[发明专利]一种基于深度学习的地下管道缺陷自动识别方法在审
| 申请号： | 201711221526.2 | 申请日： | 2017-11-29 |
| 公开（公告）号： | CN107886133A | 公开（公告）日： | 2018-04-06 |
| 发明（设计）人： | 刘文伍;贾高阳;汪俊;谢乾;王岩;程震 | 申请（专利权）人： | 南京市测绘勘察研究院股份有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06K9/46;G06T7/00;G06N3/04 |
| 代理公司： | 南京钟山专利代理有限公司32252 | 代理人： | 戴朝荣 |
| 地址： | 210019 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的地下管道缺陷自动识别方法，准备训练卷积神经网络所需的地下管道正样本集和负样本集，对样本集预处理，批量修改为统一尺寸300*300，然后进行数据提升，生成训练用样本数据；设计卷积神经网络的结构，进行训练，获取网络收敛时的权重连接矩阵W，用于以后的检测过程；针对视频数据，首先排除视频前后10帧，对于缺陷目标帧进行粗选，然后每隔10ms对视频进行关键帧采样；将视频的每一个采样帧输入到卷积神经网络中，判断是否有缺陷存在；根据步骤五获取的每一帧的结果，总结出视频中是否含有缺陷。本发明提高了数据的利用率，通过卷积网络自动学习缺陷管道图像的特征，从而实现缺陷管道的自动识别。 | ||
| 搜索关键词： | 一种 基于 深度 学习 地下管道 缺陷 自动识别 方法 | ||
【主权项】：
一种基于深度学习的地下管道缺陷自动识别方法，其特征在于包含以下步骤：步骤一：准备训练卷积神经网络所需的地下管道正样本集和负样本集；步骤二：对样本集预处理，批量修改为统一尺寸300*300，然后进行数据提升，生成训练用样本数据；步骤三：设计卷积神经网络的结构，进行训练，获取网络收敛时的权重连接矩阵W，用于以后的检测过程；步骤四：针对视频数据，首先排除视频前后10帧，对于缺陷目标帧进行粗选，然后每隔10ms对视频进行关键帧采样；步骤五：将视频的每一个采样帧输入到卷积神经网络中，判断是否有缺陷存在；步骤六：根据步骤五获取的每一帧的结果，总结出视频中是否含有缺陷。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京市测绘勘察研究院股份有限公司，未经南京市测绘勘察研究院股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201711221526.2/，转载请声明来源钻瓜专利网。
