descent)。綜合兩種算法出現(xiàn)了幾種(學(xué)習(xí)率)自適應(yīng)優(yōu)化算法：AdaGrad、RMSProp、Adam。

(2)Adam(Adaptive Moment Estimation)算法

Adam計算梯度的指數(shù)移動均值，即利用梯度的一階矩估計和二階矩估計獨立地、動態(tài)地調(diào)整每個參數(shù)的自適應(yīng)性學(xué)習(xí)率。比其他自適應(yīng)算法更好。

該算法的權(quán)值更新規(guī)則如下：

(1)

它在實際應(yīng)用中效果優(yōu)于其他的自適應(yīng)優(yōu)化方法，并且可以提供解決噪聲問題與優(yōu)化稀疏梯度的方法。

3 管道缺陷分析與數(shù)據(jù)處理

3.1 管道缺陷定義與標(biāo)識

目前我國排水管道有功能性缺陷與結(jié)構(gòu)性缺陷兩大類，依據(jù)日常養(yǎng)護(hù)中所遇到的各類管道病害和缺陷的狀況，管道結(jié)構(gòu)性缺陷包括破裂、變形、腐蝕、錯口、起伏、脫節(jié)、接口材料脫落、支管暗接、異物穿入、滲漏共10種，管道功能性缺陷包含沉積、結(jié)垢、障礙物、殘墻、樹根、浮渣共6種[8]。修復(fù)等級分為三個等級：部分修復(fù)或不修復(fù)；缺陷管段整體修復(fù)；整段搶修或翻建。功能性缺陷一般養(yǎng)護(hù)可以得到改善，而結(jié)構(gòu)性缺陷需要修復(fù)。具體的缺陷分類定義及等級標(biāo)準(zhǔn)參照表1和表2所示，其中為方便計算機(jī)處理將16類管道缺陷添加了數(shù)字標(biāo)識。

管道結(jié)構(gòu)性缺陷定義 表1

管道功能性缺陷定義 表2

3.2 管道缺陷成因分析

沉積：主要是泥沙、工業(yè)生活垃圾流入排水管，堆積在管道底部，一般以塊狀沉積，形態(tài)固定，存在不同的像素深度。浮渣：通常位于管道中部大多為泡沫面狀，和水的像素邊界明顯。樹根：沿著管道縫隙、接口等缺陷進(jìn)入，沒有及時處理樹根生長堵塞管道，可以明顯看到樹根呈豎向線狀生成，局部成網(wǎng)狀，特征明顯。支管暗接：支管未考慮主管最大排水量直接向主管排水，導(dǎo)致排水承載大產(chǎn)生積水。如圖1～圖4所示：

圖1 沉積

圖2 浮渣

圖3 樹根

圖4 支管暗接

3.3 管道缺陷樣本數(shù)據(jù)整理

福州市勘測院現(xiàn)有人工識別缺陷圖片約16萬多張，每張包括含缺陷類型、缺陷等級、方位、所在管道名稱和處于管道相對位置等信息。大部分樣本數(shù)據(jù)中特征明顯易被識別，但也有少數(shù)模糊不清的樣本數(shù)據(jù)。數(shù)據(jù)整理主要包括：

(1)先將16萬多張圖片，分別存放到按數(shù)字標(biāo)識創(chuàng)建分類圖像的存儲目錄Image_0至Image_16中，如圖5所示；

(2)用xls文件記錄每張圖片的缺陷等級；

(3)然后對原始文檔一些缺陷描述模糊不清、嚴(yán)重偏色、或描述混合類的圖片進(jìn)行了人工甄別。

圖5 分類圖像存儲目錄

3.4 數(shù)據(jù)增強(qiáng)

