基于图像处理技术的供水管网巡检与缺陷识别方法

1.基于图像处理技术的供水管网巡检与缺陷识别方法，其特征在于，包括以下步骤：S1：通过多光谱成像装置同步采集管网表面多波段图像数据，并采用融合材质反射率特性的自适应光照补偿算法生成增强图像；S2：对增强图像执行几何约束下的边缘检测，基于预置管道直径参数构建空间滤波窗口，采用自适应双阈值算法消除反光伪影，生成包含管壁区域坐标的掩膜图像；S3：基于掩膜图像提取管壁ROI区域，通过圆柱投影的曲率补偿算法将管壁曲面展开为二维平面，并沿管道轴向按等距检测单元进行网格化划分；S4：对各检测单元执行多维度特征融合提取，获取包含纹理特征、近红外反射强度及几何形态学特征的复合特征向量；S5：将复合特征向量输入预训练的缺陷分类模型，输出带置信度的缺陷类型及量化参数；S6：根据各检测单元缺陷识别结果生成带空间坐标映射的管网健康状态分布图。 2.根据权利要求1所述的基于图像处理技术的供水管网巡检与缺陷识别方法，其特征在于，所述S1具体包括：S11：通过多光谱成像装置同步采集管网表面多波段图像数据，所述多光谱成像装置包括多个波段传感器，用于分别获取可见光波段、近红外波段及中红外波段的图像数据；S12：根据管道材质的光谱反射特性，结合多光谱图像的每个波段反射率，计算每个波段图像的反射率差异，并基于管道材质的反射率差异动态生成补偿系数矩阵；S13：利用所述补偿系数矩阵，采用自适应光照补偿算法对多波段图像进行融合，优化各波段图像的亮度和对比度，以减少不同光照条件对图像质量的影响。 3.根据权利要求1所述的基于图像处理技术的供水管网巡检与缺陷识别方法，其特征在于，所述S2具体包括：S21：对增强图像执行边缘检测，所述边缘检测采用改进的Canny边缘检测算法，通过设置高低阈值对增强图像的梯度进行分析，以提取管道表面的边缘信息；S22：基于管道的预置直径参数，构建空间滤波窗口，所述空间滤波窗口采用圆形结构，以与管道的实际几何形状匹配；S23：通过自适应双阈值算法消除反光伪影，根据不同区域的反射强度调整阈值，优化边缘检测结果，消除管道表面反光造成的误检测；S24：根据边缘检测结果，生成包含管壁区域坐标的掩膜图像，所述掩膜图像通过将检测到的管壁区域边缘封闭形成区域，并提取管道的区域坐标信息。 4.根据权利要求3所述的基于图像处理技术的供水管网巡检与缺陷识别方法，其特征在于，所述S23具体包括：S231：通过分析图像中的反射强度，对图像的反射区域进行分离，设反射强度为 ，其计算公式为： ，其中， 为图像中每个区域的最大光强值， 为对应区域的最小光强值， 为对应区域的反射强度；S232：根据图像的反射强度，选择不同的双阈值策略进行区域分类；具体地，设定高阈值 和低阈值 ，根据反射强度动态调整阈值的设置；S233：通过自适应双阈值策略，识别出图像中的高反射区域和低反射区域，并根据反射强度阈值范围对图像中的反光伪影区域进行过滤，具体的，对于低反射区域，将其保留为有效管壁区域，而对于高反射区域，将其判定为反光伪影，进而剔除。 5.根据权利要求1所述的基于图像处理技术的供水管网巡检与缺陷识别方法，其特征在于，所述S3具体包括：S31：通过圆柱投影的曲率补偿算法，将管壁的曲面展开为二维平面；具体的，管道表面的任意点的三维坐标 通过下式转换为二维平面上的坐标 ，公式为： ； ，其中， 为管道的半径， 为管道表面点的轴向角度， 为管道点在轴向的高度；S32：根据展开后的二维平面图像，沿管道的轴向方向按等距间隔划分检测单元，等距间隔根据管道的总长度和预定的检测单元数量进行计算，公式为： ，其中， 为每个检测单元的轴向长度， 为管道的总长度， 为检测单元的数量。 6.