王俊嶺， 鄧玉蓮， 李 英， 張現(xiàn)國(guó)

(1.北京建筑大學(xué), 城市雨水系統(tǒng)與水環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100032； 2.北京首創(chuàng)股份有限公司， 北京 100032)

城市排水系統(tǒng)作為市政基礎(chǔ)設(shè)施的重要環(huán)節(jié)，是維持城市環(huán)境清潔衛(wèi)生的重要保障。近年來，由于城市化進(jìn)程的不斷加快，城市不透水鋪裝覆蓋率顯著增加[1]，加上氣候條件的變化，導(dǎo)致城市雨洪災(zāi)害頻發(fā)[2]。研究發(fā)現(xiàn)，城市內(nèi)澇不僅由極端天氣和日益增長(zhǎng)的城市化進(jìn)程引起，也可由設(shè)備故障，管道堵塞與腐蝕等內(nèi)部原因引起[3-6]。大多數(shù)城市的市政排水管道已有幾十年的歷史，有些管道的使用年限甚至超過百年[7]。隨著管道使用年限的增長(zhǎng)，管段呈現(xiàn)出一些缺陷，例如管道變形、堵塞、滲漏、坍塌等。在設(shè)計(jì)施工方面，部分管道存在混接、錯(cuò)接、管徑偏小、高程設(shè)計(jì)不合理等一系列問題，使排水管網(wǎng)不能滿足預(yù)期的要求[8]。高原等[9]在研究美國(guó)旱季合流制排水系統(tǒng)沉積規(guī)律時(shí)發(fā)現(xiàn)，水流中5%～30%的固體物質(zhì)將沉積在管底。譚合等[10]在對(duì)湖北某開發(fā)區(qū)雨、污水收集設(shè)施的現(xiàn)狀進(jìn)行調(diào)研時(shí)發(fā)現(xiàn)，雨污分流接管錯(cuò)誤的現(xiàn)象比較嚴(yán)重。上海某區(qū)2011年排水管道檢測(cè)結(jié)果顯示，中度淤積以上的管道占總管道長(zhǎng)度的18.45%，平均每1 km就有1處破裂、滲漏等結(jié)構(gòu)性病害[11]。此外，由于管道堵塞或淤積，使得管道中的污、廢水溢出，污染地下水及地表水源。Ashley等[12]發(fā)現(xiàn)強(qiáng)降雨時(shí)受納水體污染負(fù)荷的30%～80%都來源于溢流排放的管道。因此，有必要對(duì)排水管網(wǎng)進(jìn)行全面和定期的檢測(cè)，了解排水管道的狀況，將有助于管理部門確定及時(shí)、適當(dāng)和經(jīng)濟(jì)的維護(hù)工作。

截至目前，排水管道的狀況評(píng)估一直受到現(xiàn)有檢測(cè)技術(shù)的限制。缺乏定期的檢測(cè)或檢測(cè)周期延誤都會(huì)對(duì)排水管道的管理與維護(hù)造成很多問題[13]。美國(guó)環(huán)保局已要求市政當(dāng)局評(píng)估其污水收集系統(tǒng)的狀況，以便更好地了解排水系統(tǒng)的狀態(tài)和制定維護(hù)決策[14]。為了更加科學(xué)而全面地評(píng)估排水管道的狀況，許多檢測(cè)技術(shù)被提出并應(yīng)運(yùn)于排水管道的缺陷檢測(cè)中。但排水管道內(nèi)部狀況極為復(fù)雜，且檢測(cè)技術(shù)受到管材、技術(shù)要求、時(shí)間成本和勞動(dòng)力成本的限制，這使得排水管道的檢測(cè)并不是一項(xiàng)容易的工作。為了全面了解排水管道的檢測(cè)技術(shù)，結(jié)合中外研究文獻(xiàn)，綜述了閉路電視(closed-circuit television, CCTV)檢測(cè)技術(shù)、激光檢測(cè)技術(shù)、潛望鏡檢測(cè)技術(shù)、紅外熱成像技術(shù)、超聲波檢測(cè)技術(shù)及探地雷達(dá)檢測(cè)技術(shù)的應(yīng)用和特點(diǎn)，介紹和分析了計(jì)算機(jī)視覺和深度學(xué)習(xí)等圖像處理技術(shù)在排水管道缺陷自動(dòng)化檢測(cè)方面的應(yīng)用，并對(duì)未來排水管道檢測(cè)技術(shù)的發(fā)展前景進(jìn)行了展望。

