论文部分内容阅读
随着城市化的快速发展,城市综合管廊的建设开始陆续推进。城市综合管廊的安全与人民群众的生命安全和财产安全息息相关,因此城市综合管廊的缺陷检测至关重要。传统的检测需要人工观察机器人传回的实时视频,检测的成本较高同时无法保证检测的准确率。目标检测算法可以实时地检测视频中管廊常出现的缺陷,不需要人工观察,同时检测的精度较高。因此,研究目标检测算法的改进以及将目标检测算法用在管廊的缺陷检测具有重要意义。管廊巡检机器人的计算能力相对于台式机图形处理器较低。针对目标检测算法在检测速度达到要求时无法保证检测精度的问题,本文对YOLOv3-Tiny进行改进,提出一种新的目标检测算法用于城市综合管廊的检测,主要研究内容如下:针对YOLOv3-Tiny检测精度较低的问题,本文改进了其特征提取网络。在Shuffle Net V2网络结构的基础上,根据特征图中每个通道的重要性得到每个通道的权重,权重与特征图中每一个通道相乘,实现在通道维度上对特征图进行重标定。通过上述改进得到Shuffle＿Senet模块,基于此模块创建了特征提取网络。本文使用kmeans++算法获取先验框,在初始化聚类中心时会考虑距离的因素,避免了可能会陷入局部最优的问题。通过上述对YOLOv3-Tiny改进,提出了一种新的算法SS-YOLO,用来检测城市综合管廊中的缺陷。针对数据集较少无法满足目标检测算法训练需要的问题,本文利用深度卷积生成对抗网络模型生成缺陷样本增加数据集。本文从数据集中提取部分数据训练深度卷积生成对抗网络模型,训练后生成与原始数据集的特征相同的数据集,从而丰富目标检测算法的训练集,提高检测的精度。由实验结果可知,本文改进后得到的SS-YOLO每秒传输帧数(Frames Per Second,FPS)比YOLOv3-Tiny高出4帧,平均精度均值(mean average precision,MAP)高出6.5%,检测的速度和精度都超过改进之前的算法。在城市综合管廊的检测中,本文采用的SS-YOLO算法检测的平均精度均值达到了0.895,相比YOLOv3-Tiny的0.735,有了明显的提高。由实验结果表明,本文提出的SS-YOLO可以满足城市综合管廊缺陷检测的需要。