基于改进YOLOv7的管道缺陷检测技术研究

doi:10.12422/j.issn.1672-6952.2024.04.011

摘要/Abstract

摘要：

针对城镇地下管网规模巨大、传统的人工检测方法已不能满足现在工程需求的问题，提出采用MobileNetv3?YOLOv7网络模型作为地下管道缺陷目标检测的算法来提升检测的精度和速度。首先，管道图像数据集进行预处理，对输入图像灰度化及重采样，均衡样本的数量；其次，将轻量化网络MobileNetv3和YOLOv7网络框架相结合，增加BiFPN特征金字塔结构以提高精确度；然后，在数据处理方面通过Mosaic数据增强方式提高该模型的鲁棒性；最后，设计YOLOv7网络模型的对比实验验证本模型的可行性。在Pytorch实验框架下，对MobileNetv3?YOLOv7网络模型进行了验证。实验结果表明，该模型可减少参数计算量，并且平均准确率有所提高。

关键词: 图像处理, 地下管道缺陷, 目标检测, YOLOv7网络, 轻量化网络

Abstract:

In view of the huge scale of urban underground pipe network, the traditional manual detection method can no longer meet the needs of the current projects. In this paper, the MobileNetv3?YOLOv7 network model is proposed as the algorithm for target detection of underground pipeline defects to improve the accuracy and speed of detection. First, the pipeline image dataset is preprocessed, and the input image is grayscale and resampled to balance the number of samples. Secondly, the lightweight network MobileNetv3 and YOLOv7 network frameworks are combined to increase the BiFPN feature pyramid structure to improve accuracy. Then, in terms of data processing, Mosaic data augmentation is used to improve the robustness of the model. Finally, a comparative experiment with the YOLOv7 network model is designed to verify the feasibility of the model. In this paper, the MobileNetv3?YOLOv7 network model is verified under the framework of Pytorch experiment, and the experimental results show that the model greatly reduces the amount of parameter calculation and improves the average accuracy.

Key words: Image processing, Underground pipeline defects, Object detection, YOLOv7 network, Lightweight network

中图分类号:

TE973.6

冯丽丹, 王闯, 祁军, 石元博. 基于改进YOLOv7的管道缺陷检测技术研究[J]. 辽宁石油化工大学学报, 2024, 44(4): 82-90.

Lidan FENG, Chuang WANG, Jun QI, Yuanbo SHI. Research on Pipeline Defect Detection Technology Based on Improved YOLOv7[J]. Journal of Liaoning Petrochemical University, 2024, 44(4): 82-90.