1 排水管道檢測(cè)技術(shù)

1.1 CCTV檢測(cè)技術(shù)

CCTV檢測(cè)已成為污水管道檢測(cè)中應(yīng)用最廣泛的技術(shù)手段，該技術(shù)出現(xiàn)于20世紀(jì)50年代，并在20世紀(jì)90年代引入中國(guó)[15]。CCTV檢測(cè)是通過一個(gè)帶攝像機(jī)的機(jī)器人系統(tǒng)拍攝管道內(nèi)部信息，并通過多芯電纜將數(shù)據(jù)傳輸給遠(yuǎn)程操作人員[16]，收集的視頻和圖像資料提供了非常豐富的管道狀況信息，這些影像資料由受過培訓(xùn)的專業(yè)人員進(jìn)行判讀，對(duì)管道缺陷進(jìn)行分類和等級(jí)評(píng)定。目前，CCTV檢測(cè)系統(tǒng)可以與地理信息系統(tǒng)和資產(chǎn)管理系統(tǒng)聯(lián)系起來，有助于更新管道的尺寸、連接性、管道材料等信息，并對(duì)管網(wǎng)的總體狀況進(jìn)行分析，幫助確定未來的更新和維護(hù)方案。

CCTV檢測(cè)技術(shù)已經(jīng)普遍用于管道狀態(tài)檢測(cè)，貫穿于管道施工、驗(yàn)收、運(yùn)營(yíng)等各個(gè)階段，可用于雨水管道、污水管道、檢查井等的檢測(cè)[17]。雷芳芳[18]總結(jié)了CCTV檢測(cè)技術(shù)在福州市排水管道檢測(cè)中的應(yīng)用，發(fā)現(xiàn)該技術(shù)能夠檢測(cè)到排水管道的破裂、滲漏、變形等結(jié)構(gòu)性缺陷和樹根、沉積、結(jié)垢等功能性缺陷。但CCTV檢測(cè)不能提供任何關(guān)于管壁結(jié)構(gòu)完整性或周圍土壤的信息[19]。肖倩等[20]在分析深圳市排水管道CCTV檢測(cè)評(píng)估時(shí)提出，該技術(shù)無法檢測(cè)出被水和淤泥覆蓋的地方，檢測(cè)開始之前，需要對(duì)排水管道進(jìn)行必要的封堵，抽水和清洗工作，確保管內(nèi)積水、積泥均不大于管道直徑的20%，且水位、淤泥厚度均小于200 mm。CCTV收集到的影像資料的質(zhì)量及評(píng)估的準(zhǔn)確性，在很大程度上取決于攝像機(jī)的規(guī)格、拍攝方向和位置，以及下水道的光照條件和背景噪聲[21]。基于拍攝圖片和視頻的質(zhì)量，一些微小裂縫并不能被判讀人員捕捉到[22]。馮成會(huì)等[23]在介紹CCTV檢測(cè)與評(píng)估技術(shù)在水庫(kù)排水涵管檢測(cè)中的應(yīng)用中發(fā)現(xiàn)，人工缺陷判讀過程復(fù)雜，工作量大且容易出錯(cuò)。Wirahadikusumah等[24]也指出這種缺陷檢測(cè)與判讀實(shí)踐的準(zhǔn)確性很大程度上會(huì)受到工作人員的經(jīng)驗(yàn)和技能水平的影響。

1.2 激光檢測(cè)技術(shù)

激光檢測(cè)技術(shù)主要用于檢測(cè)管道的幾何形變、表面裂紋、斷裂等結(jié)構(gòu)性缺陷，能夠相對(duì)準(zhǔn)確地定位管線和識(shí)別管道缺陷的基本形狀[29-30]。劉滔滔等[31]利用激光光斑位敏技術(shù)來檢測(cè)地下管線的位置分布及彎曲變化，具有精度高、響應(yīng)靈敏等優(yōu)點(diǎn)。杜文浩等[32]將激光檢測(cè)技術(shù)應(yīng)用于某一市政排水管道的缺陷檢測(cè)，發(fā)現(xiàn)激光檢測(cè)方法可以有效地檢測(cè)管道淤積和變形的問題，但管道底部起伏會(huì)對(duì)檢測(cè)結(jié)果造成一定的影響。激光傳感器在完全黑暗的環(huán)境中工作效率最高，因?yàn)楹诎禇l件下激光束可以保持較高的對(duì)比度，但也為操作人員操縱和控制機(jī)器帶來了困難。在黑暗環(huán)境中，一些微小裂縫很容易被忽略，而且激光檢測(cè)不到水的流入或流出。此外，表面粗糙度會(huì)降低光信號(hào)，從而影響檢測(cè)結(jié)果。

