[发明专利]一种热红外模式下VGG神经网络的排水管道病害检测方法

权利要求书

1.一种热红外模式下VGG神经网络的排水管道病害检测方法，其特征在于，包括如下步骤：

S1、利用红外热成像仪采集热红外图像数据，构建热红外图像病害数据集，并按比例分为训练集，验证集和测试集；

S2、构建改进的VGG神经网络模型；

S3、初始化模型，将训练集数据输入到模型中，设置超参数，进行模型训练；

S4、模型调参，得到最优模型；

S5、将测试集数据输入到最优模型进行测试，根据评估各项数值评价指标，判断是否在预期范围内；

S6、管道检测，评价改进VGG模型的性能；

所述改进的VGG神经网络模型具体是指：对于VGG模型，通过增加卷积层来进行改进，将VGG16模型的原本13层卷积层增加至15层，分别在第10次和第13次卷积后再次增加一层卷积，提高了特征提取度；

所述步骤S1中，构建热红外图像病害数据集具体是：使用红外热成像仪对病害进行检测,获取病害数据信息，并将其传输到计算机中，利用PyCharm软件编程将收集到的红外数据图像按比例生成训练集，验证集和测试集。

2.根据权利要求1所述的热红外模式下VGG神经网络的排水管道病害检测方法，其特征在于：所述按比例分为训练集，验证集和测试集具体是按7：2：1的比例分为训练集，验证集和测试集。

3.根据权利要求1所述的热红外模式下VGG神经网络的排水管道病害检测方法，其特征在于：所述步骤S2中的VGG神经网络模型包括卷积层，池化层，全连接层和分类器；所述卷积层包括有15层卷积层；

所述卷积层是由卷积核构成，卷积核的大小和深度由人工指定，卷积中的权重值由系统随机生成，利用这些权重值经过运算提取图片中的特征信息，达到降维的效果；

所述池化层能有效地缩小矩阵的尺寸，减少最后全连接层中的参数，起到防止过拟合地发生；

所述全连接层通过定义地概率来随机删除部分神经元，保持输入层和输出层的神经元的个数不变，然后按照神经网络的学习方法进行参数更新；

所述的分类器，当VGG提取的图片特征值输入到分类器时，对病害的类别进行判断；

通过VGG神经网络模型的卷积、池化、归一化处理、再利用激活函数增大网络的稀疏性，减小运算量，提取图像中的代表性有效特征，并对图像的类别进行检验。

4.根据权利要求1所述的热红外模式下VGG神经网络的排水管道病害检测方法，其特征在于：所述步骤S3中的超参数为学习率、总迭代次数、梯度大小、卷积核权重、填充度和小批量数量。

5.根据权利要求1所述的热红外模式下VGG神经网络的排水管道病害检测方法，其特征在于：所述步骤S4中，所述模型调参，得到最优模型具体包括：输入验证集数据到模型中，根据不同超参数模型下的误差值及准确率变化，得到最优超参数，得到最优模型。

6.根据权利要求1所述的热红外模式下VGG神经网络的排水管道病害检测方法，其特征在于：所述步骤S5中的各项数值评价指标包括准确率，均方误差和平均绝对误差；

所述均方误差是指参数估计值与参数真值之差平方的期望值，公式如下：

所述平均绝对误差是绝对误差的平均值，公式如下：

7.根据权利要求1所述的热红外模式下VGG神经网络的排水管道病害检测方法，其特征在于：所述步骤S6中，所述管道检测，评价改进VGG模型的性能具体是指：通过控制机器人云台运动改变红外热成像摄像仪的空间位置，利用红外摄像仪获取红外电磁波生成红外热成像图，将数据传输至高性能计算机终端进行检测，评价改进VGG模型的性能是否达到要求。

8.根据权利要求7所述的热红外模式下VGG神经网络的排水管道病害检测方法，其特征在于：所述评价改进VGG模型的性能指标主要包括预测效率和准确率。