為改善樣本不均衡性問題(破裂缺陷達(dá)3萬張，浮渣缺陷只有幾百張)，防止模型過擬合。對樣本數(shù)量較少的類別，使用torchvision.transforms(pytorch附帶的圖像預(yù)處理包)進(jìn)行數(shù)據(jù)增強(qiáng)。隨機(jī)翻卷圖像，改變圖像色差，扭曲圖像特征，改變圖像尺寸大小，剔除模糊不清色彩混淆的圖像，增強(qiáng)圖像噪音，一般使用高斯噪音，鹽椒噪音[11]。

如圖6為圖像增強(qiáng)代碼所示，transforms.compose函數(shù)把多種變化組合在一起，例如分別crop對數(shù)據(jù)隨機(jī)大小寬高剪切后resize指定224大小統(tǒng)一形狀大??；flip隨機(jī)水平翻轉(zhuǎn)原始圖像。本文對數(shù)據(jù)進(jìn)行了50%概率水平翻轉(zhuǎn)，50%概率的垂直翻轉(zhuǎn)，隨機(jī)對圖片進(jìn)行15%的旋轉(zhuǎn)以及把原本64×64尺寸進(jìn)行數(shù)據(jù)變化成統(tǒng)一224×224尺寸圖片。

圖6 圖像增強(qiáng)處理代碼

4 模型設(shè)計與訓(xùn)練

4.1 模型設(shè)計

由于PyTorch框架和其他開源框架相比，在靈活性、速度、易用性這三個方面具有非常明顯優(yōu)勢，本文利用Pytorch框架搭建管道缺陷識別ResNet模型。

如圖7所示：18層管道缺陷識別ResNet模型：輸入層：主要實現(xiàn)圖像信息標(biāo)準(zhǔn)化處理；殘差單元(4個)：殘差塊的實現(xiàn)是把數(shù)據(jù)分別進(jìn)行兩次卷積(stage)和輸入下采樣短路連接；輸出層(池化層+全聯(lián)通層)：使用maxpool最大池化向下采樣去除冗余信息，最后用FC函數(shù)全聯(lián)通輸出。

圖7 ResNet網(wǎng)絡(luò)結(jié)構(gòu)

(1)殘差單元

殘差單元(residual block)實現(xiàn)分三步：經(jīng)兩次卷積操作，其結(jié)果與輸入下采樣進(jìn)行Shortcut操作(即殘差計算)，最后經(jīng)ReLU激活操作后輸出。用_init_函數(shù)定義計算序列，之后使用向前傳播函數(shù)forward()執(zhí)行計算。

二維卷積通過調(diào)用conv2d()類封裝實現(xiàn)。本文管道圖像像素為224×224，設(shè)置窗口每個維度滑動步長stride為1，padding使得輸入輸出圖片維度一致。

(2)激活函數(shù)

殘差神經(jīng)網(wǎng)絡(luò)中采用的激活函數(shù)是ReLU函數(shù)，相比于sigmoid、tanh函數(shù)，ReLU函數(shù)不用計算指數(shù)和倒數(shù)，大大減少了計算量。

其定義如下：

f(x)=max(0，x)

(2)

(3)損失函數(shù)與優(yōu)化器

本文用到交叉熵?fù)p失函數(shù)，Pytorch封裝為cross entropyloss()，使用的優(yōu)化器為Adam代替隨機(jī)梯度下降。

4.2 模型訓(xùn)練

(1)定義實驗數(shù)據(jù)集

在模型訓(xùn)練之前通常把所得數(shù)據(jù)分為三大類，訓(xùn)練集(training set)用來訓(xùn)練模型；驗證集(dev set)統(tǒng)計單一評估指標(biāo)，調(diào)節(jié)參數(shù)選擇算法和測試集(test set)模型訓(xùn)練結(jié)束后輸入模型來進(jìn)行整體評估模型性能。需要注意的是要注重數(shù)據(jù)集的均衡，本文數(shù)據(jù)集占比為60%訓(xùn)練集，20%驗證集，20%測試集。