根据权利要求1所述的基于图像处理技术的供水管网巡检与缺陷识别方法，其特征在于，所述S4具体包括：S41：对每个检测单元的图像区域进行纹理特征提取，所述纹理特征通过灰度共生矩阵进行计算，提取包括能量、对比度、均匀性和熵的统计量；S42：对每个检测单元的图像区域进行近红外反射强度特征提取，所述反射强度通过计算每个检测单元在近红外波段的平均反射值来获取；S43：对每个检测单元的图像区域进行几何形态学特征提取，所述几何形态学特征为形状特征，包括面积、周长以及长宽比；S44：将提取的纹理特征，近红外反射强度特征和几何形态学特征融合为复合特征向量，所述复合特征向量通过加权合成得到。 7.根据权利要求1所述的基于图像处理技术的供水管网巡检与缺陷识别方法，其特征在于，所述S5具体包括：S51：将提取的复合特征向量输入预训练的缺陷分类模型，所述缺陷分类模型为基于深度学习的卷积神经网络模型，该缺陷分类模型通过嵌入通道注意力机制改进特征提取能力；S52：对复合特征向量进行归一化处理，以确保各个特征在输入模型时具有相同的尺度，将复合特征向量中的每一维特征值减去其均值，并除以标准差，以获得归一化后的特征值；S53：将归一化后的复合特征向量输入到预训练的缺陷分类模型中，通过卷积层和全连接层进行特征提取和分类，最终输出每种潜在缺陷的置信度值；S54：根据分类结果，输出带置信度的缺陷类型及量化参数，缺陷类型包括裂缝、腐蚀和变形，量化参数则包括缺陷的具体大小、深度和长度。 8.根据权利要求7所述的基于图像处理技术的供水管网巡检与缺陷识别方法，其特征在于，所述S51具体包括：S511：通过嵌入通道注意力机制改进缺陷分类模型的特征提取能力；具体地，在卷积神经网络的每个卷积层后，利用全局平均池化操作计算每个通道的全局信息描述，公式为： ，其中， 为第 个通道的全局描述值， 为第 个通道在位置 的特征值， 和 分别为特征图的高度和宽度；S512：对全局信息描述值进行线性变换，通过全连接层生成通道注意力系数，计算公式为： ，其中， 为通道注意力系数， 为激活函数， 为全连接层的权重矩阵， 为偏置项， 为全局描述值；S513：将通道注意力系数与原始特征图进行逐通道乘法操作，生成加权后的特征图，公式为： ，其中， 为加权后的第 个通道特征图， 为第 个通道的注意力系数， 为第 个通道的原始特征图。 9.根据权利要求8所述的基于图像处理技术的供水管网巡检与缺陷识别方法，其特征在于，所述S53具体包括：S531：将归一化后的复合特征向量输入到预训练的缺陷分类模型中，所述缺陷分类模型包括多个卷积层和全连接层，通过卷积层进行特征提取；S532：经过多次卷积操作后，通过池化层对特征图进行降维；S533：将池化后的特征图输入到全连接层，通过权重矩阵对每个特征进行加权求和；S534：经过全连接层处理后，输出一个表示每种潜在缺陷类别的向量，向量中的每个元素表示某一缺陷类别的置信度值，并通过Softmax激活函数计算每种缺陷类型的概率，公式为： ，其中， 为第 类缺陷的概率， 为第 类缺陷的预测得分， 为得分的指数函数， 表示所有潜在缺陷类别的索引； 表示第 个缺陷类别输出的预测得分，Softmax函数将所有类别的得分转换为概率，且概率值的总和为1，从而为每种缺陷类型输出一个置信度值；S535：通过对每个潜在缺陷类别的置信度值进行排序，最终输出置信度最高的缺陷类型及其相应的置信度值。 10.根据权利要求1所述的基于图像处理技术的供水管网巡检与缺陷识别方法，其特征在于，所述S6具体包括：S61：根据各检测单元的缺陷识别结果，构建管网健康状态的初步数据模型，每个检测单元对应一个三维空间坐标，表示其在管道中的具体位置；S62：将每个检测单元的缺陷识别结果与其对应的三维空间坐标进行映射，生成每个检测单元的缺陷数据点，每个数据点包含缺陷类型、缺陷的大小、深度和长度的量化信息，以及其在管道中的空间坐标信息；S63：根据所有检测单元的数据点，通过空间插值方法对缺陷数据进行空间平滑处理，获得管网健康状态在空间中的连续分布；S64：基于已插值处理的数据，利用可视化技术将管网健康状态数据映射到三维坐标系统中，生成管网健康状态分布图；同时通过颜色方式直观展示缺陷的严重程度，具体的，通过红色表示严重缺陷，绿色表示无缺陷，黄色表示轻微缺陷。