1.3 潛望鏡檢測(cè)技術(shù)

潛望鏡檢測(cè)技術(shù)又稱QV(quick view)檢測(cè)，是一種快速檢測(cè)技術(shù)。QV檢測(cè)是利用可調(diào)節(jié)長(zhǎng)度的操作桿攜帶高清探頭放入檢查井中，通過變焦和俯仰調(diào)節(jié)功能，能夠清晰的捕捉管道內(nèi)部信息并形成錄像。QV檢測(cè)的探測(cè)距離較短，且不能檢測(cè)水面以下的管道狀況，但可以識(shí)別排水管道水面以上的大部分缺陷。婁繼琛等[33]通過分析佛山某城鎮(zhèn)排水管段的QV檢測(cè)資料，發(fā)現(xiàn)該技術(shù)能夠準(zhǔn)確地判斷管道材質(zhì)缺陷、腐蝕程度及具體位置。孫樂樂等[34]分析QV檢測(cè)用于云南某自然村的檢查井溢流現(xiàn)象時(shí)也發(fā)現(xiàn)QV檢測(cè)可以識(shí)別出管道裂縫、變形、沉積等缺陷，是一種高效、直觀、可量化的管道檢測(cè)技術(shù)。在實(shí)際應(yīng)用中，QV檢測(cè)多與CCTV檢測(cè)技術(shù)配合使用，用于檢測(cè)短距離管道或獨(dú)立的檢查井等管道附屬構(gòu)筑物。

1.4 紅外熱成像技術(shù)

紅外熱成像檢測(cè)技術(shù)是利用管道內(nèi)的紅外線源和紅外線掃描器來產(chǎn)生管道的溫度圖，因此，它主要根據(jù)管道的內(nèi)表面溫度來收集缺陷信息[35]。由于管道周圍土壤的絕緣性產(chǎn)生了溫度梯度差，所以需要與精密紅外探測(cè)器配合使用[36]。紅外熱成像技術(shù)是一種表面檢測(cè)技術(shù)，隨著缺陷深度的增加，檢測(cè)的有效性會(huì)降低[37]。

紅外熱成像技術(shù)可以檢測(cè)管道的裂縫和孔洞等缺陷，并可以實(shí)現(xiàn)缺陷的定位。Park等[38]將紅外熱成像技術(shù)用于冷卻管道的缺陷檢測(cè)，發(fā)現(xiàn)該技術(shù)可以在管道的裂縫處形成熱點(diǎn)，從而識(shí)別和定位裂縫缺陷。由于紅外線可以探測(cè)到物體的特征信息，可被用來檢測(cè)管道的材質(zhì)、內(nèi)襯等信息。黃啟人等[39]在研究壓力容器和壓力管道的紅外熱成像檢測(cè)時(shí)發(fā)現(xiàn)，該技術(shù)能夠快速篩查被檢測(cè)設(shè)備的外部絕熱層、內(nèi)部隔熱襯里或設(shè)備母材等質(zhì)量情況。利用紅外熱成像技術(shù)檢測(cè)管道時(shí)，紅外線源會(huì)使管道內(nèi)的溫度升高，由于排水管道內(nèi)物質(zhì)較為復(fù)雜，管道溫度升高容易引發(fā)管道事故。此外，紅外熱成像法也不能提供與水流有關(guān)的信息。

1.5 超聲波檢測(cè)技術(shù)

超聲波檢測(cè)通過產(chǎn)生高頻，短波長(zhǎng)的超聲波脈沖來檢測(cè)管道缺陷，管道材料與缺陷之間存在聲學(xué)上的差異，通過觀察反射波的波形特征可以判斷管道缺陷的尺寸和形狀[40]。在同一介質(zhì)中，脈沖波的傳播時(shí)間與傳播路程成正比，因此可以通過反射信號(hào)產(chǎn)生和接收的時(shí)間差來確定缺陷的位置[41]。與激光檢測(cè)一樣，當(dāng)檢測(cè)物表面較粗糙時(shí)，反射波信號(hào)就會(huì)被減弱，從而影響檢測(cè)結(jié)果[42]。早在2007年，Bo等[43]就提出了一種用于管道的超聲波在線檢測(cè)系統(tǒng)。2010年，夏娟等[44]設(shè)計(jì)了排水管道超聲波數(shù)據(jù)采集系統(tǒng)，用以檢測(cè)排水管道內(nèi)壁淤積和損傷問題。