(2)數(shù)據(jù)加載

本文使用了類Dataset和工具函數(shù)DataLoader加載，需要繼承Dataset的子類，重載len()與getitem()函數(shù)。

(3)迭代計算

迭代優(yōu)化過程：先將trainloader中數(shù)據(jù)與標(biāo)簽轉(zhuǎn)換為variable，數(shù)據(jù)輸入網(wǎng)絡(luò)后向前傳播求得損失，由于每一次反向傳播的梯度會累加在上一次循環(huán)的梯度，故使用zero_grad()函數(shù)將確保每一個新的循環(huán)前歸零梯度，隨后進(jìn)行反向傳播，計算損失函數(shù)更新優(yōu)化器參數(shù)。

共訓(xùn)練了19個模型：一個二分類模型(即：按是否存在缺陷將樣本圖片劃分為1或0兩種狀態(tài))，使用樣本13萬個(正樣本13萬個，負(fù)樣本約3萬個)；一個缺陷分類模型，使用樣本16萬個；16個缺陷等級識別模型分別對應(yīng)16類缺陷。全部在4倍4 096個NVIDIA CUDA?核心(2048/GPU)硬件支持下，使用Pytorch 1.1框架軟件CDUA模式上完成訓(xùn)練，迭代epoch次數(shù)：120次，隨機(jī)分組：10個/組。

為比較不同神經(jīng)網(wǎng)絡(luò)對管道樣本數(shù)據(jù)的準(zhǔn)確度響應(yīng)，每個模型均采用18層，50層，101層殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，取準(zhǔn)確度較高的作為最終模型。

(4)模型評價

缺陷分類模型Resnet18、ResNet50、ResNet101最終訓(xùn)練結(jié)果準(zhǔn)確度分別為92%、96%、79%，相較AlexNet與VGG模型殘差模型精度有所提高，但還存在分類錯誤情況。實驗結(jié)果看并不是網(wǎng)絡(luò)層越深越好。ResNet101層數(shù)最多但是實驗過程中只達(dá)到79%精度產(chǎn)生過擬合現(xiàn)象導(dǎo)致精度下降，ResNet508模型訓(xùn)練效果最佳達(dá)到96%。

5 系統(tǒng)集成

5.1 應(yīng)用背景與要求

系統(tǒng)最終用在管道檢測視頻缺陷判讀上，為獲得最好的工作效果，設(shè)定以下背景：

(1)機(jī)器人在爬行過程中，發(fā)現(xiàn)疑似缺陷管段(可以是操作員監(jiān)視發(fā)現(xiàn))，停止前進(jìn)對疑似區(qū)域進(jìn)行近距離掃描，此時，視頻幀顯示距離值保持不變或僅有微小變化(設(shè)小于 5 cm)。此作業(yè)規(guī)則在后續(xù)數(shù)據(jù)分析中，能獲得明顯的空間聚類，有利于提高識別操作的針對性。

(2)剔除非應(yīng)用場景視頻段(機(jī)器人進(jìn)入管道之前拍攝的地面背景視頻等)和無用視頻段(機(jī)器人到達(dá)管道盡頭之后的圖像幀)，由人工標(biāo)定攝像機(jī)有效距離起點和有效距離終點進(jìn)行區(qū)分。

(3)外業(yè)完成后，系統(tǒng)智能化水平達(dá)到代替人工正式生產(chǎn)可接受的識別準(zhǔn)確度。

應(yīng)用要求：由于召回率和精確率不可兼得，考慮到出現(xiàn)檢測遺漏難以補救，應(yīng)盡量避免，因此疑似缺陷識別(YES、NO)召回率要盡量高，要求：特征明顯時不低于99%，不明顯時要求不低于95%。而疑似缺陷識別精確率可適度放寬，應(yīng)用時會將不易區(qū)分的模糊樣本劃分為缺陷樣本，但可以通過人工甄別剔除，根據(jù)缺陷常見度，精確率要求不低于表3。

