2278111是德州公用水務集團有限公司面對州城市民開放的24小時服務熱線，受理廣大用戶關于自來水方面的各種咨詢、投訴和建議，以高效快捷的優質服務滿足市民的用水需求。
管道是城市生命線，對排水管網進行定期、全面的管道缺陷檢測十分必要。管道閉路電 視（Closed-circuit television，CCTV）檢測是指利用內窺鏡攝像檢測系統或管道 CCTV 檢測 機器人進行缺陷排查的技術。CCTV 檢測機器人在管道內爬行，對管道各類缺陷進行攝像， 操作簡便、效果直觀，因而被行業內廣泛應用。
然而，機器人檢測后生成大量圖像視頻依賴人工進行判讀，耗時費力。近年來，眾多學 者和企業嘗試引入計算機技術對管道 CCTV 檢測圖像進行識別和分類，以簡化人工判讀流程、 快速評估缺陷情況、高效生成檢測報告。針對此，中山大學馬保松團隊嘗試解答以下四個關 鍵問題：
Q1 基于 CCTV 圖像的管道缺陷智能識別和分類技術是怎樣實現的？
A：從原理上看，該技術隸屬于計算機視覺研究領域，通過獲取圖像、圖像預處理、特 征抽取、分類器設計和分類決策等程序，提取并辨認指定目標圖像，從而建立人工智能系統。 通俗地說，就是利用管道缺陷圖像數據作為“教學范本”，教會機器什么是我們需要的信息， 并對信息進行判斷和分類，達到和人工判讀管道缺陷相同的效果。
排水管道缺陷檢測領域的計算機視覺相關方法主要有傳統基于規則的方法、傳統機器學 習方法、深度學習方法和多策略融合方法。筆者調研相關論文所使用的各方法比例如下圖 1 所示：
（1）傳統基于規則的算法是指基于數學微分思想和形態學原理的邊緣檢測算法，根據 圖片畫面中的亮暗、光影等特征，定位管道缺陷，實現檢測功能。但該方法存在較多不足， 包括：相關研究的樣本較少，識別準確率參差不齊；依賴人工判斷，智能化程度不高；沒有 訓練過程，泛化能力差等。因此，關于此方法的創新性研究不多。
（2）傳統機器學習方法是計算機從大量數據中提取數據特征并進行學習，通過模型訓 練進而解決相應問題的過程。該方法的智能識別能力和綜合識別效果有所提升。但該方法只 能提取少量缺陷特征，輸出結果較單一，因此僅能判斷管道是否完好或識別少量缺陷類別。
（3）深度學習方法是機器學習的分支，其中又以卷積神經網絡（Convolutional Neural Networks，CNN）應用最廣。主要流程為：將圖片輸入后由卷積層提取特征，使用激活函數 加入非線性元素，經池化層降維處理，最后通過全連接層分類輸出，如圖 2 所示。
當前，管道缺陷檢測主要針對圖像分類和目標檢測問題展開，涉及各研究比例如下圖 3 所示。
圖像分類需根據不同缺陷特征（結構性或功能性）將給定的缺陷圖片分類。應用較多的 CNN 模型有 ResNet、AlexNet、VGG 和 GoogleNet 等，模型訓練圖片數量從幾百至上萬，可 區分的缺陷類別較多，絕大部分輸出準確率超過 80%。
目標檢測需識別圖片中存在的缺陷并以選框形式標識出來，應用較多的 CNN 模型有 YOLO 和 Faster R-CNN，引入目標檢測器或層級式類別注意力機制也能達到目標檢測效果。
相比前兩種方法，深度學習模型的訓練樣本數量可達數萬張，數據處理能力較強；缺陷 特征提取過程減少了人工工作量，智能化程度較高；能實現圖像分類和目標檢測等任務，模 型功能性豐富；大部分模型識別精度很高，輸出效果較優。