超聲波檢測(cè)技術(shù)主要被用來檢測(cè)壓力管道的焊縫問題，一些學(xué)者提出此方法也可以用來檢測(cè)排水管道的缺陷。滕啟斯[45]將超聲波周向掃描檢測(cè)技術(shù)應(yīng)用于排水管道的內(nèi)壁檢測(cè)，通過實(shí)驗(yàn)發(fā)現(xiàn)在檢測(cè)管道堵塞和破裂時(shí)效果較好。陳高泉[46]設(shè)計(jì)了一種超聲波成像檢測(cè)系統(tǒng)，將其用來檢測(cè)排水管道的垃圾淤積含量和內(nèi)壁磨損。魏效國(guó)等[47]也對(duì)超聲波排水管道的檢測(cè)做了可行性研究。超聲波檢測(cè)系統(tǒng)可以將傳感器浸入水中進(jìn)行檢測(cè)，不需要排干管道中的水，可以檢測(cè)管道內(nèi)的腐蝕及沉淀情況[47]。超聲波工具在管道中采集到的超聲波信號(hào)通常是有噪聲的，需要有效的去噪技術(shù)來獲得關(guān)于缺陷的準(zhǔn)確信息。超聲波信號(hào)的主要處理方法有小波變換[48]、卷積神經(jīng)網(wǎng)絡(luò)[49]、快速傅里葉變換等。此外，超聲波傳感器體積比較大，不適用于小管道的檢測(cè)。

1.6 探地雷達(dá)檢測(cè)技術(shù)

探地雷達(dá)是利用電磁穿透地面，探測(cè)埋在地下的管道和周圍土層。攜帶雷達(dá)的移動(dòng)電臺(tái)沿著排水管網(wǎng)移動(dòng)，利用不同頻率的天線收集反射信號(hào)，然后將不同位置的觀測(cè)值連接起來，就可以生成管道和周圍土壤的圖像。探地雷達(dá)檢測(cè)需要合適的工作頻率來探測(cè)不同的目標(biāo)，探測(cè)深度與波長(zhǎng)呈正相關(guān)，但波長(zhǎng)太大，分辨率就會(huì)降低，因此需要在分辨率和穿透深度之間權(quán)衡取舍[36]。

探地雷達(dá)是一種無損檢測(cè)技術(shù)，主要用于淺層地下管線的普查，可以探查排水管道是否存在暗管和暗溝問題。鄭雷雷等[50]在分析某一經(jīng)濟(jì)開發(fā)區(qū)采用探地雷達(dá)技術(shù)探測(cè)污水管道時(shí)發(fā)現(xiàn)，此技術(shù)能夠成功用于城市地下管道線的探測(cè)，具有高效、無損、分辨率高等優(yōu)勢(shì)。除此之外，探地雷達(dá)技術(shù)還可以檢測(cè)管道周圍土質(zhì)，判斷管道是否存在坍塌隱患[51]。崔英良等[52]分析CCTV和探地雷達(dá)技術(shù)探測(cè)合肥市某一管段的健康狀況時(shí)發(fā)現(xiàn)，依據(jù)探地雷達(dá)技術(shù)可以判斷管道周圍土質(zhì)是否為疏松體，還能判斷出分管道破裂引起的空洞體。探地雷達(dá)技術(shù)適用于磚砌排水管、輸水渠和小管徑的排水管線的檢測(cè)[53]。由于制造污水管的黏土、混凝土和塑料等材料的相對(duì)介電常數(shù)接近空氣，這就導(dǎo)致探地雷達(dá)技術(shù)在檢測(cè)此類管道時(shí)有難度。

