[发明专利]一种基于动态红外热像图处理的地下管廊渗漏检测方法

说明书

一种基于动态红外热图处理的地下管廊渗漏检测方法，通过将红外热像视频转换为红外热图像，并获取地下管廊内部环境的灰度信息和温度信息来进行渗漏检测。灰度信息可以实现管廊内部管道线路状态识别的常规目标，而利用温度信息可以进行管道渗漏的检测。

技术领域

本发明属于图像深度处理和渗漏检测技术领域，具体涉及一种基于红外热像图处理的地下管廊渗漏检测方法。通过引入红外热图像可以获取地下管廊内部环境的灰度信息和温度信息，灰度信息可以实现管廊内部管道线路状态识别的常规目标，而利用温度信息可以进行管道渗漏的检测以及为后期检修维护提供参考，主要通过实验和结合机器学习的技术建立起管道渗漏的判别模型。

背景技术

近年来，我国地下综合管廊空间建设迅速发展，其管理和养护问题也愈发凸显，其中渗漏检测就成为相关管养部门的工作重点之一。传统的现场式排查的检测效率取决于管道的尺寸，材料和深度，检测过程需要手动干预，检测条件依赖于天气、管道表面状态以及水压等条件。用于规模式检测渗漏的现有技术仍以闭路电视监控技术为主，效率低下且需要人工排查，时间和人力成本较高。得益于数字图像处理技术的飞速发展，地下管廊智能检测手段也越来越多样化。最新最有效的方法是光纤技术，无线网络传感器检测技术，超声导波技术，管道内微渗漏检测技术和热成像技术。

现有技术

CN206573258U；CN101070947A；CN206629279U。

术语解释

发育程度：发明中所提及的发育程度表征管道渗漏裂缝对管道的已有损害程度以及近期发生损害的严重程度，它涵盖了传统的裂缝严重程度分级，与裂缝的长度、宽度和面积等等可能会使裂缝损害严重程度加剧的因素有关，囊括了这些因素，表征了裂缝从开始出现到现在的发展水平。

支持向量机：支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。在机器学习中，支持向量机(SVM，还支持矢量网络)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

分类函数：通过支持向量机将温差数据按照裂缝发育程度进行线性分类，发育程度分为1、2、3三个等级，3最严重，那么1、2之间和2、3之间就会有一直线作为分界线，此直线表达式即为分类函数。

裂缝区：管道某区域，该区域不仅包括裂缝区域本身，还包括其周围一定范围内的管道区域，包括管道区域范围满足图像处理和裂缝识别的要求。

参照温差数据：将实测环境温度带入裂缝发育程度检测模型两个分类函数后得到的温差数据。

实测温差数据：对采集到的裂缝区红外图像进行图像处理后得到的该裂缝区内裂缝区域和管道表面区域的温差数据。

失真度：本发明中数据失真度的含义是数据产生不合理值后，该不合理值距离合理的偏差。

发育程度等级：1、2或3中的一个数，其大小反映了裂缝的发育程度，数字越大，裂缝发育程度越严重。

发育程度指数：介于0-3之间，包括0和3的一个数，其大小反映了裂缝的发育程度，数字越大，裂缝发育程度越严重。说明中采用字母m表示。

渗漏严重程度指数：本发明中渗漏严重程度指数的含义是指管道裂缝在长度、宽度和面积三个维度上的严重程度的平均。取值范围在[0-9.9]之间，保留1位小数，其大小反映了渗漏的严重程度，数字越大，渗漏程度越严重。