图/表 17

参考文献 17

1	钟洪德. 排水管道缺陷内窥检测智能识别系统研究［J］. 城市勘测， 2021（5）： 159⁃164.
	ZHONG H D. Research on intelligent recognition system of drainage pipeline defect endoscopic detection［J］. Urban Geotechnical Investigation & Surveying， 2021（5）： 159⁃164.
2	杜预，郭帅，潘刚，等. 国内外排水管道状况评估系统对比分析研究［J］. 中国给水排水， 2021， 37（20）： 9⁃15.
	DU Y， GUO S， PAN G， et al. Comparative analysis of pipelines condition assessment protocols at home and abroad［J］. China Water & Wastewater， 2021， 37（20）： 9⁃15.
3	吕兵，刘玉贤，叶绍泽，等. 基于卷积神经网的CCTV视频中排水管道缺陷的智能检测［J］. 测绘通报， 2019（11）： 103⁃108.
	LÜ B， LIU Y X， YE S Z， et al. Convolutional⁃neural⁃network⁃based sewer defect detection in videos captured by CCTV［J］. Bulletin of Surveying and Mapping， 2019（11）： 103⁃108.
4	HASSAN S I， DANG L M， MEHMOOD I， et al. Underground sewer pipe condition assessment based on convolutional neural networks［J］. Automation in Construction， 2019， 106： 102849.
5	方宏远，马铎，王念念，等. 基于融合卷积神经网络的多种类管道病害检测方法［J］. 北京工业大学学报， 2022， 48（6）： 561⁃571.
	FANG H Y， MA D， WANG N N， et al. Detection algorithm for multiple underground pipeline diseases based on a fusion convolutional neural network［J］. Journal of Beijing University of Technology， 2022， 48（6）： 561⁃571.
6	MEIJER D， SCHOLTEN L， CLEMENS F， et al. A defect classification methodology for sewer image sets with convolutional neural networks［J］. Automation in Construction， 2019， 104： 281⁃298.
7	CHEN K F， HU H， CHEN C Z， et al. An intelligent sewer defect detection method based on convolutional neural network［C］//2018 IEEE International Conference on Information and Automation （ICIA）. Piscataway： IEEE， 2018： 1301⁃1306.
8	陆绮荣，丁昕，梁雅雯. 基于改进YOLOX的地下排水管道缺陷识别算法［J］. 电子测量技术， 2022， 45（21）： 161⁃168.
	LU Q R， DING X， LIANG Y W. A defect recognition method of the underground drainage pipe based on improved YOLOX algorithm［J］. Electronic Measurement Technology， 2022， 45（21）： 161⁃168.
9	HOWARD A， SANDLER M， CHEN B， et al. Searching for MobileNetV3［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE， 2019： 1314⁃1324.
10	HAURUM J B， Moeslund T B. Sewer⁃ML： A multi⁃label sewer defect classification dataset and benchmark［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE， 2021： 13451⁃13462.
11	王俊岭，邓玉莲，李英，等. 排水管道检测与缺陷识别技术综述［J］. 科学技术与工程， 2020， 20（33）： 13520⁃13528.
	WANG J L， DENG Y L， LI Y， et al. A review on detection and defect identification of drainage pipeline［J］. Science Technology and Engineering， 2020， 20（33）： 13520⁃13528.
12	王和平，安关峰，谢广永. 《城镇排水管道检测与评估技术规程》（CJJ 181-2012）解读［J］.给水排水，2014，40（2）：124⁃127.
	WANG H P， AN G F， XIE G Y. Interpretation of technical regulations for testing and evaluation of urban drainage pipelines （CJJ 181-2012）［J］. Water & Wastewater Engineering， 2014， 40（2）： 124⁃127.
13	戴晓峰. 复杂光照条件下舰船图像灰度校正方法［J］. 舰船科学技术， 2021， 43（22）： 175⁃177.
	DAI X F. Study on gray scale correction method of ship images under complex light conditions［J］. Ship Science and Technology， 2021， 43（22）： 175⁃177.
14	卢意祺. 城市地下排水管道智能检测系统研究及应用［J］. 中国市政工程， 2021（6）： 51⁃55.
	LU Y Q. Research & application of intelligent detection system for urban underground drainage pipeline［J］. China Municipal Engineering， 2021（6）： 51⁃55.
15	马铎，方宏远，王念念，等. 基于自注意力的排水管道缺陷检测方法［J］. 城市勘测， 2022（3）： 166⁃169.
	MA D， FANG H Y， WANG N N， et al. A method for defect detection of drainage pipes based on self⁃attention［J］. Urban Geotechnical Investigation & Surveying， 2022（3）： 166⁃169.
16	王新妍. 城市排水管道缺陷检测方法及发展现状探析［J］. 铁道建筑技术， 2020（2）： 50⁃53.
	WANG X Y. Review on defect detection methods and development status of urban drainage pipeline［J］. Railway Construction Technology， 2020（2）： 50⁃53.
17	徐源，翟春艳，王国良. 基于对抗学习与深度估计的车辆检测系统［J］. 辽宁石油化工大学学报， 2020， 40（3）： 83⁃90.
	XU Y， ZHAI C Y， WANG G L. Vehicle detection system based on adversarial learning and depth estimation［J］. Journal of Liaoning Shihua University， 2020， 40（3）： 83⁃90.

缺陷类别	表现形式	形成原因
破裂	管壁上可见裂痕	管道的外部压力超过自身的承受力，致使管材发生破裂
变形	管道发生形变	管道受外力挤压造成形状变异，管道的原样被改变
起伏	接口位下沉，使管道坡度发生明显的变化	造成弯曲起伏原因包括管道不均匀沉降，也包含施工不当
树根	管道内出现树根	单个树根或树根群自然生长进入管道

缺陷类别	表现形式	形成原因
破裂	管壁上可见裂痕	管道的外部压力超过自身的承受力，致使管材发生破裂
变形	管道发生形变	管道受外力挤压造成形状变异，管道的原样被改变
起伏	接口位下沉，使管道坡度发生明显的变化	造成弯曲起伏原因包括管道不均匀沉降，也包含施工不当
树根	管道内出现树根	单个树根或树根群自然生长进入管道

训练轮数	精确率	召回率	0.5平均精度均值
50	0.810	0.800	0.830
100	0.830	0.890	0.890
150	0.870	0.890	0.880
200	0.900	0.880	0.890
250	0.910	0.870	0.890
300	0.890	0.870	0.880

训练轮数	精确率	召回率	0.5平均精度均值
50	0.810	0.800	0.830
100	0.830	0.890	0.890
150	0.870	0.890	0.880
200	0.900	0.880	0.890
250	0.910	0.870	0.890
300	0.890	0.870	0.880

模型	平均精度均值/%	检测速度/(帧·s^-1)	模型所占空间/MB
YOLOv7	86.5	42	11.4
+MoileNetv3	86.3	57	4.3
+BiFPN	87.9	45	11.2
+MoileNetv3+BiFPN	88.2	51	7.8