(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211145429.0 (22)申请日 2022.09.20 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 周倩倩　司徒祖祥 　腾帅　刘汉林　 陈贡发　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 高棋 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/82(2022.01) (54)发明名称 一种基于生成对抗网络的排水管道缺陷识 别方法 (57)摘要 本发明提供一种基于生成对抗网络的排水 管道缺陷识别方法， 包括以下步骤： S1： 获取排水 管道缺陷的原始图像， 以及构建生成对抗网络和 排水管道缺陷5识别网络； S2： 将原始图像输入生 成对抗网络中， 生成排水管道缺陷的样本图像； S3： 将样本图像与原始图像混合， 形成图像数据 集； S4： 利用图像数据集训练排水管道缺陷识别 网络， 得到训练好的排水管道缺陷识别网络； S5： 使用训练好的排水管道缺陷识别网络进行排水 管道缺陷识别， 得到识别结果。 本发明提供一种 基于生成对抗网络的排水管道 缺陷识别方法， 解 决了目前采用 深度学习技术自动10识别排水管 道缺陷经常出现数据样本不足的问题。 权利要求书1页 说明书6页 附图3页 CN 115511816 A 2022.12.23 CN 115511816 A 1.一种基于生成对抗网络的排水 管道缺陷识别方法， 其特 征在于， 包括以下步骤： S1： 获取排水 管道缺陷的原 始图像， 以及构建生成对抗网络和排水 管道缺陷识别网络； S2： 将原始图像输入生成对抗网络中， 生成排水 管道缺陷的样本图像； S3： 将样本图像与原 始图像混合， 形成图像数据集； S4： 利用图像数据集训练排水管道缺陷识别 网络， 得到训练好的排水管道缺陷识别网 络； S5： 使用训练好的排水 管道缺陷识别网络进行排水 管道缺陷识别， 得到识别结果。 2.根据权利要求1所述的一种基于生成对抗网络的排水管道缺陷识别方法， 其特征在 于， 通过管道闭路电视内窥检测获取排水 管道缺陷的原 始图像。 3.根据权利要求1所述的一种基于生成对抗网络的排水管道缺陷识别方法， 其特征在 于， 排水管道缺陷的类型包括 错口类型、 障碍物类型、 残墙坝根类型和树 根类型。 4.根据权利要求1所述的一种基于生成对抗网络的排水管道缺陷识别方法， 其特征在 于， 所述生成对抗网络包括 生成网络和判别网络； 其中， 所述生成网络， 用于生成与图像数据集分布一致的数据， 使得生成的数据趋近于真实 数据； 所述判别网络， 用于区分 真实数据与生成网络生成的数据。 5.根据权利要求4所述的一种基于生成对抗网络的排水管道缺陷识别方法， 其特征在 于， 所述生 成网络为使用LeakyReLU作为激活函数的深度神经网络， 包括映射网络和样式模 块； 其中， 在映射网络中， 将输入向量编码为中间向量， 由中间向量的不同元素控制不同的视觉 特征； 在样式模块中， 对每个特征图独立进行归一化， 然后分别使用样式中学习到的平移和 缩放因子对每 个特征图进行尺度和平 移变换。 6.根据权利要求5所述的一种基于生成对抗网络的排水管道缺陷识别方法， 其特征在 于， 所述生成对抗网络为StyleGAN。 7.根据权利要求1所述的一种基于生成对抗网络的排水管道缺陷识别方法， 其特征在 于， 在将原始图像输入生成网络之前， 还包括对原始图像进行随机翻转处理和大小调整处 理。 8.根据权利要求1所述的一种基于生成对抗网络的排水管道缺陷识别方法， 其特征在 于， 在形成图像数据集之后， 还包括将图像数据集划分为训练集和测试集， 训练集和测试集 划分的比例为8： 2。 9.根据权利要求1所述的一种基于生成对抗网络的排水管道缺陷识别方法， 其特征在 于， 所述排水管道缺陷识别网络包括Fire模块和全局平均池化模块； 其中， 所述Fire模块用于压缩参数， 包括压缩单元和扩展单元； 压缩单元进行1 ×1卷积运算， 其输出值作为扩展 单元的输入值， 扩展 单元包括进 行1×1卷积运算的第一分支和进 行3×3 卷积运算的第二分支； 所述全局平均池化模块用于优化权 重参数。 10.根据权利要求9所述的一种基于生成对抗网络的排水管道缺陷识别方法， 其特征在 于， 所述排水管道缺陷识别网络为Sque ezeNet。权　利　要　求　书 1/1 页 2 CN 115511816 A 2一种基于生成 对抗网络的排水管道缺陷识别方 法 技术领域 [0001]本发明涉及排水管道缺陷识别的技术领域， 更具体的， 涉及一种基于生成对抗网 络的排水 管道缺陷识别方法。 背景技术 [0002]排水管道是城市重要的基础设施之一， 直接影响社会经济、 安全和环境。 然而， 随 着管道长期使用， 各种管道缺陷严重制约其输送能力， 引发洪涝和环境安全问题。 尽早 发现 管道内部的缺陷 问题， 可为排水系统维护和管理提供支持， 提高排水管道服役的可靠性。 然 而， 传统的人工管道检测存在工作效率低、 识别准确率差等问题， 难以满足现代检测的发展 要求。 [0003]深度学习技术近年来被引入计算机视觉检测， 用于识别和评估多种工程损伤和缺 陷。 卷积神经网络(CNN)作为其中一种深度学习 算法， 在计算机视觉领域最具代表性， 逐步 应用于多种排水管道缺陷的自动识别。 然而， 深度学习技术需要利用大量数据样本进行训 练， 普遍受现场数据采集的条件限制， 经常出现数据样本不 足和数据样本不平衡的问题， 从 而影响识别准确率。 发明内容 [0004]本发明为克服目前采用深度学习技术自动识别排水管道缺陷经常出现数据样本 不足的技 术缺陷， 提供一种基于生成对抗网络的排水 管道缺陷识别方法。 [0005]为解决上述 技术问题， 本发明的技 术方案如下： [0006]一种基于生成对抗网络的排水 管道缺陷识别方法， 包括以下步骤： [0007]S1： 获取排水管道缺陷的原始图像， 以及构建生成对抗网络和排水管道缺陷识别 网络； [0008]S2： 将原始图像输入生成对抗网络中， 生成排水 管道缺陷的样本图像； [0009]S3： 将样本图像与原 始图像混合， 形成图像数据集； [0010]S4： 利用图像数据集训练排水管道缺陷识别网络， 得到训练好的排水管道缺陷识 别网络； [0011]S5： 使用训练好的排水 管道缺陷识别网络进行排水 管道缺陷识别， 得到识别结果。 [0012]上述方案中， 利用生成对抗网络根据原始图像生成大量各种缺陷类型的排水管道 样本图像， 增加了深度学习中的数据样本量； 还将样本图像和原始图像混合形成 图像数据 集用于训练排水管道缺陷识别网络， 并通过训练好的排水管道缺陷识别网络识别排水管道 缺陷， 从而提高了排水 管道缺陷识别效率和准确性。 [0013]优选的， 通过管道闭路电视内窥检测(管道CCTV检测)获取排水管道缺陷的原始图 像。 [0014]优选的， 排水管道缺陷的类型包括错口类型、 障碍物类型、 残墙坝根类型和树根类 型。说　明　书 1/6 页 3 CN 115511816 A 3