1.7 其他檢測(cè)方法

除了上述傳統(tǒng)的CCTV檢測(cè)等單傳感器檢測(cè)技術(shù)外，研究人員還開發(fā)了多種智能排水管道檢測(cè)系統(tǒng)，將多種不同的檢測(cè)技術(shù)融合到檢測(cè)平臺(tái)中[54]。20世紀(jì)90年代，澳大利亞開發(fā)了一種名為KARO的德國(guó)機(jī)器人系統(tǒng)和管道檢測(cè)實(shí)時(shí)評(píng)估技術(shù)(pipeline inspection rapid assessment techniques, PIRAT)[55]。下水道掃描儀和評(píng)價(jià)技術(shù)(the sewer scanner and evalu-ation technology, SSET) 作為最新的多感官檢測(cè)系統(tǒng)已經(jīng)在美國(guó)進(jìn)行了現(xiàn)場(chǎng)測(cè)試[56]，與傳統(tǒng)的CCTV檢測(cè)相比，SSET改善了圖像質(zhì)量，使得自動(dòng)缺陷分類的研究得到了改進(jìn)。然而，由于SSET檢測(cè)成本較高、檢測(cè)時(shí)間較長(zhǎng)，并沒有被大多數(shù)的政府部門采用[57]。

基于對(duì)CCTV檢測(cè)和多傳感器管道檢測(cè)系統(tǒng)(KARO、PIRAT)的改進(jìn)，目前外國(guó)正在開發(fā)的機(jī)器人產(chǎn)品和技術(shù)可以獲得更全面，高質(zhì)量的數(shù)據(jù)信息。RedZone Robotics Inc公司已經(jīng)開發(fā)了配備多個(gè)傳感器的機(jī)器人下水道檢查平臺(tái)，包括數(shù)字多頻分析聲納、旋轉(zhuǎn)式激光掃描儀、氣體監(jiān)測(cè)儀、流量監(jiān)控器、具有高分辨率的360°數(shù)字虛擬電視設(shè)備和位置傳感器[58]。另一個(gè)創(chuàng)新的檢測(cè)平臺(tái)稱為自動(dòng)檢測(cè)移動(dòng)平臺(tái)，集成了全球面攝像頭和激光掃描儀，可用于檢測(cè)直徑為152.2～457.2 mm的小直徑管道，并獲得獨(dú)立于人類操作員的數(shù)據(jù)[59]。

從上述幾種排水管道檢測(cè)技術(shù)的分析中可以發(fā)現(xiàn)，雖然可用于排水管道的檢測(cè)技術(shù)有很多，但大都存在一些缺陷，如勞動(dòng)負(fù)荷大、檢測(cè)成本高、檢測(cè)結(jié)果不準(zhǔn)確和檢測(cè)不全面等。表1對(duì)上述檢測(cè)技術(shù)做了總結(jié)。在實(shí)際應(yīng)用中，可以根據(jù)不同的需求有針對(duì)性地選擇檢測(cè)方法。

2 管道缺陷分析技術(shù)

隨著CCTV機(jī)器人、QV等基礎(chǔ)設(shè)施視覺檢測(cè)技術(shù)的廣泛發(fā)展和應(yīng)用，在檢測(cè)過程中會(huì)產(chǎn)生大量的檢測(cè)圖像或視頻，用人工來分類和判讀這些影像資料，效率低且不準(zhǔn)確。目前，很多研究學(xué)者基于計(jì)算機(jī)視覺和圖像處理技術(shù)提出了自動(dòng)化缺陷判讀技術(shù)，尤其是最新提出的深度學(xué)習(xí)技術(shù)，在管道缺陷識(shí)別及分析方面具有較好的應(yīng)用前景。

2.1 傳統(tǒng)的計(jì)算機(jī)視覺和圖像處理技術(shù)

計(jì)算機(jī)視覺是指計(jì)算機(jī)或機(jī)器像人類一樣從數(shù)字圖像中獲取信息[60]。計(jì)算機(jī)視覺方法的應(yīng)用一般包括圖像預(yù)處理、圖像分割、特征提取、目標(biāo)識(shí)別和結(jié)構(gòu)分析等[61-62]。傳統(tǒng)的計(jì)算機(jī)視覺技術(shù)被用于CCTV圖像的自動(dòng)判讀，這一過程需要大量的圖像預(yù)處理和復(fù)雜特征提取器的設(shè)計(jì)，如對(duì)污水管道圖像進(jìn)行特征提取和分類[63-65]。閔令偉[66]利用CCTV檢測(cè)系統(tǒng)和激光測(cè)距儀獲取管道的狀況信息，并利用三維重建算法檢測(cè)圓柱形管道的缺陷。Huynh等[67]提出了一種基于三維立體視覺的污水管道檢測(cè)系統(tǒng)，該方法通過標(biāo)定、校正和對(duì)應(yīng)，實(shí)現(xiàn)立體視覺，將雙邊緣評(píng)價(jià)的算法用于檢測(cè)管道的微小裂縫，并采用約束滑動(dòng)窗口算法提高搜索速度。