（4）多策略融合方法采取模塊化、分步驟思路，由兩種或兩種以上機器學習或深度學 習模型共同構成缺陷圖像檢測分類框架。該方法不僅能解決常規圖像分類和目標檢測問題， 還在缺陷邊緣分割、細粒度分類、圖像動態特征捕獲、缺陷實例分割和全過程自動化評估等 問題上體現了優越性。該方法更適用于視頻缺陷識別或其他特定場景，前瞻性很強，但還需繼續優化模型運算速度和識別精度。
Q2 如何評價管道缺陷檢測模型的好與壞？
A：管道缺陷圖像智能檢測模型設計應考慮適用性、易用性和經濟性等多方因素。然而， 對于模型評價使用的指標及結果可接受范圍等，業內尚未形成共識。概括來說有以下兩類指 標：
（1）過程評價指標。它是模型在運行過程中表征其精度和速度的一系列指標。例如：“交 并比（Intersection over Union，IoU）”表征模型識別區域面積與實際標記面積的大小關系， 兩部門面積重合度越高，識別越精準；模型運行速度表征檢測分類的即時性等。
（2）結果評價指標。它直觀有效地評估模型輸出效果，常用的評價指標有準確率 （Accuracy）、精確率（Precision）、召回率（Recall）、綜合評價指標（F-Measure）和 ROC（Receiver Operating Characteristic）曲線等。
Q3 在當前國內市場上，管道智能檢測發展如何？
A：當前我國市場上的 CCTV 管道機器人在硬件層面已無需依賴進口，實現了國產化和 自主化。國內二十余家管道檢測機器人制造企業和市政管網非開挖修復單位大力推進缺陷檢 測軟件技術研發，大多基于深度學習算法，已有可商用的產品。目前效果最好的管道缺陷視 頻分割系統識別精度可達 98%。 然而，現投入市場使用的缺陷檢測系統智能化、自動化水平仍不夠高，圖像識別以區分 正常管段和缺陷管段為主，細小缺陷抓取準確率很低，對缺陷進行細分類的過程仍依賴人工。 調研中還發現，管道缺陷智能檢測技術的市場普及率較低。一方面，現有軟件還不能完全脫 離人工操作；另一方面，智能檢測配套軟硬件成本較高，利用人工判讀較為經濟。 國內管道缺陷智能檢測領域還不成熟，仍處上升期。要加大對管道檢測智能系統的研發 投入，不斷擴充深度學習模型樣本量，提高識別精度，實現細分類功能。必要時可考慮引入 激光測距和 3D 掃描技術，實現軟硬件結合發展，進一步降低缺陷識別的成本。
Q4 管道缺陷智能檢測技術的未來和挑戰？
A：由于基于規則的圖像分割算法智能化程度不高、基于小樣本的傳統機器學習方法無 法適應大量圖像分類要求，目前，以卷積神經網絡為主的深度學習方法成為了管道缺陷智能 檢測技術的研究重點，并面臨以下挑戰：
（1）持續擴充有效的圖像樣本數據庫。圖像樣本數量和質量是影響檢測速度和精度的 重要因素，樣本數量少易產生過擬合問題，缺陷樣本數量不平衡會導致模型泛化能力弱，樣 本圖像相似度高或光照條件弱會增加特征提取難度。
（2）加快現有智能檢測算法在管道檢測市場的推廣應用。多缺陷檢測和實例 / 語義分割 技術已成為主流，應加大智能算法的遷移應用力度，優化缺陷細分類檢測、多缺陷共存檢測 和缺陷實例分割等功能。
（3）結合多技術手段，提升管道視頻識別精度。視頻缺陷的實時定位受照明和畫面模 糊度影響很大，使用視頻自動化截圖會降低缺陷識別率。為了幫助缺陷特征提取，需提升傳 統管道機器人硬件水平，如利用三維激光雷達或深度相機以獲取更多空間信息和缺陷細節。
（4）積極構建管道健康評估一體化智能系統。檢測系統應以我國現行規范為指南，考 慮缺陷嚴重等級和管段綜合得分，優化系統視覺體驗和交互體驗，生成智能檢測報告，選取 修復工法，合理評估管道使用年限。 （來源：給水排水）