排水管道缺陷智能識別召回率精確率一覽表 表3

5.2 三級組合模型

為達(dá)到5.1節(jié)要求，本文采用“二分類模型”+“疑似缺陷識別模型”+“缺陷等級識別模型”三級組合模型，分兩個階段，如圖8所示：

第一階段：輸入視頻，按照一定規(guī)則掃描視頻(例如：每5幀提取一幀)，首先對提取的圖片幀進(jìn)行模糊度檢測，過濾掉鏡頭變焦過程中出現(xiàn)的模糊影像，然后進(jìn)行“二分類識別”，若無缺陷則忽略，否則進(jìn)行“距離識別”并將結(jié)果計入二分類數(shù)據(jù)集(該數(shù)據(jù)集除包括二分類結(jié)果信息外，還包括圖片幀計數(shù)，距離等信息)。

第二階段：讀入二分類數(shù)據(jù)集，先按距離進(jìn)行空間聚類，然后對每個聚類進(jìn)行如下操作：

(1)缺陷類型識別：針對聚類中所有圖片；

(2)合并同類型：缺陷類型相同且距離在 0.3 m以內(nèi)的圖片，選取概率值較大者，舍棄其他；

(3)如果缺陷類型清晰，則進(jìn)行缺陷等級識別，缺陷類型模糊則加入人工干預(yù)再進(jìn)行等級識別。

其中，距離值是從圖片底邊固定位置上顯示的距離影像，采用數(shù)字識別技術(shù)得到，是缺陷處于管道起始位置的相對度量。

圖8 三級模型示意圖

5.3 按管材分類建模

由于不同材質(zhì)的管道管壁紋理差異，對缺陷判別精確度有一定影響，因此實踐中對“砼”“鑄鐵”“PVC”三種管材，分別訓(xùn)練三種管材的識別模型，使準(zhǔn)確度進(jìn)一步提升。

6 應(yīng)用效果評價

使用本成果共進(jìn)行6條管道實驗性生產(chǎn)，經(jīng)與人工識別結(jié)果比對，各項指標(biāo)如表4所示：

實驗管道識別效果指標(biāo)一覽表 表4

從表4中結(jié)果可以看出，實驗效果良好，各項指標(biāo)符合預(yù)期，通過適度人工甄別，可以大幅度提高工作效率。同時注意到“PVC”管缺陷類型精確率相對偏低，造成此問題的原因主要是“PVC”樣本數(shù)量相對偏少，將來可利用生產(chǎn)中得到新增“PVC”樣本，通過“增強(qiáng)學(xué)習(xí)”方法得到改善。

7 結(jié)論與展望

排水管線檢測成本高、耗時長、精度差，本文利用福州市勘測院16萬個地下管線檢測數(shù)據(jù)，立足系統(tǒng)整體實用性，通過對卷積神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化，建立了管道缺陷內(nèi)窺檢測智能識別系統(tǒng)，該系統(tǒng)已在福州市勘測院排水管道視頻檢測生產(chǎn)系統(tǒng)中應(yīng)用。

主要結(jié)論如下：

(1)模型結(jié)構(gòu)層數(shù)越高會產(chǎn)生過擬合現(xiàn)象，識別精度不一定越高反而可能下降，因此模型優(yōu)化需要考慮現(xiàn)實數(shù)據(jù)特點和應(yīng)用背景。

(2)本文推出獨具特色的三級組合模型，各級別模型性能指標(biāo)各有側(cè)重，與生產(chǎn)規(guī)程相互配合，在試生產(chǎn)中證明其具有良好的實用性。但缺陷分割尚未實現(xiàn)，有待于進(jìn)一步研究。

(3)模型訓(xùn)練采用訓(xùn)練樣本數(shù)據(jù)量大，可靠性高。本文用人工智能建立了管道缺陷內(nèi)窺檢測智能識別系統(tǒng)，可有效提高管道健康狀況檢查質(zhì)量和效率，研究成果可供管道檢測維護(hù)相關(guān)人員參考。