表1 排水管道檢測(cè)技術(shù)

傳統(tǒng)計(jì)算機(jī)視覺技術(shù)也遇到了很多問題，如低分辨率和噪聲視頻的處理，圖像失真與結(jié)構(gòu)運(yùn)動(dòng)[68]及光照和拍攝距離的影響[69]。在管道缺陷識(shí)別領(lǐng)域，傳統(tǒng)的計(jì)算機(jī)視覺技術(shù)面臨兩個(gè)最主要的問題，其一是需要設(shè)計(jì)一個(gè)特定任務(wù)的復(fù)雜特征提取器；其二是在準(zhǔn)備訓(xùn)練數(shù)據(jù)集時(shí)需要大量的圖像預(yù)處理，訓(xùn)練過程煩瑣。此外，目前的研究主要集中在識(shí)別和檢索單個(gè)缺陷(如裂紋)，對(duì)其他常見的缺陷(如樹根入侵和滲透)的自動(dòng)識(shí)別與定位的研究很有限。

圖1 CNNs模型的架構(gòu)圖Fig.1 Architecture diagram of CNNs model

在處理污水管道檢測(cè)的圖像資料時(shí)，大多數(shù)方法都將這些圖像資料分為包含缺陷和不包含缺陷兩種類型，包含缺陷(如裂縫、變形、滲漏、樹根入侵等)的圖像區(qū)域叫作特征區(qū)域。在目前的研究中，對(duì)圖像的分類是基于一種特征提取方法，即使用手動(dòng)指定的像素特征(如邊緣、梯度、紋理等)對(duì)圖像進(jìn)行分類。Xu等[70]開發(fā)了一個(gè)污水管道結(jié)構(gòu)評(píng)估框架，此框架使用圖像處理技術(shù)如邊緣檢測(cè)、二值圖像閾值化、細(xì)化和離散傅里葉變換來提取節(jié)點(diǎn)結(jié)構(gòu)并計(jì)算其形變。Yang等[71]以離散小波變換和共現(xiàn)矩陣作為圖像分類的基礎(chǔ)，使用支持向量機(jī)(support vector machines, SVM) 分類器對(duì)缺陷進(jìn)行分類，在識(shí)別缺陷如脫節(jié)、沉積、破管和斷裂的平均準(zhǔn)確率為60%。Guo等[57]提出了一種基于變化檢測(cè)的方法來自動(dòng)識(shí)別管道檢測(cè)視頻中的特征區(qū)域，該方法對(duì)處理使用固定角度攝像機(jī)拍攝的清潔管壁表面的圖像時(shí)效果最好，當(dāng)不滿足這一條件時(shí)，可能會(huì)產(chǎn)生大量的錯(cuò)誤，大大增加處理時(shí)間。Halfawy等[72]提出了一種形態(tài)學(xué)方法，利用聚焦對(duì)象亮度的差異作為分割特征區(qū)域的基礎(chǔ)，此方法使用有向梯度直方(histogram of oriented gradient, HOG)和SVM分類器，經(jīng)過1 000幅圖像的訓(xùn)練來識(shí)別特征區(qū)域。

基于形態(tài)學(xué)和特征提取的方法最主要的缺陷是限制了自動(dòng)化系統(tǒng)的泛化能力。分類器的泛化能力是指對(duì)表現(xiàn)出顯著變化的圖像進(jìn)行分類的能力(例如形狀、顏色、紋理等)。形態(tài)學(xué)操作需要對(duì)訓(xùn)練圖像進(jìn)行反復(fù)的試驗(yàn)，通過手動(dòng)來校準(zhǔn)某些結(jié)構(gòu)元素。因此，在特定條件下(如相機(jī)焦距、物體與相機(jī)之間的距離、鏡頭焦距、光照條件等)拍攝的訓(xùn)練圖像的結(jié)構(gòu)元素可能不適用于不同條件下拍攝的圖像。此外，使用形態(tài)學(xué)方法識(shí)別污水道管道中的缺陷，容易產(chǎn)生錯(cuò)誤，因?yàn)檫@些管道的內(nèi)部表面顏色會(huì)因表面染色、管道的重新鋪設(shè)、材料的變化等而發(fā)生變化。特征提取方法使用預(yù)先設(shè)計(jì)好的(或人工指定的)特征，在人臉檢測(cè)、行人跟蹤等模式識(shí)別領(lǐng)域效果良好，但如果用于測(cè)試的圖像與用于培訓(xùn)的圖像有顯著差異，則使用特征提取方法對(duì)圖像進(jìn)行分類會(huì)導(dǎo)致準(zhǔn)確率下降。

2.2 深度學(xué)習(xí)技術(shù)

近年來，出現(xiàn)了一種圖像分類的深度學(xué)習(xí)算法，其中卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNNs)的應(yīng)用最為廣泛。CNNs模型通常是通過輸入圖像的卷積、激活和極化等網(wǎng)絡(luò)層進(jìn)行特征提取，然后通過完全連接層進(jìn)行分類，之后輸出每個(gè)類的預(yù)測(cè)分?jǐn)?shù)。每個(gè)網(wǎng)絡(luò)層有不同的功能，并使用前一層的結(jié)果作為輸入端。CNNs的運(yùn)行程序一般包括：①?gòu)脑紙D像中提取特征；②使用初始隨機(jī)權(quán)重和偏差分配的過濾器來預(yù)測(cè)類別，將特征向前傳遞；③計(jì)算預(yù)測(cè)分?jǐn)?shù)與真實(shí)值之間的誤差；④通過反向傳播不斷調(diào)整濾波器的權(quán)值和偏置，最終得到最優(yōu)類別。CNNs模型的架構(gòu)如圖1所示。

CNNs以數(shù)以萬計(jì)的最優(yōu)像素特征對(duì)圖像進(jìn)行分類，其分類精度和泛化能力明顯高于其他方法[73]。CNNs的主要缺點(diǎn)是需要龐大的用于訓(xùn)練的圖像數(shù)據(jù)庫(kù)，但這個(gè)缺點(diǎn)可以通過已建立的具有詳細(xì)注釋的數(shù)據(jù)庫(kù)解決。2014年，Krizhevsky等[74]訓(xùn)練了一個(gè)大型的深度卷積神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)庫(kù)ImageNet，將120×104幅高分辨率圖像分類為1 000個(gè)不同的種類，準(zhǔn)確率較高。CNNs的另一個(gè)缺點(diǎn)是訓(xùn)練過程較復(fù)雜，計(jì)算量大，這一過程可以通過使用圖像處理單元進(jìn)行并行計(jì)算解決。

與傳統(tǒng)的計(jì)算機(jī)視覺和圖像處理技術(shù)相比，CNNs是通過訓(xùn)練學(xué)習(xí)提取圖像的特征，因此需要較少的圖像預(yù)處理，不需要用專業(yè)人員設(shè)計(jì)復(fù)雜的特征提取器。近年來，CNNs在圖像分類、目標(biāo)識(shí)別和定位等方面具有良好的應(yīng)用前景。Cha等[75]、Yokoyama等[76]提出了基于CNNs的混凝土裂縫檢測(cè)方法，并證明了該模型相對(duì)于傳統(tǒng)圖像處理技術(shù)的優(yōu)勢(shì)。 此外，CNNs還被用于隧道高效檢測(cè)[77]和道路裂縫檢測(cè)[78]。Kumar等[79]提出了一種利用CNNs對(duì)下水道閉路電視圖像中的多種缺陷進(jìn)行分類的方法，并開發(fā)了一個(gè)模型系統(tǒng)來對(duì)根侵入體、沉積物和裂縫進(jìn)行分類。然而，CNNs在管道檢測(cè)方面的應(yīng)用還處于初始階段，使用CNNs進(jìn)行排水管道缺陷檢測(cè)的研究也很有限。

針對(duì)傳統(tǒng)目標(biāo)檢測(cè)方法的不足，提出了基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(region-based convolutional neural network, R-CNN)。 R-CNN是通過對(duì)輸入圖像的選擇性搜索來生成區(qū)域建議，然后將每個(gè)區(qū)域的建議圖像輸入到一個(gè)CNN模型來計(jì)算其特征，并通過支持向量機(jī)分類器計(jì)算類別分?jǐn)?shù)，最后對(duì)分類后的圖像進(jìn)行邊界回歸，預(yù)測(cè)每個(gè)目標(biāo)的位置。R-CNN的一個(gè)局限是多階段的訓(xùn)練過程耗時(shí)較長(zhǎng)且計(jì)算量大。另外，由于每個(gè)區(qū)域的建議都需要進(jìn)行卷積、分類和回歸，所以每個(gè)圖像的檢測(cè)速度都比較慢。為了解決R-CNN的局限性，Girshick[80]開發(fā)了快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Fast R-CNN)。與R-CNN相比，F(xiàn)ast R-CNN采用單階段多任務(wù)排除的方式進(jìn)行訓(xùn)練，大大減少了訓(xùn)練時(shí)間，且由于對(duì)原始圖像只進(jìn)行一次卷積處理，而不是對(duì)所有的區(qū)域建議進(jìn)行卷積處理，因此檢測(cè)速度更快，并且提高了檢測(cè)精度。由于Fast R-CNN仍依賴于選擇性搜索來生成區(qū)域建議，這將影響檢測(cè)的準(zhǔn)確性和速率，Ren等[81]提出了更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster R-CNN)。Faster R-CNN是由一個(gè)區(qū)域建議網(wǎng)絡(luò)(RPN)和一個(gè)Fast R-CNN檢測(cè)器組成，RPN用于生成區(qū)域建議，F(xiàn)ast R-CNN檢測(cè)器用于特征檢測(cè)和邊界回歸。Faster R-CNN的主要特點(diǎn)是RPN和Fast R-CNN檢測(cè)器可以共享卷積層，大大降低了計(jì)算成本。RPN生成的區(qū)域建議數(shù)量得到優(yōu)化，質(zhì)量?jī)?yōu)于選擇性搜索生成的區(qū)域建議，從而提高了檢測(cè)精度和速度。

與R-CNN和fast R-CNN相比，F(xiàn)aster R-CNN具有較高的精度和召回率，這對(duì)從CCTV影像中精確地檢測(cè)管道缺陷是非常重要的。目前，F(xiàn)aster R-CNN主要應(yīng)用于行人檢測(cè)、人臉檢測(cè)、實(shí)時(shí)車輛檢測(cè)與跟蹤和交通標(biāo)志檢測(cè)等領(lǐng)域。Cheng等[82]首次提出利用Faster R-CNN技術(shù)自動(dòng)檢測(cè)CCTV圖像中的排水管道缺陷，并通過實(shí)驗(yàn)說明，該方法能夠準(zhǔn)確、快速、準(zhǔn)確地檢測(cè)出污水管道的缺陷。迄今為止，F(xiàn)aster R-CNN技術(shù)在管道缺陷檢測(cè)方面的應(yīng)用相對(duì)較少，但基于其良好的圖像識(shí)別及分析能力，此項(xiàng)技術(shù)在管道缺陷自動(dòng)化檢測(cè)方面有著很好的應(yīng)用前景。

3 結(jié)論與展望

CCTV管道機(jī)器人檢測(cè)方法已經(jīng)相對(duì)成熟，其后期圖像資料的判讀可以借助于計(jì)算機(jī)視覺和深度學(xué)習(xí)等圖像處理技術(shù)。結(jié)合CCTV與自動(dòng)化缺陷識(shí)別技術(shù)，將可能實(shí)現(xiàn)排水管道檢測(cè)領(lǐng)域的全自動(dòng)化，為排水管網(wǎng)資產(chǎn)管理與狀態(tài)評(píng)估奠定堅(jiān)實(shí)的基礎(chǔ)，這也將成為排水管道檢測(cè)領(lǐng)域的主要研究方向。

但目前管道缺陷的自動(dòng)化缺陷識(shí)別仍處于發(fā)展階段，技術(shù)還不是十分成熟。利用計(jì)算機(jī)視覺和深度學(xué)習(xí)等圖像處理技術(shù)檢測(cè)管道缺陷的準(zhǔn)確性與前期訓(xùn)練模型的數(shù)據(jù)類型和參數(shù)息息相關(guān)，雖然已有一些建立好的數(shù)據(jù)庫(kù)用于模型訓(xùn)練，但由于排水管道缺陷類型的相似性和復(fù)雜性，數(shù)據(jù)庫(kù)仍然需要不斷擴(kuò)大和優(yōu)化，建立全面的用于模型訓(xùn)練的數(shù)據(jù)庫(kù)將是實(shí)現(xiàn)排水管網(wǎng)缺陷自動(dòng)化檢測(cè)的主要難點(diǎn)。此外，目前提出的自動(dòng)化缺陷檢測(cè)方法僅適用于靜態(tài)圖像的處理，考慮到大量檢測(cè)視頻的積累，在未來的研究中，對(duì)視頻資料的轉(zhuǎn)化和處理也將成為實(shí)現(xiàn)管道缺陷自動(dòng)化檢測(cè)的另一個(gè)重點(diǎn)和難點(diǎn)。